大语言模型发展到今天，写提示词不仅是个体力活，还是一个技术活。提示词的措辞稍微改一下，性能波动 20-50% 是常有的事。那能不能让 LLM 自己改进提示词呢？
本文主要讲的就是这个，一个处理复杂推理任务的 Agent，经过几轮自动迭代，准确率从 34% 飙到 97%相对提升 184%。下面是完整的步骤：从环境搭建到代码实现，还包含了优缺点和适用场景。
什么是自动提示词优化
自动提示词优化有时也叫 Automatic Prompt Engineering（APE），核心思路是把写提示词当成优化问题来解。流程大概是这样：先拿一个初始提示词（哪怕写得很一般），在一批标注好的样本上跑一遍，用评分函数（精确匹配、BLEU、LLM-as-judge 之类的）算个分，然后让 LLM 生成新的候选提示词，挑表现好的继续迭代，直到分数不再涨为止。
2023 年的论文 “Automatic Prompt Optimization with Gradient-Free Methods” 把这套方法讲得比较系统。从工具层面将DSPy、LangChain 的 PromptOptimizer 都能干这个活，不过有一个专门的库叫 OPIK 。
OPIK + MetaPromptOptimizer 的特点
OPIK 这套东西比较吸引人的是完全开源，Apache 2.0 协议，商用也不花钱；可以纯本地跑，Ollama、LM Studio、任何 OpenAI 兼容的接口都行；自带追踪仪表板，功能类似 LangSmith 但是确是免费；API 设计简单，一个类就能搞定优化流程；评估指标随便你定义，只要能写成代码就行。
环境搭建
创建虚拟环境
python -m venv opik-apo source opik-apo/bin/activate # Windows: opik-apo\Scripts\activate pip install opik[all] datasets sentence-transformers本地 LLM 安装（可选但推荐）
# Example with Ollama ollama pull llama3.2:8b-instruct-qat ollama serve准备评估数据集
不需要太多数据，20 到 100 条高质量样本就够了。下面是个 GSM8K 风格的 JSONL 例子，保存成
eval_data.jsonl：
{"question": "Janet's ducks lay 16 eggs per day. She eats 3 for breakfast, gives 8 to friends, and her bakery uses the rest. How many eggs does the bakery receive?", "answer": "5"} {"question": "A store sells apples for $2 each or 6 for $10. How much do you save per apple by buying 6?", "answer": "0.33"}完整代码
import opik from opik import track from opik.opimization import MetaPromptOptimizer from opik.opimization.evaluation_metrics import LevenshteinRatio from opik.integrations.langchain import OpikTracer from langchain_community.llms import Ollama from langchain.prompts import PromptTemplate import json # 1. 初始化 Opik（默认本地） opik_client = opik.Opik() # 2. 加载评估数据集 def load_dataset(path="eval_data.jsonl"): data = [] with open(path) as f: for line in f: item = json.loads(line) data.append({"input": item["question"], "expected": item["answer"]}) return data eval_dataset = load_dataset() # 3. 定义你的基础提示词模板 initial_prompt = """You are an expert assistant. Your task is answer questions accurately and concisely. Consider the context carefully before responding. Question: {input} Answer:""" prompt_template = PromptTemplate.from_template(initial_prompt) # 4. 创建 LLM（本地或 OpenAI） llm = Ollama(model="llama3.2:8b-instruct-qat", temperature=0.2) # llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2) # for cloud # 5. 定义你想要优化的链 @track def math_chain(question): prompt = prompt_template.format(input=question) response = llm.invoke(prompt) return response.strip() # 6. 定义评估函数 def evaluation_function(task): expected = task["expected"] generated = math_chain(task["input"]) score = LevenshteinRatio()(expected, generated) return score # 7. 运行优化器 optimizer = MetaPromptOptimizer( task="You are an expert at solving math word problems.", evaluation_dataset=eval_dataset, evaluation_function=evaluation_function, llm=llm, n_iterations=5, # 通常 3-7 次就足够了 population_size=10 ) best_prompt = optimizer.run() print("\n=== BEST PROMPT FOUND ===\n") print(best_prompt)运行脚本：
python optimize_prompt.py跑完 5 轮迭代后，打开 http://localhost:5173 就能看到仪表板，每个候选提示词的得分、最终选中的版本都在上面。
优化效果示例
优化前的提示词（34% 精确匹配）：
You are an expert assistant. Your task is answer questions accurately and concisely. Consider the context carefully before responding.优化后（97% 精确匹配）：
优缺点总结
优点
性能提升幅度可观，50-200% 的相对改进并不罕见。整个过程完全可复现，每一轮迭代都有日志记录，方便审计。本地运行意味着初始配置之后就不再产生 Token 费用。也不依赖梯度任何黑盒 LLM 都能用。迁移到新任务也简单，改几个参数就行。
局限性
评估数据集的质量至关重要：如果数据不行，优化出来的提示词也不会好到哪去，就是典型的 garbage in, garbage out；本地 LLM 生成候选提示词的速度可能偏慢；小数据集上容易过拟合模型可能只是"记住"了答案而非真正学会解题；优化出来的提示词有时候又长又怪，虽然效果好，但可读性堪忧。
结论
OPIK 的 MetaPromptOptimizer 让自动提示词变得很简单：拿一个勉强能用的提示词，半小时内就能把它调成接近 SOTA 水平的 one-shot Agent，省下原本要花几周手动迭代的时间。
找一个现有的 Agent，攒 30 条标注样本，跑一遍上面的脚本，看准确率曲线往上走就对了。提示词工程的下一步，不是人写出更好的提示词，而是让系统替人写。
地址
https://avoid.overfit.cn/post/be1860b7176b474b9389d88501402048
作者：Minervee
)
)
)
