本文是对亚马逊AWS研究团队最新发表的APO（自动提示词优化）技术综述的深度解读。该研究由Kiran Ramnath、Kang Zhou等21位来自AWS的资深研究者共同完成，团队成员来自不同技术背景，涵盖了机器学习、自然语言处理、系统优化等多个专业领域。
一直以来，学术与实际产品的 Prompt 完全脱节，真实场景下，很多产品都聚焦情感陪伴，文案生成等开放任务里。而学术上这些任务没有明确的指标，无法量化也就没办法被比较，于是绝大部分的 Prompt 优化工作都聚焦在“刷榜”，例如怎么提升一个模型的代码/数学能力。我们今天跑的项目叫 SPO，具体什么意思并不重要，重要的是它把之前的所有问题全部解决了。
很难想象打开X搜索“DeepSeek”，排在前列的不是技术分析，而是《提示词指南》。在X平台上，大量海外博主开始分享DeepSeek的使用技巧。有的博主专注于提示词优化，声称掌握了能让模型产出更优质结果的“秘诀”。
为了优化小模型的提示词，我们不得不求助于计算成本高昂的大模型。这种依赖不仅增加了开发成本，还限制了小模型的应用场景。
在当前 AI 开发中，提示词工程常常面临优化耗时、效果不稳定等挑战。LangChain 近日推出自家的自动提示词优化工具Promptim[1]，为开发者提供了一套系统化改进 AI 提示词的解决方案。这款工具能够自动优化特定任务的提示词，显著提升开发效率。
在大模型 AI 时代，如何通过精确的提示词，让大型语言模型给出更理想的答案，已经成为了一个热门话题。特别是，随着各种免费的提示词优化课程和指南的涌现，这似乎是未来每个人都应该掌握的一个技能。
