Intelligent Understanding of Large Language Models in Traditional Chinese Medicine Based on Prompt Engineering Framework
提出整合多种预训练模型、模板、分词与文本化方法的 TCM-Prompt 框架,通过提示工程提升 LLM 在疾病分类、证候识别、中药推荐等中医任务上的性能。
2024-10-25 cs.AI cs.CL
Ontology engineering with Large Language Models
Technical University of Cluj-Napoca(克卢日-纳波卡技术大学)
本研究通过微调GPT-3模型将自然语言自动翻译为描述逻辑以丰富本体,涵盖多种OWL语法约束,并在人工监督下生成公理,最终作为Protégé插件公开发布。
2023-07-31 cs.AI cs.CL
A Survey of Prompt Engineering Methods in Large Language Models for Different NLP Tasks
New York University(纽约大学)
本文综述了44篇研究论文,总结了29个NLP任务上的39种提示工程方法,分类讨论了这些技术在各数据集上的性能、所用LLMs及对应SoTA。
2024-07-24 cs.AI cs.CL
Few-Shot Learning for Mental Disorder Detection: A Continuous Multi-Prompt Engineering Approach with Medical Knowledge Injection
Hefei University of Technology(合肥工业大学);Iowa State University(爱荷华州立大学);University of Delaware(特拉华大学);University of Rhode Island(罗德岛大学);University of Arizona(亚利桑那大学)
提出融合连续多提示工程与结构化医学知识注入的大语言模型方法,以少样本方式从用户文本中检测精神障碍,并在三类常见障碍上显著优于特征、架构及离散提示方法。
2025-03-14 cs.AI cs.CL
Position Engineering: Boosting Large Language Models through Positional Information Manipulation
Microsoft Research(微软研究院)
本文提出位置工程方法,仅通过调整提示中的位置信息而非修改文本来引导大语言模型,并在RAG和ICL场景中验证其显著优于基线。
2024-10-22 cs.AI cs.CL cs.LG
Developing a Scalable Benchmark for Assessing Large Language Models in Knowledge Graph Engineering
Institute for Applied Informatics(应用信息学研究所);Leipzig University(莱比锡大学)
本文提出了一个可扩展的基准测试框架LLM-KG-Bench,用于评估大型语言模型在知识图谱工程中的性能,涵盖语法修正、事实提取和数据集生成三个挑战,并提供了自动评估与可视化工具。
2023-08-31 cs.AI cs.CL cs.DB
Towards Goal-oriented Prompt Engineering for Large Language Models: A Survey
Nanyang Technological University(南洋理工大学)
该综述梳理现有提示工程方法,指出拟人化提示设计的局限,提出目标导向提示构建可显著提升LLMs性能,构建五阶段分类框架并提出未来研究方向,凸显该方向的应用潜力。
2024-09-17 cs.AI cs.CL
Prompt Engineering and Calibration for Zero-Shot Commonsense Reasoning
University of Electronic Science and Technology of China(电子科技大学)
本文在较小语言模型上研究提示工程与校准对零样本常识推理的作用,发现各策略仅对特定模型有利,联合使用效果多为负面。
2023-04-14 cs.AI cs.CL
Large Language Models in Fire Engineering: An Examination of Technical Questions Against Domain Knowledge
Clemson University(克莱姆森大学);The Hong Kong Polytechnic University(香港理工大学);York University(约克大学)
本研究对比了ChatGPT与Bard两款大语言模型在消防工程领域的问答表现,发现ChatGPT性能更优,指出该类技术有望革新消防工程实践与教育,同时明确了后续改进方向。
2024-03-04 cs.AI cs.CL cs.LG
Steering Knowledge Selection Behaviours in LLMs via SAE-Based Representation Engineering
University of Edinburgh(爱丁堡大学);The Chinese University of Hong Kong(香港中文大学);Sapienza University of Rome(罗马大学);University College London(伦敦大学学院)
本文提出免训练的表示工程方法SpARE,利用稀疏自编码器识别并编辑LLM内部激活中的知识选择功能特征,在推理时有效解决上下文-记忆知识冲突,性能超越现有表示工程和对比解码方法。
2025-02-09 cs.CL
