随着LLM应用的越来越多，工程师们面临的一大挑战是如何精准地设计出最优的prompt。这个过程往往需要通过不断的尝试和迭代来完成。加之大型模型的输出具有概率性，每次的输出结果都可能有所差异，这进一步增加了调试提示的难度。为了优化一段提示，工程师们可能需要投入数小时甚至更长的时间。因此，掌握如何撰写有效的提示以及如何对提示进行优化，已成为当前迫切且日益增长的需求。
之前，笔者也介绍过一些这一领域的工具，比如：PromptPerfect，DSPy等，可查看阅读：Langchain创始人新项目Auto-Prompt Builder一键优化你的Prompt，再也不担心写不好Prompt了DSPy（声明式自改进语言程序），面向大模型编程的新方法，克服当前LLM应用开发的诸多缺点
今天，介绍一款当前这一领域最强工具——Ape，它是由YC资助的创业公司Weavel开发的一款prompt优化工具，它在GSM 8 K基准测试中得分高达93%，超过BaseLLM的70%及DSPy的86%。
同时，它也可以自动生成评估代码，并使用LLM作为判断，或者自己设置评估指标。
Ape的核心理念非常简单：
好的输入 + 正确的引导 = 更好的提示。
APE的设计实现受到DSPy的影响，采用数据+迭代的方式进行prompt自我优化，得益于平台产品化的设计，整体使用门槛大大降低，易于上手。
它具备以下能力：
通过分析prompt和数据集生成评估代码
运行批量测试来评估prompt
从之前的测试中提取反馈和洞察
通过使用贝叶斯优化等统计方法找到最佳prompt
在改进prompt时考虑Human-in-loop的反馈
它的工作原理如下：
记录输入输出：仅需一行代码，即可开始记录LLM的调用。
数据集过滤：Ape将日志过滤成数据集。
生成评估代码：Ape使用LLM作为复杂任务的评估者。
持续优化：随着更多生产数据的加入，Ape会持续优化提升prompt性能。
虽然，APE内核已经被开源到github（https://github.com/weavel-ai/Ape），但目前缺乏使用帮助，集成使用可能还需要再等一段时间。当前可以在Weavel产品上体验APE，过程比较简单：
通过创建prompt，添加数据，开启优化三步就能完成prompt优化，训练数据除了上传外，也可以通过接口采集，同时APE提供了prompt版本化以及评估的功能，包含大量的评估方法，如下图。
APE相较于其他工具在能力层面已达到prompt工具的高级水平（prompt的工具分级金字塔详见：一文探秘LLM应用开发(23)-Prompt(相关工具)），这样很容易形成这样的迭代机制，进而保证prompt一直能够不劣化，这和小模型每日更新避免模型性能衰退逻辑十分相似。
数据+迭代的模式已经被验证是行之有效的prompt优化方法，以此思路启发，进一步构建一个“数据+迭代”的自学习LLM应用将是一个新的热点命题。
粤ICP备14082021号
免费POC，
零成本试错
