本论文提出了EvoPrompt框架，结合大型语言模型和进化算法，提升语言理解和生成任务的表现。研究表明，LLMs在语法错误纠正和流畅度评估方面表现优异。通过自动提示优化和黑盒演化算法，显著提高了文本提示性能，强调了自动化提示设计的重要性。

本文提出了一种名为OPRO的优化方法，利用大型语言模型（LLM）进行自动提示优化，研究表明其在多个任务中优于人工设计的提示，提升了任务准确性。同时，提出了“自动行为优化”新范式，以优化目标模型行为，并探讨了LLM在交互式任务中的应用，展示了其在效率和性能上的优势。

本文综述大语言模型自动提示优化研究。OPRO以LLM为优化器，在GSM8K和Big-Bench Hard上超越人工提示；后续研究揭示LLM优化器存在先验偏见，提出行为优化新范式。其他工作如APO、LLM-PO、EvoPrompt、EMO-Prompts等，结合进化算法、策略梯度等方法自动搜索提示，在推理与生成任务中显著提升性能。

研究使用提示工程来提高临床笔记生成中大型语言模型的性能，引入一种自动提示优化（APO）框架来改进初始提示，并比较医学专家、非医学专家以及 APO 增强的 GPT3.5 和 GPT4 的输出结果。结果突显了 GPT4 APO 在标准化临床笔记各个部分的提示质量方面表现优越。人机协同方法表明专家在 APO 后保持内容质量，偏好对自己的修改，这表明专家定制化的价值。我们建议采用两阶段的优化过程，利用 APO-GPT4 提高一致性，并利用专家意见进行个性化。