ChatSOS: LLM-based knowledge Q&A system for safety engineering
Beijing Institute of Technology(北京理工大学)
针对大语言模型在安全工程专业任务中的能力局限,研究提出ChatSOS问答系统,通过提示工程整合外部知识库,结合统计分析与向量数据库技术,显著提升了模型的问题分析、任务分配及事故报告处理能力,拓展了大语言模型在安全工程领域的应用。
2023-12-14 cs.AI
Dialogue Systems Engineering: A Survey and Future Directions
SANKEN, University of Osaka(大阪大学SANKEN研究所);C4A Research Institute, Inc.(C4A研究机构);Musashi University(Musashi大学);Equmenopolis, Inc.(Equmenopolis公司)
本文提出对话系统工程概念,基于SWEBOK 4.0知识领域进行综述,识别未探索主题并展望未来方向,旨在高效构建和运营对话系统。
2025-08-04 cs.AI cs.CL cs.SE
LLM-assisted Knowledge Graph Engineering: Experiments with ChatGPT
InfAI e.V.;Leipzig University(莱比锡大学)
本文通过ChatGPT实验,探索大型语言模型在知识图谱工程中的辅助潜力,展示其在开发和管理知识图谱方面的应用效果。
2023-07-13 cs.AI cs.CL cs.DB
Knowledge Protocol Engineering: A New Paradigm for AI in Domain-Specific Knowledge Work
School of History and Civilization, Shaanxi Normal University(历史与文明学院,陕西师范大学)
本文提出知识协议工程(KPE)新范式,通过将人类专家知识系统转化为机器可执行的知识协议,使通用大语言模型具备领域专家的深度推理与多步骤任务执行能力,为未来人机协作奠定方法论基础。
2025-07-03 cs.AI
A Prompt Engineering Approach and a Knowledge Graph based Framework for Tackling Legal Implications of Large Language Model Answers
University of Liverpool(利物浦大学);Universität Mannheim(曼海姆大学);KU Leuven(鲁汶大学);University of Bari(巴里大学)
针对用户盲目信任大语言模型回答中可能引发法律风险的问题,本文提出提示重工程方法隔离法律问题,并设计基于法律知识图谱的框架自动生成法律引用以增强LLM回复。
2024-10-19 cs.AI
Is English the New Programming Language? How About Pseudo-code Engineering?
Universidade Luterana do Brasil (Ulbra)(巴西路德大学)
本研究通过案例分析对比自然语言与伪代码工程输入对ChatGPT多意图任务表现的影响,发现伪代码工程可显著提升响应清晰度与确定性,倡导其在需精确AI响应场景的应用潜力。
2024-04-08 cs.AI cs.CL cs.HC
Opportunities for Large Language Models and Discourse in Engineering Design
Forschungszentrum Jülich GmbH(于利希研究中心);RWTH Aachen University(亚琛工业大学)
本文提出以话语为核心的工程设计框架,探讨大语言模型等基础模型如何自动化创造性与推理环节,并整合仿真、实验和拓扑优化等步骤。
2023-06-15 cs.AI cs.CE cs.CL
Unifying the Perspectives of NLP and Software Engineering: A Survey on Language Models for Code
Shanghai Jiao Tong University(上海交通大学);Ant Group(蚂蚁集团)
本文系统综述了语言模型在软件工程中的应用,涵盖70+模型、180+数据集,整合SE与NLP视角,并指出代码建模从统计模型到LLM的演进,同时展望了未来挑战与方向。
2024-06-26 cs.AI cs.CL cs.SE
Industrial Engineering with Large Language Models: A case study of ChatGPT's performance on Oil & Gas problems
California State University, San Bernardino(加州州立大学圣贝纳迪诺分校);IBM Technology(IBM科技);University of Houston(休斯顿大学)
本文以 ChatGPT 为案例评估大语言模型在石油与天然气工程问题中的表现,揭示其识别物理方程强弱解的局限,并明确 LLM 最适用的工业工程场景。
2023-04-27 cs.CL
Domain Knowledge Distillation from Large Language Model: An Empirical Study in the Autonomous Driving Domain
WMG, University of Warwick(华威大学WMG学院)
本研究针对知识工程系统人力成本高的问题,提出基于ChatGPT和提示工程的领域知识蒸馏框架,在自动驾驶领域验证发现全自动本体构建可行但人工干预效果更优,并开发了支持实时干预的网页助手。
