近期，微软研究院也推出了一款能够自我迭代Prompt的项目——PromptWizard，在此之前我们介绍过几款APE领域的框架，比如Dspy，Ape等。如：
Weavel Ape超过DSPy，或将成为最好用的提示（prompt）优化工具
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
PromptWizard 的优化思路与它们类似，都是通过收集反馈样本，进而自动优化Prompt，然而不同的是，PromptWizard具有独特的"反馈驱动"机制，它能够让 AI 模型在感知不同的任务的情况下，自主生成、评估和改进Prompt，这样可以大大提升模型在不同任务中的性能，也正是如此他们称自己的框架为“Task-Aware Prompt Optimization Framework”。在时间和空间维度上都能保证性能，是策略优化的挑战。毕竟，人工撰写的提示词很难针对不同任务精心雕琢，也不可能随着时间不断迭代。这和AI 1.0时代，推荐、风控模型的发展的逻辑是一样的。显然，PromptWizard恰好同时满足。
我们来具体看看它的"自进化"机制，分为三步：
第一步，反馈驱动的迭代优化：AI 模型能够持续生成并评估不同版本的提示词，不断完善指令和示例。
第二步，联合优化指令和样例：通过合成多样且任务相关的样例，同时优化指令和上下文示例。
第三步，自生成推理步骤：引入自主生成的思考链（Chain of Thought），增强问题解决能力。
更牛的是，PromptWizard 仅需极少量训练数据（5个示例）就能取得出色性能。在多个数据集上，它的平均准确率达到 81.9%，最高可达 95.4%。
更重要的是，传统的自动优化方案，都会带来大量的模型调用，从而产生巨额成本，但它却表现惊艳，API 调用仅需 69 次，远低于其他方案的数千次调用，token 数量不到其他方案的 5%。
这项技术不仅简化了提示词优化流程，还为大模型的自适应学习开辟了新途径。无论是解数学题、生成创意内容，还是处理专业文档，PromptWizard 都能够自适应。
随着这类自我迭代的框架不断发展，Prompt工程范式将会发生变革。Prompt工程师的发展趋势，显著与当年的策略专家趋同，随着精细化和实时性的要求，这类具体的Prompt的优化将会被机器所替代，提示工程师也将从具体的Prompt撰写向应用场景开发和架构设计转变。
