- 综合排序
- 最热优先
- 最新优先
- 来自专栏大模型应用
大模型应用：遗传算法 (GA)+混元大模型：自动化进化最优Prompt与模型参数.95
而遗传算法，GA，全称Genetic Algorithm，与大模型的组合，正是为解决这些问题而生，用进化的思想让机器自己“试错”、“迭代”、“进化”，最终自动找到最优的 Prompt 或模型参数，彻底告别低效的手动调优 、交叉、变异”三个核心操作，让解不断进化，最终逼近最优解。 ”；进化：经过多轮选择 - 交叉 - 变异，种群整体适应度越来越高，最终得到最优 Prompt。 比如种群大小 20，保留前 4 个最优 Prompt，其余 16 个由交叉变异生成。2. 适应度函数的优化初次接触容易犯的错误是“单一维度打分”，导致进化出的 Prompt 只适配一个维度。 总的来说，GA + 大模型的本质是“用遗传算法的进化思想搜索最优 Prompt或参数，用大模型作为评估器量化结果好坏”，核心流程为“初始化种群→大模型评估适应度→选择→交叉→变异→迭代进化→输出最优解”
16533编辑于 2026-05-03 - 来自专栏小七的各种胡思乱想
解密Prompt系列36. Prompt结构化编写和最优化算法UNIPROMPT
我们先简单介绍下结构化Prompt编写，再聊聊从结构化多角度进行Prompt最优化迭代的算法方案UniPrompt1. 结构化Prompt最优化Task Facet Learning: A Structured Approach to Prompt Optimization有了上面结构化Prompt的铺垫，UniPrompt 相比上一章DSPy里面提到的大模型反思直接优化，以及随机搜索的方案要更加有系统针对性~Prompt Optimization？论文前面很有意思，作者先尝试论证定向Prompt最优化这个事它靠不靠谱。 长度的限制下，寻找最优Prompt的问题，就变成了求解最大化子模态函数的问题，即寻找集合S \in V ，使得f(S) 最大化，同时满足 |S| \lt K 。 如下是background角度prompt生成的prompt。作为初始化，会采样10个模型生成的prompt，然后选择验证集上效果最优的prompt。
1.3K22编辑于 2024-08-14 这个号称能让AI无限进化的超级prompt，效果到底咋样？
前几天我在X上看到了一个非常离谱的Prompt，不仅给我看懵了，也给几百万网友看懵逼了。 真的，我很久很久没有看到过这么抽象的Prompt了。 据这位“神”说：“这个提示词旨在创建一个能够持续自我进化、探索复杂概念、并能够在多个抽象层次上操作的AI系统。 抱着学习的心态，我回到这个又长又长的prompt本身。仔细研究后，我大概拆了下这个prompt的逻辑。 但是理论终归是理论，我的态度一直都是不测试那就是扯淡，一切都还是得实际测试一下，看看这个号称“能让AI无限进化”的SuperPrompt到底有多大威力。 X上大量关于具体问题的提问，Bluecow也是一个没回答，问就是说“自己去一行一行读prompt”。 这不是废话吗，那Prompt大家要是都读懂了谁还会提问。
48600编辑于 2025-04-14自动化Prompt生成平台的研发体系设计
一份轻松不啰嗦的自动化Prompt平台研发攻略 一、项目背景 在大模型应用爆发的今天，不写Prompt的工程师，正在变成“写Prompt的工程师”。 但问题来了：每次都手动写Prompt？ 于是，自动化Prompt生成平台诞生了！ 我们的目标是：一站式生成高质量Prompt，不费脑，不出错，效率飞起！ 二、平台整体架构设计 整个自动化Prompt平台由三个核心层级组成： 输入层：从UI/接口/任务流中采集结构化信息 生成层：通过模板引擎 + LLM +规则系统生成Prompt 管理层：支持版本控制、评估测试 自动评估机制 BLEU / Rouge 等文本相似度评分 Prompt输出在预设场景中的效果打分 人工辅助标签训练数据、反馈闭环 四、自动化流程设计 为了实现“1秒出Prompt”的理想体验，我们设计了以下自动化工作流 自动化这件事，总得有人先干，我们干了。
