本研究探讨了机器生成提示对语言模型（LMs）响应的影响，分析了不同类型LM的提示特征。研究发现，自我提示的最后一个令牌易于理解，显著影响生成结果，为理解LM的工作机制及其潜在负面用途提供了新见解。

研究表明，机器生成的提示在多个语义任务中通常优于人工提示，尽管输出相似，但两者激活的网络路径不同。通过聚类选择技术优化提示数据量，实验显示其在处理语法变化任务时表现更佳。此外，提出的 iPrompt 算法能生成可解释的自动提示，促进数据分析和科学发现。自动提示设计对提升大型语言模型的性能至关重要。