随着大型语言模型（如GPT-4和Mixtral 8x7B）的发展，现在可以处理更长、更复杂的输入，这使得使用更精细的提示成为可能。然而，为了提高部署性能，这些提示通常需要进行一些调整。尽管最近有研究提出了自动提示优化方法，但随着提示的复杂性和LLM的强大程度增加，许多现有的提示优化技术已经不再适用。因此，需要一种新的方法来优化元提示程序（meta prompt programs）。
一个针对评论分类任务的简单元提示。SAMMO将元提示表示为一个动态函数图，其中每个节点根据其子节点的结果、输入数据X以及节点特定的参数θ计算出一个新值。在这里，使用输入数据X的节点用浅灰色标记。
SAMMO框架通过以下几个关键特性来实现高效的提示优化：
结构感知：SAMMO能够识别和操作提示的内部结构，将其视为由多个组件构成的程序。这种方法使得SAMMO可以对提示的不同部分进行细粒度的调整。
多目标优化：SAMMO不仅关注单一的性能指标，如准确性，还能够同时考虑多个优化目标，例如减少提示的长度、提高响应速度或降低计算成本。
丰富的变异操作：SAMMO提供了一系列变异操作符，这些操作符可以对提示的结构和内容进行各种修改，如改写文本、调整格式、增减示例等。
灵活的搜索算法：根据所使用的变异操作符的不同，SAMMO可以采用不同的搜索策略，例如穷举搜索（如网格搜索）和迭代搜索（如束搜索、随机搜索等）。
编译时优化：SAMMO专注于在提示部署之前的编译时阶段进行优化，这意味着通过一次性的优化过程，可以生成适用于多次调用的高效提示。
黑盒优化：SAMMO设计为在黑盒设置中工作，其中用户只能从LLMs的输出中采样，这反映了当前API能力的常见情况。
指令微调评测：SAMMO始终优于所有其他指令调整方法，Llama-2-70B观察到相对性能提升最大（大约2倍），Mixtral 7x8B提升适中，而GPT-3.5的提升最小（与基线指令相比约为10%）。
RAG优化评测：SAMMO在仅有24个候选评估的情况下，有效地提高了所有语义解析数据集和后端大型语言模型（LLMs）的基线提示准确性。Llama-2的平均提升率为133%，Mixtral为44%。然而，即使是GPT-4也能从SAMMO探索的变化中受益，平均相对提升率为30%。
SAMMO能够在保持高准确性的同时实现高压缩率。而GPT-4的重写导致简短的提示，在测试集上的表现不佳。
Prompts As Programs: A Structure-Aware Approach to Efficient Compile-Time Prompt Optimizationhttps://arxiv.org/pdf/2404.02319.pdfhttps://github.com/microsoft/sammo.
