自动提示优化（DSPy）

自动提示优化（Automatic Prompt Optimization，APO）指的是用程序化方法替代人工反复打磨提示词。以 DSPy 为代表的框架把提示词、示例与流程都当作可搜索的参数：开发者用声明式方式写出任务模块与调用流程，再提供少量输入输出样例和一个评分函数（度量函数），由优化器自动生成候选提示、评估表现并挑选更好的一版。它之所以重要，是因为提示迭代从此有了可复现、可比较的路径，换模型时也不必把调参经验全部推倒重来。

与手工调提示的区别

手工调提示依赖个人经验，改动往往凭感觉，难以说明哪一处改动带来了多少提升，换一个模型后效果还可能整体失效。自动优化把评测指标放在中心位置，提示只是被搜索的对象之一，因此结果更稳定，也更容易迁移到新模型。它并不否定人的作用：任务如何拆解、样例怎么选、指标怎么定，仍然需要人来判断，机器负责的是在既定目标下把搜索做穷尽。

关键要素

• 样例集：少量高质量标注数据同时承担优化与验证两个角色，规模不必大但必须贴近真实输入分布
• 度量函数：能自动给输出打分的规则或模型评审，它是整个优化循环的指南针，定错方向再好的优化器也白费
• 模块拆分：把复杂任务分解成可单独优化的步骤，既便于分别调优，也便于定位是哪一步拖了后腿
• 候选搜索：按策略生成并筛选提示与示例的组合，在探索新写法与利用已有好写法之间取得平衡

适用场景与代价

流程清晰、指标可自动计算的任务收益最明显，例如文本分类、信息抽取与固定格式生成；这些任务的正确性容易判定，优化器有明确的方向可循。代价在于前期要搭建评测集与样例，投入不小，属于典型的一次性成本换长期收益，因此并不适合一次性的临时需求。还要注意指标设计一旦偏离真实目标，自动优化会稳定地朝错误方向收敛，把偏差放大成系统性缺陷。

实践要点

• 先定指标再谈优化：确认评分方式能反映业务真正在意的质量，而不是只反映表面相似度
• 小步验证：先在一个模块上跑通优化闭环，确认指标与人判断一致，再扩展到整条流程
• 留出验证集：优化用的样例与验证用的样例必须分开，否则分数会虚高
• 管住成本：候选评估意味着大量模型调用，需要设置搜索预算与停止条件