约翰·霍普金斯大学近期推出了一种名为EGO-Prompt（Evolutionary Graph Optimization for Prompt）的新型提示优化框架，该框架通过自动生成更高效的提示词，在多个专业领域显著提升了大模型的性能，平均提升接近50%。同时，EGO框架大幅降低了计算资源消耗，使运行成本减少达83%。这一技术突破标志着提示工程进入自动化与智能化的新阶段，为高效率、低成本的人工智能应用提供了可行路径。
在RAG（Retrieval-Augmented Generation）系统中，尽管采用了高性能的大型语言模型（LLM）并持续优化提示（Prompt），问答任务仍常出现上下文信息丢失、事实错误及内容拼接不自然等问题。部分团队频繁更换检索算法与嵌入模型以期提升效果，但实际改进有限。研究表明，问题根源往往不在模型本身，而在于检索与生成模块之间的协同机制不足，以及上下文整合策略的欠缺。因此，仅依赖提示优化或嵌入模型升级难以根本解决输出质量瓶颈，需从整体架构层面优化信息流动与语义一致性。
本文介绍了一种名为MetaSPO的双层优化框架，该框架结合元学习技术，用于协同优化系统提示与用户提示。通过这种方式，MetaSPO显著提升了大型语言模型（LLM）在多任务及跨领域问题中的适应性与鲁棒性，同时有效降低了为新任务定制优化提示的成本，为提示工程提供了高效解决方案。
近期，一项针对大型语言模型（LLM）的高等数学测试结果显示，这些模型在复杂数学问题上的表现令人瞩目。测试中，GPT-4o和Mistral AI等模型平均得分高达90.4分（满分100分）。它们在向量计算、几何分析及积分计算等领域几乎无误。研究指出，通过适当的提示优化（Re-Prompting），可显著提升模型解题准确率，为未来AI技术发展提供了新方向。
