从单体到模块化：段级自动提示优化

arXiv:2608.11219v1 公告类型：新 摘要：自动提示优化（APO）通常会整体重写提示，这可以改善一种行为，同时降低其他行为。我们提出 SAPO，一种分段级 APO 方法，它将提示分解为角色、上下文、任务和输出格式，然后根据前 5 个和后 5 个示例应用有针对性的改进。优化循环使用一个具有静态元提示和结构化输出的法学硕士，用于分段、弱点分析和候选生成。我们描述了训练/验证协议和两阶段生成过程：（1）分段级诊断和推荐提取，（2）受弱/强分段信号约束的候选合成。在 GPT-3.5-Turbo 和 GPT-4o-mini 上使用 SQuADv2、TweetEval、XSUM、CommonGen 和 GSM8K 的评估设置，SAPO 相对于零样本和强大的 APO 基线（包括 APE、OPRO、EvoPrompt、GEPA 和 StraGO）获得了最佳平均分数。