自大模型（Large Language Model，LLM）诞生以来，Prompt工程，即通过不断调整给予大模型的指令以优化大模型生成结果，开始成为模型调参以外的又一大“炼丹”事业。“Prompt工程师”这一功能角色也应运而生。
然而，正如充满玄学与不确定性色彩的“炼丹”，哪怕最熟练的“Prompt工程师”也很难保证调试出最优的Prompt，而这就限制了大模型实际落地的效果。为了解决这个痛点，来自北大的团队提出了一套“即插即用”的Prompt自动增强系统，即使对比当前的Sota方案也实现了超过6个百分点的效果提升，可以说在充分挖掘大模型潜力的同时，也真正实现了“全自动化”效果，非常之炫酷。
论文标题:
PAS: Data-Efficient Plug-and-Play Prompt Augmentation System
论文链接:
https://arxiv.org/pdf/2407.06027.pdf
相关背景
作为提升LLMs性能的关键技术之一，自动提示工程（Automatic Prompt Engineering，APE）的目标是通过自动化的方式增强提示（prompts），以改善LLMs在特定任务的性能，并减少人工干预和时间成本。
然而，现有包括链式思考（Chain of Thought）和思维树（Tree of Thought）等策略在内，通过引导模型逐步推理问题的技术，尽管在一定程度上提高了逻辑一致性和准确性，但它们缺乏可扩展性。此外，近期其他一些APE研究，包括从优化器视角自动寻找提示的方法，以及将进化算法引入到特定领域的离散提示优化中，虽然表现出了一定潜力，但在实际应用中面临显著挑战，如评估每个提示的适应度需要大量资源，而探索多组提示的适应度更是会带来巨大负担。
此外，即插即用系统（Plug-and-Play Systems）因其在不同机器学习工作流程中的模块化和易集成性而受到重视，这些系统允许快速灵活地增强功能，轻松添加或替换新的处理模块，而无需重新设计整个算法。由于它们能够无缝增强现有AI系统的功能，随着LLM技术的快速发展，对即插即用系统的需求也在不断增长。本文提出的PAS方法，正是基于即插即用系统所实现的，通过简单地增强输入提示，并充分了利用底座LLM的优势，不仅成本效益高，而且使得计算资源的利用更加优化。
PAS
数据收集
本文从LMSYS-1M数据集和WildChat数据集中选择高质量的Prompt，数据选择过程包括三个主要步骤：
首先，使用SimCSE模型通过嵌入对Prompt进行去重，然后应用HNSW聚类算法对这些嵌入进行分组，并从每个聚类中提取少量数据以减少冗余。 随后，进行质量筛选，使用BaiChuan 13b模型对数据进行评分，从而筛选出低质量的样本，提高整体数据质量。 最后，利用BaiChuan内部标记的6万个分类数据对BaiChuan 13b模型进行微调，然后使用该分类模型将Prompt归类为常用的类别，如问答（Q&A）和编码。这一系列步骤确保了数据的多样性、质量和准确分类。
在自动补充Prompt数据生成阶段，本文设计了一个基于少样本学习（FewShot Learning）的自动化数据生成Pipeline。该算法主要包括两个阶段：
首先，在“数据生成”阶段，研究者们利用一组精选的golden数据对上述每个类别中的Prompt进行少样本学习（FewShot Learning），以生成相应的补充Prompt。这些golden数据包含了每个类别的少量示例，它们作为生成高质量（Prompt，补充Prompt）对的基础。生成的“Prompt-补充Prompt”对随后被添加到生成的数据集中。
为确保数据集的质量，在“数据选择和再生”阶段，每个生成的“Prompt-补充Prompt”对都会经过评估，以确定其正确性。如果评估结果不正确，该对会被移除，并重新进入“数据生成”阶段，利用少样本学习重新生成答案，直至生成正确答案。这一过程不断迭代，直到所有的“Prompt-补充Prompt”对都达到预期的质量标准。
通过这一自动化的数据生成和严格的选择再生流程，最终生成的数据集包含了大约9000个高质量的（Prompt，补充Prompt）对，这些数据被分为14个类别，每个类别包含大约500个数据，覆盖了绝大多数常见的Prompt类别。
即插即用系统PAS
前述的数据生成Pipeline创建的高质量（Prompt，补充Prompt）数据对被用于微调选定的LLMs，以赋予它们自动生成补充Prompt的能力，从而得到PAS模型。当得到补充Prompt后，将其与原始Prompt进行拼接，输入到下一个LLMs当中，生成最终的答案。
作为一个自动的提示补充工具，PAS可以集成到任何可用的LLMs中，通过公共API或开放参数进行集成。这种灵活性使得PAS能够在不同的平台和系统中广泛应用，增强现有LLMs的能力，而无需进行广泛的重新训练或修改。
