通过使用LLMs作为优化器，Optimization by PROmpting (OPRO)方法在小规模LLMs上展现了有限的有效性。未来的自动提示工程应考虑模型能力和计算成本，并使用明确概述目标和方法的直接指令作为鲁棒的提示基准，以确保高效有效的提示工程。

本文介绍了一种名为OPRO的优化方法，利用大型语言模型作为优化器，通过自然语言描述优化任务。作者展示了OPRO在线性回归和旅行商问题上的应用，并通过实验证明OPRO通过优化提示的方式胜过人工设计的提示，在GSM8K上提高了最多8％，在Big-Bench Hard任务上提高了最多50％。