33600编辑于 2025-07-11- 来自专栏AI科技评论
干货 | 进化策略入门：最优化问题的另一种视角
如你所见，这个函数有许多的局部最优点。我们要做的就是找到一系列的模型参数 (x, y)，从而使 F(x, y) 尽可能地接近全局最大值。 ? 尽管人们对于进化策略的定义版本不一。 在适应结果被评估之后，我们将 μ 设置为这一次迭代中在种群中最优解，并且在这个新的均值周围进行抽样得到下一代的解决方案。下图为这个简单的进化策略在之前提到的两个问题中进行20次迭代之后的表现： ? 由于这个算法本身是一个贪婪算法，它会抛弃当前的最优解之外的所有解。因此，在更加复杂的问题中，这个算法可能更易于陷入局部最优点。 由于 CMA-ES 算法可以利用最优解的信息调整其均值和协方差矩阵，它可以在还距离最优解很远时对较大的空间进行搜索，在距离最优解较近时对较小的搜索空间进行探索。 notebook ( https://github.com/hardmaru/estool/blob/master/simple_es_example.ipynb ) 中，展示了在 es.py 中使用进化策略去解决解决具有更多局部最优的一百维
2.5K50发布于 2018-03-07 - 来自专栏新智元
LLM与进化算法结合，创造超强提示优化器
新智元报道 编辑：润 Lumina 【新智元导读】提示工程可以自动化了？EvoPrompt的出现解决了大型语言模型性能依赖高质量提示的挑战，同时展示了LLM在传统算法中的潜在价值。 将进化算法融入到提示词工程中，利用LLM来模仿进化算法中的进化算子来生成新的提示词，将性能更好的提示词保留下来不断迭代，这个自动化生成提示词的方式也许在未来会成为提示词工程中最重要的方法。 研究人员借鉴进化算法的思想，提出了一种离散提示词（Discrete Prompt）调优框架——EvoPrompt。 DE的一个变体在变异过程中使用当前最优向量，其中通过将差分向量的规模加到当前最优向量上来生成一个变异向量。基于这一思想，研究人员也利用当前最优的提示。 选择Prompt 3在 EvoPrompt（DE） 算法中是应用DE算法的一种变体，在当前种群中选择最佳Prompt作为图2中的Prompt 3。
1.5K11编辑于 2023-10-04 - 来自专栏#大模型热点基础知识
什么是自动Prompt优化？为什么需要算法来寻找最佳提示词？
遗传算法：通过"进化"过程优化Prompt强化学习：将Prompt优化建模为序列决策问题连续Prompt优化：Prompttuning：优化可学习的连续向量表示Prefixtuning：在输入前添加可训练的前缀向量 ：根据用户交互数据优化Prompt自动反馈：自洽性检查：验证AI输出的一致性事实核查：验证输出的准确性多样性评估：确保输出的丰富性四、自动Prompt优化的优缺点优势劣势效率提升：自动化搜索过程，从小时 随着大语言模型在各行各业的深入应用，手工调优Prompt已经无法满足规模化、标准化的需求。自动优化不仅提高了效率和性能，更重要的是建立了可重复、可验证的工程实践。然而，完全的自动化并不是目标。 思考：真正的智能不仅在于如何找到最优解，更在于理解何时需要寻找最优解，以及最优解背后的价值取向。Prompt优化的终极目标不是让机器变得完美，而是让人机协作变得更加自然和高效。 在这个过程中，我们需要平衡自动化效率与人类价值观，让技术真正服务于人的需求，而不是反过来被技术所束缚。
18710编辑于 2026-03-20 - 来自专栏一个程序猿的异常
Prompt不会写？引入YiVal，自动化提示工程的未来