实验
实验设置
为了全面评估PAS模型的性能，本文选择了几个较小的模型来高效地训练PAS模型，包括Qwen2-7b-Chat和LLaMA2-7b-instruct。这些经过训练的PAS模型随后被用于一些大型的、最先进的模型上，例如GPT-4-turbo-2024-04-09、GPT-41106-preview、GPT-4-0613、GPT-3.5-turbo-1106、Qwen2-72BChat和LLaMA-3-70b-instruct。从而展示PAS模型在不同规模的LLMs上的适用性和效果提升。
同时，本文将PAS模型的性能与不使用APE模型的基线模型进行了对比，并且与之前最先进的自动Prompt工程（APE）方法BPO进行了比较，以此来展示PAS的有效性。
评估PAS模型有效性的三个综合基准测试包括：
Arena-hard：测试语言模型处理复杂和具有挑战性场景的鲁棒性。 Alpaca-Eval 2.0：评估语言模型在广泛标准任务中的一般性能。 Alpaca-Eval 2.0 (LC)：专注于语言理解的变体，测试模型准确理解和解释复杂语言输入的能力。
主实验
首先，本文选择Qwen2-7B-Chat作为基础模型，训练了一个PAS模型，并将其与未使用APE模型的基线模型以及之前的最先进APE模型BPO进行了比较。实验结果显示，PAS在所有指标上都显著优于基线模型，平均提高了8个百分点，证明了使用补充Prompt的优势。例如，在GPT-4-0613模型上，PAS将平均分数提高了11.46个百分点。此外，即使对比强有力的Sota模型BPO，PAS也实现了平均6.09个百分点的提升，表明了PAS在提升基于Prompt的学习系统方面的有效性和鲁棒性。
接下来，本文固定基础模型为与BPO相同的LLaMA-2-7b-instruct，并利用生成的补充Prompt数据对其进行了微调。结果表明，PAS在性能指标上相比BPO有显著提高，平均超过BPO达3.41个百分点，特别在GPT-4-0613模型上，平均分数提高了5.89个百分点。即使在改进较小的模型上，如Llama3-70b-instruct，PAS仍然优于BPO，显示了其在不同评估模型和设置中的一致性和鲁棒性。
效率和灵活性
本文还将PAS与其他几种最先进模型的数据使用和灵活性进行了比较。在数据使用方面，PAS显著减少了与其他方法相比的数据消耗，仅使用了9000数据，而BPO使用了14000，PPO使用了77000，DPO使用了170000。
此外PAS的效率是BPO的1.56倍，PPO的8.56倍，DPO的18.89倍。在灵活性方面，PAS展示了其作为即插即用系统的优势，无需人工劳动，且适用于所有LLMs和任务。
人工评估
为进一步确保实验严谨，本文还进行了人工评估，比较了PAS与没有任何Prompt增强的基线模型在综合评估指标上的性能，包括等级分数基准（Grade Score Benchmark, GSB）、可用性比例（Availability Proportion）、满分比例（Full Mark Proportion）和平均分数（Average Score）。这些指标能够全面地衡量模型在不同类别下的表现，如分析判断、主观建议、主观推荐、常识、事件查询、实体查询、行业知识和学术知识等。
评估结果显示，PAS系统在多个场景中均优于基线模型。具体来说，PAS在分析判断类别中实现了58.6%的胜率，在主观建议中实现了64.3%的胜率，在常识类别中实现了61.1%的胜率。这些数据表明，PAS系统在增强LLMs性能方面具有明显的优势，尤其是在提供准确、相关和全面回答方面。
进一步地，通过对比PAS和非PAS方法在不同评估基准上的表现，研究者们发现PAS在所有三个评估指标上均实现了显著提升。具体来说，PAS在满分比例上平均提升了11.43%，在平均分数上提升了0.41分，在可用性比例上提升了5.55%。这些提升证明了PAS系统不仅在自动化的评估基准上表现强劲，而且在人类评估者中也得到了积极反馈，展示了其用户友好的特性。
结论与展望
随着LLM的落地和实践经验日渐丰富，“应该怎么写Prompt”也逐渐发展出一套方法论，但实操过的朋友们或许都有感受，哪怕“理想再美好”，LLM实际上吐出的结果往往和我们的预期还是有一些“小差距”的，而不断去调试和优化Prompt以弥补这些“小差距”无疑是一件费时费力的事。
本文提出的PAS系统就旨在解决这一痛点，通过自动化的Prompt补充，显著提高了LLMs的性能，与之前最先进的模型BPO相比实现了超过6个百分点的提升。而PAS这一成果的取得也仅仅只使用了BPO 不到65%的微调数据量，进一步展示了PAS在数据效率上的优势，为APE的研究和拓展提供了一个强有力的指导方向。
