---
title: "自動提示工程（Automatic Prompt Engineer）"
slug: automatic-prompt-engineer
language: zh-TW
source: https://aiterms.tw/terms/automatic-prompt-engineer
updated_at: 2026-11-16
tags: [Prompt工程, 大型語言模型, AI基礎, APE, Automatic Prompt Engineering, 自動提示詞工程, 自動提示工程師, 提示最佳化]
ipas_term: false
---

# 自動提示工程（Automatic Prompt Engineer）

> **提示詞一定要靠人慢慢試出來嗎？能不能讓模型自己找？**
>
> 自動提示工程（APE）就是讓大型語言模型自己提出很多條候選指令，再實際拿去測試、依表現打分數，留下最好的那一條。
>
> 它出自 2022 年的論文《Large Language Models Are Human-Level Prompt Engineers》，論文報告在大部分測試任務上，APE 找到的指令表現和人寫的相當或更好。

### 容易混淆

> **自動提示工程 vs 提示工程**
>
> 提示工程是人根據經驗設計、修改提示詞
> 自動提示工程讓模型產生候選指令，再用資料上的分數挑選
> 最關鍵的區別是由誰提出與篩選指令，APE 把試錯的過程自動化。
>
> **自動提示工程 vs 提示微調**
>
> 提示微調（Prompt Tuning）用反向傳播訓練一段接在輸入前面的連續向量（軟提示），它不是文字、無法直接閱讀，模型本身的參數凍結
> 自動提示工程挑選的是人看得懂的自然語言指令，不用反向傳播，也不改模型參數，只要能呼叫模型就能用
> 最關鍵的區別是一個訓練連續的向量，一個挑選文字指令。
>

### 記住這句就好

> 讓模型自己寫一堆提示詞，拿去實際作答，留下表現最好的那一條。

### 實際案例

> **分類任務的指令（示意情境）**
> 想讓模型判斷客服留言屬於哪一類，先準備幾十筆標好類別的留言，請模型看範例後提出多種寫法的指令，再讓模型照每條指令實際分類，答對率最高的指令就拿來正式使用。
>
> **思維鏈引導句**
> 論文用 APE 搜尋放在答案開頭的引導句（answer prefix），找到「Let's work this out in a step by step way to be sure we have the right answer.」，在 InstructGPT（text-davinci-002）上，MultiArith 與 GSM8K 兩個數學題資料集的表現都比常見的「Let's think step by step.」更好。
>

### 演算法與應用

> 第一步是提出候選：把幾組「輸入、正確輸出」給大型語言模型，請它推測是什麼指令能產生這樣的結果，一次產生多條候選。
> 第二步是評分：用選定的評分方式衡量每條候選，論文預設的是答對率，也就是讓模型照指令回答一部分訓練資料，計算答對多少。
> 第三步是挑選：留下分數最高的指令。論文也試過反覆幾輪請模型改寫高分指令、產生相近的變體再評分，整體候選變好，但最高分的指令多半不變，只帶來小幅改善，所以預設不用。
> 實務上要先準備有標準答案或明確評分方式的資料，選出來的指令是依這批資料的分數挑的，換到差很多的資料最好重新驗證。

### 情境判斷

> **Q1（直覺題）：讓模型產生 50 條候選提示詞，各自在驗證資料上測答對率，最後選最高分的那條，這是什麼做法？**
>
> → 這是自動提示工程（APE）的核心流程：產生候選、評分、挑選。
>
> **Q2（判斷題）：APE 會改變大型語言模型的參數嗎？**
>
> → 不會。APE 只產生與挑選文字指令，不用反向傳播，也不改模型參數，要調整模型參數或訓練向量的是微調或提示微調。
>

---

來源：https://aiterms.tw/terms/automatic-prompt-engineer
快查頁：https://aiterms.tw/terms/automatic-prompt-engineer
出處：
- Large Language Models Are Human-Level Prompt Engineers（Zhou 等，arXiv:2211.01910 論文頁）：https://arxiv.org/abs/2211.01910
- Large Language Models Are Human-Level Prompt Engineers（ICLR 2023 版本全文 PDF，arXiv v2）：https://arxiv.org/pdf/2211.01910v2
- Large Language Models are Human-Level Prompt Engineers（ICLR 2023 Poster）：https://iclr.cc/virtual/2023/poster/10850
- The Power of Scale for Parameter-Efficient Prompt Tuning（Lester 等，arXiv:2104.08691）：https://arxiv.org/abs/2104.08691
最後更新：2026/11/16