Prompt不会写？引入YiVal，自动化提示工程的未来 在我们日益依赖于智能技术的时代，自动化已成为推动生产力和效率的关键力量。 今天，我想介绍一款名为YiVal的革命性工具，它旨在通过自动化流程，提升GenAI应用的提示工程。 img YiVal的优势 时间节省：自动化提示生成和调整可以显著减少开发时间。 成本效益：减少手动工作，降低开发和运营成本。 性能提升：通过优化提示和配置，提高GenAI应用的准确性和响应速度。 yival 安装完成以后可以参考官方示例生成测试数据看下效果 description: Generate test data dataset: data_generators: openai_prompt_data_generator 自动化提示工程不再是未来的梦想，而是当下的现实。投入到YiVal中，让你的GenAI应用在竞争激烈的市场中脱颖而出。
47110编辑于 2023-12-04 这也许是AI时代，自动化测试的最优解了
自动化测试也迎来了快速迭代！ 以前小编总安利那套“Selenium+Pytest+Allure+Jenkins”经典组合，但隐隐感觉有点落伍了。 毕竟在我们部门搞了这么久的自动化，真正在用的也就我和另一个同事，其他测试小伙伴依然坚持手工作战… 就在这时，突然想起一个很早就知道但一直没深入研究和使用的工具——Playwright。 是时候向小伙伴们推荐这个“半自动化神器”了！ 再也不用担心某天醒来脚本全挂，排查后发现原来是浏览器升级的痛苦了（简直是自动化测试人员福音啊⭐️） 安装 1、安装 Playwright pip install playwright 小编已经安装过了， Playwright最大的魅力就是快和简单，特别适合快速上手自动化测试的小伙伴～
16010编辑于 2026-04-14- 来自专栏网络安全观
安全编排、自动化及响应(SOAR)平台的进化
企业战略集团(ESG)首席分析师 Jon Oltsik 最近的两篇文章：《安全运营、自动化和编排的进化》、《以分析师为中心的安全运营技术的兴起》，点出了SOAR平台的大幅成长。 SOAR当前进化中的一部分，正是其所提供功能的日趋成熟。伴随着越来越复杂的自动化策略和与其他安全工具的井喷式集成，自动化和编排功能已成长成熟，扩展了分析师使用SOAR过滤大量噪音找出真正威胁的能力。 无需更多经验 SOAR平台的进化，减轻了对用户经验的需求。供应商以预构建策略、导向性调查工作流和自动化警报分级的形式，在产品中内置了安全专业知识。 自动化与编排功能还进化到了无需用户懂得该自动化哪些东西，就能与现有安全框架融合的程度。SOAR平台仍会在重大动作上征询分析师的批准，但分析师已不再需要是自动化和编排方面的专家。 自动化和编排已经进化成了不可或缺的工具，而很快，他们还将在很多平台上得到来自机器学习、人工智能和其他新兴技术的补充。
1.1K10发布于 2021-02-26 - 来自专栏机器之心
Prompt Engineering全面自动化：LeCun看了沉默，ChatGPT看了直呼内行
机器之心发布 机器之心编辑部 在计算机领域，提示词 (Prompt) 指的是算法输出之前的那段前置左向字符串。 ChatGPT 创始人 Sam Altman 认为提示词工程（Prompt Engineering）是用自然语言编程的黑科技，绝对是一个高回报的技能。 所以，提示词工程的存在并没有错，而且提示词工程本身也可以被自动化。” 这位网友同时还给出了一个产品： 「最美提示词」(PromptPerfect.jina.ai)。 这样就实现了从 “garbage-(prompt)-in-garbage-(content)-out” 到 “好输入 - 好输出” 的良性循环。 API 想要大批量优化提示词，或是直接在现有系统中集成，那么 可以直接调用「最美提示词」的 API ，这样可以更快地生成批量的优质提示词 ，不管你需要多少个提示词，「最美提示词」都能为你快速完成，提供最优质的服务
77010编辑于 2023-03-29 - 来自专栏AI Agent / 编码工具
从说对话到建系统：Prompt、Context、Harness 工程的三次进化与终局之战
