论文：[2502.06855] Self-Supervised Prompt Optimization
仓库：GitHub - Airmomo/SPO: SPO | Self-Supervised Prompt Optimization
自监督提示优化（SPO）
创新点
成对比较评估
输出指导优化
全文介绍
背景
随着大语言模型的发展，设计提示对于最大限度发挥模型的推理能力，以及确保符合不同的任务要求，逐渐成为了关键。然而，创建有效的提示通常需要大量的试错实验和深入的特定任务的知识。 （模板填充具体问题 → 生成完整提示 → 输入模型 → 获得输出） 研究人员探索了使用LLM自己的能力来自动改进提示的提示优化（PO）方法。PO提供了一种更系统和更有效的快速设计方法，它通常涉及一个快速优化、执行和评价的迭代过程。现有的方法数值评价机制和文本梯度优化策略上都取得了成功。 数值评价机制：通过可量化的指标直接评估提示的性能，并基于数值反馈迭代优化提示。 文本梯度优化：通过自然语言反馈指导提示优化，利用LLM生成“文本梯度”（即改进建议），逐步调整提示内容。
（相关方法正在整理中）
问题
目前的方法往往严重依赖于外部参考进行评价。
采用真实标签（Ground Truth）进行评价导致其难以适用于开放任务。
现有的方法通常需要对大量样本进行提示评估，以获得可靠的反馈，从而导致大量的计算开销。
解决方案：自监督提示优化（Self-Supervised Prompt Optimization， SPO）
核心贡献
无需外部参考的优化框架：
提出自监督提示优化（SPO），通过LLM输出的成对比较评估提示质量，摆脱对标注数据或人工反馈的依赖。
利用LLM自身理解任务需求的能力，将输出直接作为优化信号。
极致的成本效率：
优化成本仅为现有方法的 1.1%~5.6%（如单数据集成本低至 0.15美元），且仅需 3个样本即可完成一轮优化。
任务普适性：
在封闭任务（数学推理、事实核查）和开放任务（创意写作、角色扮演）中均表现优异，尤其提升小模型（如GPT-4o-mini）性能达 30%。
模型设计
三大功能：
优化函数（ϕₒₚₜ）：分析当前最优提示及输出，生成新提示（如引入结构化XML模板指导LLM迭代改进）。
执行函数（ϕₑₓₑ）：生成输出（路径 + 答案）
评估函数（ϕₑᵥₐₗ）：通过LLM对输出进行成对比较，选择更优提示。
用户输入 ↓ [ϕₒₚₜ] 初始化提示模板 ↓ [ϕₑₓₑ] 执行生成首次输出 ↓ [ϕₑᵥₐₗ] 评估输出质量 ↓ [ϕₒₚₜ] 根据反馈优化提示 ↓ [ϕₑₓₑ] 执行新提示生成输出 ↓ [ϕₑᵥₐₗ] 多轮对比评估 ↓ （循环直至收敛） ↓ 最终输出
评估
历史分析
评估方法：
预定义的指标
LLM-as-a-judge
人类反馈
评估反馈
数值反馈（需要大量样本、容易忽略细节）
文本反馈
排序或选择反馈
评估框架
Output vs. Ground Truth（真实标签）：需 Ground Truth，适合封闭任务
Output vs. Output（核心）：不依赖外部参考，适配开放任务
优化函数
目标：基于当前最佳提示和对应输出，生成改进后的新提示。 实现机制：
结构化模板引导：使用XML格式的元提示（Meta Prompt）指导LLM分析现有输出的不足并提出改进方向。
基于任务理解的动态调整：LLM根据输出内容反推任务需求，自动调整提示结构。例如，在数学推理任务中，若发现模型忽略坐标计算，新提示会强制要求“每一步更新坐标并记录”。
优化过程
优化方向由模型输出的缺陷驱动
修改的是提示的语义内容
执行函数
目标：将优化后的提示应用于LLM，生成任务输出。 关键设计：
小样本高效执行：仅需3个随机样本（无需标注答案）即可运行，大幅降低成本。
输出结构化：强制要求输出包含推理路径和最终答案，便于后续评估。
评估函数
目标：通过LLM对比新旧提示的输出，选择更优者。 评估流程：
构建对比对：将同一问题在新旧提示下的输出组成对（Output A vs. Output B）。
设计评估指令：要求LLM基于任务需求（如逻辑严谨性、格式合规性）判断优劣。
多轮随机评估：每个迭代进行4轮独立比较，减少偶然偏差。
评估结果处理：
若新提示胜率超过阈值（如3/4），则替换为当前最佳提示；
否则保留原提示，进入下一轮优化。
闭环迭代流程
初始化：从基础提示模板（如Chain-of-Thought）和3个样本开始。
迭代优化：
第1轮：生成Prompt₁ → 执行 → 评估 vs. Prompt₀；
第2轮：生成Prompt₂ → 执行 → 评估 vs. Prompt₁；
持续至达到最大迭代次数（如10轮）或性能收敛。
终止条件：达到预设迭代次数或连续多轮无显著改进。
全文总结
一句话总结：在实现显著成本效益的同时的同时，消除了对外部参考的依赖。
成果
（1）克服了依赖于外部参考实现快速优化的问题。
（2）以每个数据集仅0.15美元的价格实现了显著的成本效益。
（3）实现了最先进的结果，而只需要现有方法成本的1.1%- 5.6%。
（4）在标准基准测试和不同的实际应用程序上的成功验证了SPO的有效性和泛化能力。
风险
潜在的偏见放大：SPO依赖LLM自身作为评估者，导致“偏见反馈→优化强化偏见”（正反馈调节）。【尝试解决将有可能导致风险3】
解决方案：1.加入公平性约束（Bias Penalty Loss），惩罚带有偏见的输出。【注意：平衡成本】2.去偏数据集微调评估函数（ϕₑᵥₐₗ）？
Mitigating Social Bias in Large Language Models: A Multi-Objective Approach within a Multi-Agent Framework
Bias and Fairness in Large Language Models: A Survey
有害内容产生的误用：SPO仅以性能为优化目标，忽略内容安全性。【尝试解决将有可能导致风险3】
解决方案：内置Moderation API？
以及过度依赖LLM：SPO生成的提示可能会更符合人类的偏好，且全流程无需人工介入，用户可能忽视对关键结果的二次验证。
解决方案：增加置信度分析。数据集微调评估函数（ϕₑᵥₐₗ）？
细节
1、优化函数如何根据输出修改提示？
通过元提示（Meta Prompt）调用LLM，直接生成改进后的提示。
（元提示模板eg.）
<analyse>
分析当前输出的缺陷：{缺陷描述}
</analyse>
<modification>
总结改进方向：{改进策略}
</modification>
<prompt>
生成优化后的完整提示
</prompt>
这个提示模板指导llm通过结构化XML分析迭代地改进现有的提示。它需要识别提示输出中的缺陷，提出修改，并生成优化的版本。
该模板在保持需求遵从性的同时，也强调了增量式的改进。
在每次迭代中，优化函数生成新提示后，评估函数会进行四轮独立评估，具体流程如下：
每轮从数据集中随机抽取不同的样本（3个最优，10次迭代）
四轮中若新提示胜出≥3次，则判定为优化成功；否则保留原提示