正在加载模式…
🧬
自动提示词优化(APO)
将智能体流水线中的提示词和指令视为可学习的参数，针对某一指标和带标签的数据集以编程方式进行优化，而非手动调整。优化器会自举生成少样本示例并搜索不同的指令措辞，反思式方法则通过读取过往失败的执行轨迹来变异提示词。
复杂度: high学习与适应
30秒速览
- 是什么
- 把提示词当作可学习的参数，用少样本自举、指令搜索、失败轨迹分析和LLM反馈回路针对指标进行优化，而不是靠手工调试。
- 何时使用
- 你有带标注的验证数据、明确的指标，以及足够的算力预算来跑很多轮流水线迭代，从而系统性地提升提示词质量。
- 注意
- 优化可能过拟合到你的验证集或指标上，产出在新领域失效的提示词，或者只是在钻指标的空子，而非带来真正的能力提升。
向AI专家咨询此模式
打开助手并预填您的问题,发送前可先确认。
自动提示词优化: 概览
将智能体流水线中的提示词和指令视为可学习的参数，针对某一指标和带标签的数据集以编程方式进行优化，而非手动调整。优化器会自举生成少样本示例并搜索不同的指令措辞，反思式方法则通过读取过往失败的执行轨迹来变异提示词。
- 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
每周一个模式、一个权衡、一个生产事故案例。为构建智能体系统的人准备的每周简报。
每周一封邮件,一键退订。您的地址仅用于发送简报。
参考资料
该模式所依据的论文、规范和代码仓库。
- 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
由本目录背后的工程师执行
为你的智能体架构做一次评审
本页讲的是一个模式。真实系统会同时跑几十个，而多数故障恰恰出在它们的衔接处。我们按本目录的 288 个模式评审你的整体设计：架构、可靠性、评测与成本，每一条结论都对应到能修复它的模式。
€750（原价 €1,500），一周交付，书面报告加讲解通话，9月30日前