首页 > Ai资讯 > Ai知识库 > 自动优化Prompt:Automatic Prompt Engineering的3种方法

自动优化Prompt:Automatic Prompt Engineering的3种方法

发布时间:2024年06月06日

引言

记得Zero-Shot COT[1]里的那句Let's think step by step吗?最近谷歌通过OPRO[2]找到了更好的一句:Take a deep breath and work on this
problem step-by-step
,让GSM8K的结果直接从71.8% -> 80.2%

好的prompt可以激发LLM的最大潜能,从而在下游任务取得好的效果。

Prompt的魅(玄)力(学)就在这里。在LLM还不够聪明之前,人类通过prompt
engineering
驯服LLM

本文介绍3automatic prompt engineering框架:APE[3]APO[4]以及OPRO[2]。给定一个训练集,定义好评价指标,运行automatic
prompt engineering
框架之后,将自动得到能取得最佳效果的prompt

无论是想提分、还是想优化LLM标注器的效果、或是想根据用户反馈来优化Prompt进而提升产品体验,这些方法都可以借鉴。

APEcandidate -> selection -> resample

APE的核心思路是:从候选集中选出好的prompt,再在好的prompt附近进行试探性地搜索

IMG_256

APE可分为以下3个步骤。

第一步:生成prompt candidates

生成prompt的工作也交给了无所不能的LLM,作者介绍了2大类生成方式:

·forward mode。常规生成模式,提供一些任务examples,让LLM在最后生成prompt。示例如下。

·reverse mode。即insert模式,将待生成的prompt放到examples前面,让LLM用填空的方式写prompt。示例如下。

直观理解,reverse mode更加自然forward mode则更加考验模型的instruction following能力。

补充:GPT系列支持insert模式;Open
AI
这篇论文[5]讲解了insert模式的实现原理。

第二步:在训练集上打分,并保留高分prompt

打分方式有两种:

Execution accuracy。在训练集上执行prompt后,得到的任务metric(如AccuracyF1等)

Log probability。不使用任务metric,而是评估生成desired answer的概率

实验表明,Execution
accuracy
的效果更好

另外,这一步如果在全量训练集上评估,则开销非常大,因此作者提出一种multi-stage策略。大致思想是先在少量subset上评估,然后过滤掉比较差的循环这一过程直到候选集足够小,此时再在全量训练集上进行评价、挑选。

第三步:在高分prompt附近进行采样,模拟Monte-Carlo Search过程

这一步核心是尝试性地resample,生成语义相似的prompt,看看能否取得更好的效果。这一过程是可迭代的

resample的工作仍然交由LLM,其prompt如下。

作者实验发现,对于比较难的任务,进行resample能够进一步提升效果

APOgradient descent in language space

APO的核心思路是在文本空间实现gradient
descent
过程

IMG_260

总体而言,APO分为以下3个步骤。

第一步:得到当前prompt“gradient”

给定一批error samples(当前prompt无法预测正确的),让LLM给出当前prompt预测错误的原因,这一原因即文本形式的“gradient”

生成gradientprompt如下。

IMG_261

第二步:应用“gradient”,得到new prompt

这一步还分为2个子步骤:

·子步骤1:使用LLMedit原来的prompt,目标是修复“gradient”。给到LLMprompt如下。

IMG_262

IMG_263

·子步骤2:和APE一样,进行resample,扩充相似语义的prompt

第三步:挑选出好的prompt,进入下一轮迭代

这里面临的问题和APE一样:如果在全量训练集上评估各个prompt花销太大

作者提到,挑选prompt的过程就是多臂老虎机问题。

·n arms对应nprompt candidates

·在任务数据集上的表现是这个armhidden
value

·pulling这个动作对应在随机采样的数据上评估prompt的效果

因此,作者试验了3bandit selection技术:UCBUCB-ESuccessive Rejects。实验表明,UCBUCB-E的效果比较好

最后,需要补充的是,APO在每轮迭代中,最外层包含一个beam search过程,以便强化探索。

更详细的内容请读者参阅原论文。

OPROLLM as optimizer

APO本质上也是在构建一个optimizer,但其框架是参照gradient decent来设计的。

而谷歌提出的OPRO,其思路更为原生

OPRO的核心思路是LLM基于过往的迭代记录、优化目标,自己总结规律,逐步迭代prompt,整个过程在文本空间上完成。

IMG_264

OPRO框架如下。

·使用meta-prompt,让LLM成为Optimizer LLMmeta-prompt包含两个核心部分:一个是solution-score pairs,即以往的迭代路径,包括solution(即prompt + 分数(任务表现),实践中按照分数大小,从低到高排列top20的结果;另一个是task description,包含一些任务的examples、优化的目标等。GSM8K任务上的meta-prompt如下。

IMG_265

基于对过往迭代规律的理解,Optimizer LLM生成新的solution。即将meta-prompt给到Optimizer
LLM
,生成的内容即为新的solution。在实践中,为了提升优化的稳定性,这一步重复了8次。

Scorer LLM上应用prompt(即新的solution),评估效果并记录到meta-prompt中,然后继续下一轮迭代。注意,这里的Scorer LLM是实际使用promptLLM,与Optimizer
LLM
可以是不同的。

当效果无法再提升、或者到达预先给定的step上限,整个迭代过程停止。返回得分最高的prompt作为优化结果。

OPRO的定位是基于文本的optimizerprompt optimization只是其应用场景之一,论文作者还在linear
regression
traverling salesman problem上进行了实验。

总结

本文介绍了3automatic prompt engineering框架,其中APE的主要思路是挑选+试探性优化,优化的方向性较弱;APOOPRO则应用了更完整的optimizer框架,其中APO基于gradient descent,本质是基于error case来调优,而OPRO直接依靠LLM的逻辑推理能力,基于迭代过程的规律进行优化。

理论上,这些框架对各类任务(分类、抽取、生成等)是通用的,只需定义好评价指标即可。

因此,只要你的场景里使用了Prompt,都可以考虑使用这些方法、或者借鉴这些方法的思路。例如:在benchmark上提分、优化LLM标注器的效果、根据用户反馈优化Prompt等等。

以第三点为例,读者可以根据用户的反馈数据,训练一个reward model作为评价者,运行automatic prompt
engineering
框架,优化现有的Prompt,这一点和RLHF有异曲同工之处。

出自:https://mp.weixin.qq.com/s/kbZZUoTjLGyU59B3strwVg