自动提示工程师（APE）

图片来源：Zhou等人，（2022）(opens in a new tab)

Zhou等人，（2022）(opens in a new tab) 提出了自动提示工程师 （APE），这是一个用于自动指令生成和选择的框架。指令生成问题被构建为自然语言合成问题，使用 LLMs 作为黑盒优化问题的解决方案来生成和搜索候选解。

第一步涉及一个大型语言模型（作为推理模型），该模型接收输出演示以生成任务的指令候选项。这些候选解将指导搜索过程。使用目标模型执行指令，然后根据计算的评估分数选择最合适的指令。

APE 发现了一个比人工设计的“让我们一步一步地思考”提示更好的零样本 CoT 提示 （Kojima 等人，2022(opens in a new tab)）。

提示“让我们一步一步地解决这个问题，以确保我们有正确的答案。”引发了思维链的推理，并提高了 MultiArith 和 GSM8K 基准测试的性能：

图片来源：Zhou等人，（2022）(opens in a new tab)

本文涉及与提示工程相关的重要主题，即自动优化提示的想法。虽然我们在本指南中没有深入探讨这个主题，但如果您对此主题感兴趣，以下是一些关键论文：

• Prompt-OIRL(opens in a new tab) - 使用离线逆强化学习来生成与查询相关的提示。
• OPRO(opens in a new tab) - 引入使用 LLMs 优化提示的思想：让 LLMs “深呼吸”提高数学问题的表现。
• AutoPrompt(opens in a new tab) - 提出了一种基于梯度引导搜索的方法，用于自动创建各种任务的提示。
• Prefix Tuning(opens in a new tab) - 是一种轻量级的 fine-tuning 替代方案，为 NLG 任务添加可训练的连续前缀。
• Prompt Tuning(opens in a new tab) - 提出了一种通过反向传播学习软提示的机制。