专门优化提示词的智能体或者提示词

1.OpenAI官方的六项最佳实践最初，我们主要依赖OpenAI官方给出的指导，包括写清晰具体的指令、给模型时间思考、使用分隔符等基本技巧——这些实践为我们使用大模型开了个好头。1.提示词框架随后，各种提示词框架开始出现，如CRISPE（Capacity and Role,Insight,Statement,Personality,Experiment）和BROKE（Background,Role,Objectives,Key Results,Evolve）等。我们是这用这些框架为提示词编写提供一个系统化的方法。1.明确任务目标清晰地定义我们希望大模型完成的任务是至关重要的。这个阶段强调了任务描述的精确性和完整性。1.角色扮演方法探索让大模型扮演特定角色来完成任务的方法。这种方法能够让模型更好地理解上下文并生成更相关的回答。1.结构化提示词使用基于Markdown语法和角色法框架的结构化提示词。这种方法提高了提示词的可读性和组织性，使复杂任务的分解变得更加直观。1.提示词测试和迭代随着实践的深入，开发了一些提示词测试和迭代的方法。这个过程帮助我们不断优化提示词，提高其效果。1.提示词封装为智能体将提示词封装为智能体，这使得复杂任务的处理变得更加模块化和可复用。

PromptAgent的核心观点是将提示词优化视为一个策略性规划问题，并采用一种基于蒙特卡洛树搜索的原则性规划算法，策略性地导航专家级提示词空间。受到人类试错探索的启发，PromptAgent通过反思模型的错误并生成有建设性的错误反馈，诱导出精确的专家级见解和深入的指令。这种新颖的框架允许智能体迭代地检查中间提示词（状态），基于错误反馈（行为）对其进行细化，模拟未来的回报，并寻找通往专家提示词的高回报路径。我们将PromptAgent应用于跨越三个实际领域的12个任务：BIG-Bench Hard(BBH)、特定领域的NLP任务以及通用的NLP任务，结果显示它显著地超越了强大的Chain-of-Thought以及最近的提示词优化基线。深入的分析强调了其制定专家级、详细和富有领域洞察力的提示词的高效性和普适性。

掌握了上述技巧后，我开始思考：“还有没有把大模型用得更"灵性"的提升空间？”我尝试做了以下几点：1.任务拆解：尝试将复杂任务的提示词拆解成若干步骤的智能体，每个智能体负责特定的子任务：1.工作流构建：通过组合多个提示词或AI工具，可以搭建出高频重复工作的工作流，以处理更加简单但经常需要完成的任务：1.创作场景的灵活应用：在创作过程（写作、深度思考问题）场景中，使用简单提示词和连续追问的方式来调整大模型的回答，使输出更符合我们的需求：1.深度思考辅助：最重要的是，我们开始将大模型用于辅助"深度思考"，而不仅仅是"按我们的意思输出"。"按我们的意思输出"意味着你让大模型生成的内容的上限就是你认知的上限。而辅助"深度思考"，是使用大模型来提高自身的上限。这也从一个侧面反应了我们对大模型的姿态：我们渐渐从居高临下的指挥，变为伙伴式的协作和相互学习。