作者与单位：Qinyuan Ye， Maxamed Axmed， Reid Pryzant， Fereshte Khani； University of Southern California ，Microsoft
来源：ACL
发表时间：2024

背景

APE

LANGUAGE MODELS ARE HUMAN-LEVEL PROMPT ENGINEERS

该方法将自动生成提示视为黑盒优化问题。根据内容生成候选提示，利用评分函数进行评分，选择得分最高的提示。

ProTeGi (APO)

PE2

meta-prompt组件

实验结果

1.PE2方法 在多个语言任务上超越了现有的自动提示工程基准方法，包括 Iterative APE 和 APO。
2.PE2在反事实任务和生产提示优化方面上表现尤为有效
3.PE2相比与APO和APE能生成更具有针对性和高质量的提示

核心内容总结：

使用APE方法生成初始prompt，利用APO（ProTeGi）方法进行prompt优化，为优化过程中的meta-prompt添加三个关键组件：两步任务描述、逐步推理模版、上下文规范
meta-prompt：使llm根据已有的prompt生成意义相近并且解决错误原因的新的prompt。