本研究探讨了自动提示工程的优化，解决了手动提示工程的局限性。通过将提示优化形式化为最大化问题，建立了基础框架，系统性组织了优化方法，揭示了约束优化和面向代理的提示设计的潜力。

该文综述自动提示工程研究，涵盖元提示、贪婪与遗传算法、Prompt Space等方法，可提升大语言模型在推理、临床NLP等任务上的表现，并探讨视觉语言模型提示工程、声明性提示及APE等进展。

本文综述自动提示工程研究，涵盖利用预训练语言模型微调与强化学习优化提示以提升图像生成美感、构建元提示引导大模型、长提示搜索算法在Big Bench Hard八项任务上平均提升9.2%、结合提示与强化学习控制聊天机器人输出、RLPrompt生成离散提示、提示建模原则与插件减少幻觉、借鉴众包思想的声明性提示工程、Prompt-OIRL用离线逆强化学习评估提示，以及MultiPrompter以协作博弈优化文本到图像提示。