パターンを読み込んでいます…
🧬
自動プロンプト最適化(APO)
エージェントパイプライン内のプロンプトや指示を手作業で調整するのではなく、学習可能なパラメータとして扱い、指標とラベル付きデータセットに対してプログラム的に最適化する。オプティマイザは few-shot の実例を自動生成して指示の言い回しを探索し、リフレクティブな手法は過去の失敗の実行トレースを読み取ってプロンプトを変異させる。
複雑さ: high学習と適応
30秒でわかる概要
- 概要
- プロンプトを学習可能なパラメータとして扱い、手作業のチューニングではなく、few-shotブートストラップ、命令の探索、失敗トレースの分析、LLMによるフィードバックループを用いて指標に対して最適化する。
- 使いどころ
- ラベル付きの検証データ、明確な指標、そしてパイプラインを何度も反復してプロンプト品質を体系的に高めるだけの計算予算がある場合。
- 注意点
- 最適化が検証セットや指標に過剰適合し、新しい領域では機能しないプロンプトや、本当の能力向上ではなく報酬の抜け道を突くだけのプロンプトを生み出すことがある。
このパターンについてAIエキスパートに質問
質問が入力済みの状態でアシスタントが開きます。送信前に内容を確認できます。
自動プロンプト最適化: 概要
エージェントパイプライン内のプロンプトや指示を手作業で調整するのではなく、学習可能なパラメータとして扱い、指標とラベル付きデータセットに対してプログラム的に最適化する。オプティマイザは few-shot の実例を自動生成して指示の言い回しを探索し、リフレクティブな手法は過去の失敗の実行トレースを読み取ってプロンプトを変異させる。
- Prompts treated as optimizable parameters
- Bootstrapped few-shot and instruction search (DSPy/MIPROv2)
- Reflective prompt evolution over execution traces (GEPA)
- Textual gradients from natural-language feedback (TextGrad)
- LLM-as-optimizer proposal loop (OPRO)
- Metric-driven candidate evaluation and selection
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。
参考文献
このパターンの根拠となる論文、仕様、リポジトリです。
- DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines (2023)arXiv:2310.03714
- GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning (2025)arXiv:2507.19457
- TextGrad: Automatic Differentiation via Text (2024)arXiv:2406.07496
- Large Language Models as Optimizers, OPRO (2023)arXiv:2309.03409
このカタログを作ったエンジニアが担当
エージェント構成をレビューします
このページが扱うのは1つのパターンです。実際のシステムは数十を組み合わせて動き、障害の多くはその繋ぎ目で起きます。カタログの288パターンに照らして設計全体をレビューします。アーキテクチャ、信頼性、評価、コストまで、指摘ごとに対応するパターンを示します。
€750（通常€1,500）・1週間・文書レポートとウォークスルーコール・9月30日まで