微软AI研究团队最新发布的开源工具PromptWizard，为大型语言模型（LLM）提示词优化提供了一种全新的解决方案。传统的提示词优化方法耗时且难以扩展，而PromptWizard通过引入反馈机制，采用批判与综合的迭代优化策略，显著提升了模型性能和效率。它在生成阶段利用LLM生成多种提示词变体并进行评估，在测试推理阶段确保性能持续提升，最终在多个数据集上取得了优异的成绩，并大幅降低了资源消耗。
近日，微软 AI 研究团队发布了开源工具 PromptWizard，这是一种基于反馈驱动的 AI 框架，旨在高效优化大型语言模型（LLM）的提示设计。提示的质量对于模型输出的优劣至关重要，然而，创建高质量的提示往往需要耗费大量的时间和人力资源，尤其是在复杂或特定领域的任务中。
传统的提示优化方法多依赖人工经验，这种方式不仅耗时，而且难以扩展。现有的优化技术分为连续和离散两种。连续技术如软提示需要大量的计算资源，而离散方法如 PromptBreeder 和 EvoPrompt 则通过生成多种提示变体来进行评估，尽管这些方法在某些情况下表现良好，但缺乏有效的反馈机制，往往导致结果不尽如人意。
PromptWizard 通过引入反馈机制，采用批判与综合的方式来反复优化提示指令和示例，显著提升任务性能。其工作流程主要分为两个阶段:生成阶段和测试推理阶段。在生成阶段，系统利用大型语言模型生成多种基于基础提示的变体，并对其进行评估，以找到表现优异的候选项。同时，框架内置的批判机制会分析每个提示的优缺点，提供反馈以指导后续的优化。经过多轮优化，系统能提升提示的多样性和质量。
在测试推理阶段，优化后的提示和示例会被应用于新的任务，确保性能的持续提升。通过这种方法，PromptWizard 在45个任务上进行了广泛实验，并在无监督和有监督的设置下取得了优异的成绩。例如，它在 GSM8K 数据集上实现了90% 的无监督准确率，在 SVAMP 上达到了82.3%。此外，相较于离散方法如 PromptBreeder，PromptWizard 的 API 调用和令牌使用量减少了多达60倍，显示出其在资源受限环境下的高效性。
PromptWizard 的成功在于其创新的序列优化、引导性批判和专家角色整合，使其能够有效适应特定任务并具备良好的可解释性。这一进展预示着自动化框架在自然语言处理工作流中的重要性，有望促进高级 AI 技术的更有效和经济的应用。
博客:https://www.microsoft.com/en-us/research/blog/promptwizard-the-future-of-prompt-optimization-through-feedback-driven-self-evolving-prompts/
项目代码:https://github.com/microsoft/PromptWizard?tab=readme-ov-file
论文:https://www.microsoft.com/en-us/research/publication/promptwizard-task-aware-agent-driven-prompt-optimization-framework/
划重点:
PromptWizard 是一种新型的 AI 框架，用于优化大型语言模型的提示，提升模型性能。
该框架结合批判机制和反馈循环，能够高效生成和评估多种提示变体。
PromptWizard 在多个任务中显示出卓越的准确率，并大幅降低资源消耗和成本。
总而言之，PromptWizard 通过创新的反馈驱动机制和高效的优化策略，为大型语言模型提示词优化提供了一个强有力的工具，其高效性和准确性使其在实际应用中具有显著的优势，为AI技术的发展贡献力量。 感兴趣的读者可以访问提供的链接了解更多信息。