文章系统性的评估了五种常见的提示词优化方法。文章的结论是：
-
模型选择： 在提示词优化方面，推荐使用Claude-3.5-Sonnet模型。 -
适用场景： 提示词优化在模型缺乏领域知识的任务中最为有效。 -
性能提升： 在上述情况下，提示词优化可以使准确率相比于初始提示提高约200%。 -
长期记忆： 提示词优化在这些情况下也可以被视为一种长期记忆：直接从数据中学习和适应。
文中涉及到的提示词优化方法是：
-
Few-shot prompting：使用训练示例作为期望行为的演示。 -
Meta-prompting：利用 LLM 分析并改进提示词。 -
Meta-prompting with reflection：让 LLM 在提交更新后的提示词之前，先进行思考和批判性分析。 -
Prompt gradients：为每个示例生成针对性的改进建议（作为“文本梯度”），然后在另一次 LLM 调用中应用这些建议。 -
Evolutionary optimization：通过受控变异探索提示词空间。
参考文献：
[1] https://blog.langchain.dev/exploring-prompt-optimization
（文：NLP工程化）