别再手调提示词了，让模型自己写、自己打分、自己挑，这才叫聪明

你盯着屏幕，把“请用幽默语气回复”改成“请用轻松诙谐的方式回答”，又试了“像老朋友聊天那样”，跑了十几次，挑出一个看着顺眼的。整个过程全凭感觉，主观、低效，永远只在你能想到的三五种措辞里打转。你要是习惯了这套“试到看着顺眼”的手工炼丹术，下面这个方法可能会让你把手里的提示词草稿直接删掉。

论文《大型语言模型是人类水平的提示工程师》（Zhou等人，2022）提出了一个让人想掀桌子的结论：既然模型能写文章、能翻译，为什么不让它自己设计提示词？自动提示工程师（APE）彻底抛弃了“手工微调句子”的老路，把提示词写作当成一个搜索问题来处理。给它几个输入输出的例子，让模型生成一堆候选指令，再用同一套模型客观地给每个候选打分，最后留下得分最高的那条。整个过程没有人工评判环节。

APE最优雅的地方，是让模型同时扛起两份活儿。提案模式下，模型读几个例子，逆向推出任务到底怎么回事，然后吐出候选指令。执行模式下，它又原原本本地跑一遍每个候选指令，看哪个真能准确完成任务。不需要微调，不碰梯度，纯粹靠采样指令和评估指令。在指令归纳基准测试上，APE发现的提示词，表现跟人类精心打磨过的持平，甚至更胜一筹。

别再写“你该怎么做”，直接甩给模型一叠例子

手工调参的时候，你脑子里要先把任务转译成一段祈使句，描述给模型听。APE把这一步甩开了。你不再需要写出“请输出反义词”这种万能句式，只要扔一组示范对就行：

happy → sad
hot → cold
fast → slow
up → down

就这四组词，里面藏着“给个相反的意思”这条任务定义。APE把这些示范分成两堆：一小撮给提案模型看，帮它悟出指令；剩下那些捏在手里当考试卷子。被藏起来的那部分，是整个机制能老实说话的关键——它只测指令的泛化能力，不看候选指令是不是死记硬背了示范。一旦某个指令只是记住“happy对应sad”却搞不定“up”，考试分数立刻露馅。

三步循环，零人工干预

整个流程被拆成三拍，循环往复，完全没有人类拍脑袋的环节。

第一拍：提案（正向生成）。把事先留好的一小撮示范输入给模型，带着一股“你猜猜这些输入到输出之间到底发生了什么”的劲儿，让它产生候选指令。采样时使用非零温度，确保生成多样性，你会得到一个五花八门的池子：

• “写出输入词的反义词。”
• “给出这个词的反面。”
• “把词语的意思翻转。”
• “输出一个与输入词相关的词。”

这一步本质上是让模型从示例反推任务规则。有些候选指令精准捕捉到“相反含义”，有些偏到“相关词”上去了——全看采样运气和模型对任务的理解角度。但没关系，接下来有客观的裁判。

第二拍：评分。这是整个APE最狠的一刀。对每个候选指令，把它套到所有被藏起来的考题上，逐个运行，统计完全匹配的次数。用代码来表示就是：

async function score(instruction, heldout) {let correct = 0;for (const ex of heldout) {const pred = await llm(`${instruction}\nInput: ${ex.in}\nOutput:`);if (pred.trim().toLowerCase() === ex.out) correct++;return correct / heldout.length; // 在从未见过的例子上精确匹配率}

这种“执行准确率”不参杂任何文采判断，只看干的活对不对。另一种经典的打分方式也常被提及——直接用模型给正确答案分配的对数概率来衡量，这种方式更顺滑、更省钱。无论哪种，评判标准彻底去掉了“我看着顺眼”的主观成分。

第三拍：挑选。按分数从高到低排个队，取最靠前的那几行。在反义词任务里，“写出输入词的反义词”可能拿到83%的准确率，脱颖而出；“输出一个与输入词相关的词”直接掉到17%。被挑中的不是读起来最漂亮的句子，而是实证最管用的那条指令。

在优胜者周围撒网：蒙特卡洛精炼

单单一轮往往撞不到天花板。APE后面补了一个迭代式蒙特卡洛步骤：把当前最佳指令当作新一轮的起跳点，让模型再围绕它产生一批变体，再次打分、筛选。这就相当于在得分最高的那座山头附近精细搜索，一点点往上拱。随着迭代的次数增加，候选池里那些模棱两可、容易把任务带偏的表述会逐渐被淘汰，留下的指令越来越贴近任务核心。

为什么这个方法值得你拆掉之前的调参习惯

手工调提示词最大的问题不是累，而是你永远在“你觉得好”的牢笼里打转。你试了三种说法，就停在那三种里，说不定第四种能把准确率再拉高十个点，但你没想过那么写，甚至觉得那么写别扭。APE用搜索代替内省，用客观分数代替审美偏好，它探索到的措辞可能根本不是人类会想出来的样子——但就是更管用。

另一个戳人神经的地方是：它把提示词工程从“描述任务”变成了“示范任务”。很多抽象的目标用一两句祈使句根本说不清，比如“把客服回复的语气调成既专业又有人情味”。但如果你甩过去五十组原始对话和期望回复，APE能从这些例子里提炼出远比你会写的更精准的指令。从此，你不需要先用人话把需求翻译一遍再喂给模型，直接让模型自己去样例里闻出味道。

反常识的点还在于：没有任何微调、没有任何梯度更新，纯粹靠着对同一个模型反复采样和验证，就把它的输出质量活生生硬拉上去。你用的是同一个模型，只不过从“它听你指挥”变成了“它自己给自己定作战计划”。这是把模型当成一个指令发现器来用，而不是一个指令执行器。

手写提示词这件事，迟早会像手工管理内存一样，被自动化的搜索和优化接管。APE给出的不是一个更舒服的编辑器，而是一套彻底不靠人脑猜测的工作流。下次再有人让你坐下来精修三段提示词，你不如直接扔给他一堆例子，然后让模型自己去找那句真正能干活的话。