这，引出了第二次进化。 这，是 Prompt Engineering 和 Context Engineering 的共同盲区。填补这个盲区的，是第三次进化。 ② 搭架子（Harnessing）： 为 Agent 构建可靠的运行支架：制定规则、提供可信的上下文来源、设计自动化验证和反馈回路。这是 Harness Engineering 的核心技能。 随着模型进化，今天的最优提示明天可能不再必要。第二步：系统学习 Context Engineering这是当下最具差异化的技能之一。 你需要掌握：RAG 系统的设计与调优： 如何分块、如何选择 Embedding 模型、如何优化检索精度上下文窗口管理： 如何在有限 Token 中做最优的信息选择记忆系统设计： 短期/长期记忆的分层管理
603162编辑于 2026-05-09 - 来自专栏机器之心
ICML 2025 Oral | NAS老树开新花，NUS提出智能体超网，成本狂降55%
但一个核心痛点始终存在：这些系统的设计往往依赖于繁琐的人工配置和 Prompt 工程。 为了解决这个问题，研究界转向自动化设计，比如通过强化学习、进化算法、蒙特卡洛树搜索等方式寻找最优的 Agent 工作流。 然而，这又带来了新的困境： 1. 算子 (O) 本身的进化 - Textual Gradient (文本梯度)： 这是最 “魔法” 的地方！如何优化一个 Prompt 或者一段 Python 代码？ 它不再追求一个静态的最优解，而是转向优化一个动态生成的架构分布，为不同任务提供量身定制的、最高性价比的解决方案。这项工作无疑为构建更高效、更经济、更智能的全自动化 AI 系统铺平了道路。 让我们共同期待一个完全自动化、自组织、自进化的集体智能时代的到来！ © THE END 转载请联系本公众号获得授权
41310编辑于 2025-06-23 - 来自专栏不二小段
YC 揭秘顶尖 AI 智能体 Prompt 工程：不再是「黑箱」，而是可进化的「代码」与「员工」
ParaHelp 实战：六页 Prompt 只为客服智能体更「懂」你 要理解当前最先进的 Prompt 工程，不妨从一个具体的例子入手。 推理逻辑 (Reasoning)：最优秀的 Prompt 会阐述如何思考和推理任务。 XML 标签格式：在 Prompt 中使用类似 XML 的标签来指定计划和步骤。 他还指出，实际应用中，Prompt 会分为不同层次： 系统 Prompt (System Prompt)：定义公司运营的高级 API，如 ParaHelp 展示的这个通用框架。 元提示 (Metaprompting)：让 Prompt 自我进化 一个令人兴奋的趋势是「元提示」(Metaprompting)。Garry 将其比作 1995 年的编程，工具尚不完善，但潜力巨大。 元提示的核心思想是让 Prompt 动态地生成自身更好的版本。 Prompt 折叠 (Prompt Folding)：一个分类器 Prompt 可以根据前一个查询动态生成一个更专业的 Prompt。
21210编辑于 2026-04-09 - 来自专栏商业智能方案
报表自动化是最优选择！
常规的数据可视化方式我们可以选择直接读取数据库，通过绘图软件/库进行绘制，最终构成自建的前端显示效果，比如使用 Apache ECharts (incubating) 等工具。
1.2K20发布于 2020-11-11 - 来自专栏一臻AI
Prompt、Agent与MCP的进化三部曲
短短两年时间，AI已经从简单的问答机器人进化成了能够理解上下文、执行复杂任务的智能助手。这背后的秘密，就藏在Prompt、Agent和MCP这三个看似独立却又紧密相连的概念里。 系统提示词（System Prompt）的出现彻底改变了这个局面。它直接给AI植入了一个"性格芯片"，让AI在不同场景下自动切换合适的角色和语气。 三者合一：AI助手的完整进化 当我们把Prompt、Agent和MCP放在一起看，就会发现它们构成了现代AI助手的完整架构：Prompt负责"思考"（理解和生成），Agent负责"行动"（执行和操作）， 这种进化过程就像人类从婴儿成长为成年人：先学会说话（Prompt），再学会做事（Agent），最后学会与他人协作（MCP）。 每个阶段都是前一个阶段的自然延伸，同时也为下一个阶段奠定基础。 Prompt让AI有了个性，Agent让AI有了能力，MCP让AI有了协作精神。这三者的融合，正在催生一个全新的AI生态系统。
