论文信息
标题: Promptomatix: An Automatic Prompt Optimization Framework for Large Language Models
作者: Rithesh Murthy, Ming Zhu, Liangwei Yang, Jielin Qiu, Juntao Tan
机构: Salesforce AI Research
发表: arXiv preprint
链接: arXiv | PDF
核心贡献Promptomatix是一个端到端的自动prompt优化系统,将自然语言任务描述自动转换为高质量prompt,无需人工调优。支持双路径优化(meta-prompt和DSPy),涵盖意图分析、合成数据生成、策略选择和成本感知优化四个模块,在五类任务上达到竞争力性能。
问题与背景Prompt工程的困境人工Prompt优化的成本典型流程:...
AI 系统的元提示
论文概述这项来自清华大学的工作引入了元提示（Meta Prompting, MP），这是一个具有理论基础的框架，通过关注任务的形式结构而非特定内容的示例来提升大型语言模型推理。基于类型理论和范畴论，MP 提供了指导推理过程的结构化模板，仅使用单个零样本元提示就实现了最先进的结果。
论文信息：
发布时间：2023-11-20
作者：Yifan Zhang, Yang Yuan, Andrew Chi-Chih Yao
机构：未知
研究方向：提示工程，大型语言模型推理
核心技术：元提示（Meta-Prompting）
研究背景大型语言模型（LLM）在各类任务中展现出强大的能力，但如何有效引导模型进行复杂推理仍是一个挑战。本研究针对以下问题展开：
现有问题
传统提示方法在复杂推理任务上表现不佳
模型难以处理需要多步骤推理的问题
缺乏系统化的推理引导方法
研究动机本研究旨在探索更有效的...
提示工程一个提示工程师
论文概述这项工作通过构建元提示来研究”提示工程一个提示工程师”，这些元提示更有效地引导大型语言模型执行自动提示工程。提出的 PE2 方法引入了关键组件，如逐步推理模板和上下文规范，以及优化概念的语言化对应物（批量大小、步长、动量），以改进自动提示工程性能。
论文信息：
发布时间：2023-11-09
作者：Qinyuan Ye, Maxamed Axmed, Reid Pryzant等
机构：未知
研究方向：提示工程，大型语言模型推理
核心技术：元提示（Meta-Prompting）
研究背景大型语言模型（LLM）在各类任务中展现出强大的能力，但如何有效引导模型进行复杂推理仍是一个挑战。本研究针对以下问题展开：
现有问题
传统提示方法在复杂推理任务上表现不佳
模型难以处理需要多步骤推理的问题
缺乏系统化的推理引导方法
研究动机本研究旨在探索更有效的提示工程技术，提升大型语言模型...