40110编辑于 2025-09-04 - 来自专栏机器之心
刚刚，DeepMind通用科学智能体AlphaEvolve突破数学极限，陶哲轩合作参与
核心机制：LLM 的创造力与自动化评估的结合 那么，AlphaEvolve 是如何实现这种强大的代码演化能力的呢？ 其核心在于将大型语言模型的创造力与自动化评估的客观反馈巧妙地融入到一个进化框架中。 1、提示语采样（Prompt Sampling） 由于 AlphaEvolve 依托于当前最先进的 LLM，它支持多种形式的自定义操作，并能在其主进化提示语（primary evolution prompt 该数据库的首要目标是最优地在未来代际中重新利用先前探索过的想法。 设计此类数据库的一个关键挑战在于平衡探索（exploration）与利用（exploitation）：即在持续改进当前最优方案的同时，保持方案的多样性以鼓励探索整个搜索空间。
89010编辑于 2025-05-17 - 来自专栏AI+运维：智能化运维的未来
智能调度：自动化运维的最强大脑进化论
智能调度：自动化运维的"最强大脑"进化论（本文共1320字，阅读约需4分钟） 凌晨3点的机房警报突然响起，200台服务器同时亮起红灯——这不是灾难片场景，而是某电商平台去年双11的真实遭遇。 二、智能调度三剑客：预测、决策、进化1. action) next_state = get_new_state() update_q(state, action, reward, next_state) 这套算法就像会自我进化的围棋 AI，在无数次"资源博弈"中学习最优策略。 ，经过500代"自然选择"筛选出最优节点布局。
42110编辑于 2025-02-18 智能体来了：从 0 到 1 搭建高效 AI Agent 工作流全指南
本文将深度解析如何从底层架构到生产环境，从0到1搭建一个具备自我进化能力的智能体工作流。本文旨在为开发者提供一份高权重的技术参考指南。 “能修Bug”，从“能搜信息”进化到了“能出研报”。 据业界调研显示，采用AgenticWorkflow的企业，其自动化任务的准确率比单纯依赖复杂Prompt的方案平均高出65%以上。 典型的结构包括Boss-Worker模式（一个规划者带多个执行者）或专家辩论模式（通过对立观点碰撞得出最优解）。三、深度对比：为什么2026年必须拥抱工作流？ ，难以调试模块化设计，每个节点逻辑独立四、技术实战：搭建一个“自动化深度行业研报智能体”1.架构设计逻辑我们要实现的目标是：用户输入关键词->自动拆解调研维度->检索公网与私有数据->向量化存储（RAG
1.7K10编辑于 2026-01-31- 来自专栏前端达人
GPT-5重磅发布：前端与AI工程师必读深度解析
一、统一智能系统：彻底重构AI模型调用逻辑 在漫长的AI模型混用时代，开发者常纠结于“选哪个API最优”。GPT-5用一体化路径规划让这个过程彻底自动化。 核心升级点： 一条Prompt可直接生成完整响应式页面、前端组件库甚至互动工具，输出不再只是代码片段，而是高度工程化的产物。 原理揭秘： 新版模型在Prompt解析与会话LRU内存管理方面升级，实现多轮任务自动跟踪，保证“多步请求—状态共享—目标执行”的闭环。 前端实践： 对于金融、医疗、法律等风控场景，前端设计无需繁琐判断逻辑，由GPT-5后端自动安全把关，提升合规性和自动化能力。 高强度集成，适合企业级、多人协作开发的大型前端项目 API开发者：按tokens灵活计价，支持最大400K输入上下文和128K输出 —— 全面覆盖复杂前端项目落地需求 结语 GPT-5的统一智能路由、代码产能进化
37010编辑于 2025-08-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号