2023-07-17 cs.CL
Invasive Context Engineering to Control Large Language Models
McGill University(麦吉尔大学)
本文提出侵入式上下文工程方法,通过在LLM上下文中插入控制句子以提升其安全性,避免长上下文场景下的数据短缺问题。
2025-12-02 cs.AI
Beyond Solution-Centric Search: Adaptive Inquiry and Knowledge Revision for Autonomous ML Engineering
该研究针对自主机器学习工程的长时任务,提出信息范式并实现为Iris智能体,其在MLE-Bench上12小时预算下获64.9%任意奖牌率,还具备跨领域泛化能力。
2026-08-04 cs.AI
Automating Structural Engineering Workflows with Large Language Model Agents
University of Alberta(阿尔伯塔大学);Duke University(杜克大学)
本文提出首个用于结构工程的多智能体系统MASSE,通过无需训练的LLM智能体实现核心工作流自动化,将专家工作量从约两小时缩减至几分钟,同时提升可靠性与准确性。
2025-10-13 cs.AI cs.CE cs.CL
Effects of a Prompt Engineering Intervention on Undergraduate Students' AI Self-Efficacy, AI Knowledge and Prompt Engineering Ability: A Mixed Methods Study
Precious Blood Secondary School(宝血女子中学);The University of Hong Kong(香港大学)
本研究通过混合方法探讨提示工程干预对本科生人工智能自我效能、知识及能力的影响,发现干预显著提升学生在AI相关领域的技能和理解。
2024-07-30 cs.CL cs.CY cs.HC
Autonomous Prompt Engineering in Large Language Models
Erasmus University(伊拉斯姆斯大学);IE University(IE大学)
本研究提出APET工具箱,使GPT-4自主应用提示工程技术,在单词排序和几何形状任务上分别提升4.4%和6.8%,虽在一步将死任务上下降14.8%,但展示了自动化提示优化的潜力,为自主AI系统奠定基础。
2024-06-25 cs.AI cs.CL cs.HC
Semi-Automated Knowledge Engineering and Process Mapping for Total Airport Management
Aviation Studies Institute(航空研究所)
本文提出一种半自动方法,通过符号知识工程与生成式大语言模型的双重融合,构建领域导向的知识图谱,以解决机场运营文档复杂性问题,并提升流程依赖关系的恢复能力。
2026-03-27 cs.AI cs.CL cs.IR
Knowledge Lever Risk Management for Software Engineering: A Stochastic Framework for Mitigating Knowledge Loss
Department of Systems and Computer Engineering(系统与计算机工程系);Carleton University(卡尔顿大学)
本文提出知识杠杆风险管理框架,通过将无形知识资产转化为风险缓解机制,结合四个阶段架构和随机模型,提升软件开发项目中的知识资本和项目成功率。
2026-04-25 cs.AI cs.SE
Multilingual Prompt Engineering in Large Language Models: A Survey Across NLP Tasks
New York University, CIMS(纽约大学);Cleveland State University(克利夫兰州立大学)
本文综述多语言提示工程,按任务分类39种提示技术,分析覆盖约250种语言的36篇论文及30项NLP任务,并总结LLM、SoTA方法与跨语系资源差异。
2025-05-16 cs.AI cs.CL cs.LG
A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications
Indian Institute of Technology Patna(印度理工学院巴特那分校);Stanford University(斯坦福大学);Amazon AI(亚马逊人工智能)
本文系统综述LLM与VLM提示工程技术,按应用梳理方法、模型、数据集、优劣及分类,以厘清进展、挑战与未来方向。
2025-03-16 cs.AI cs.CL cs.HC
APEER: Automatic Prompt Engineering Enhances Large Language Model Reranking
Rutgers University(新泽西罗格斯大学);University of Connecticut(康涅狄格大学)
针对大语言模型重排序依赖人工提示工程、现有自动提示算法适配性不足的问题,提出基于反馈与偏好优化的自动提示算法APEER,实验证明其性能优于现有最先进人工提示,且迁移性更佳。
2025-05-20 cs.AI
Evaluating Hydro-Science and Engineering Knowledge of Large Language Models
State Key Laboratory of Hydro-Science and Engineering, Department of Hydraulic Engineering(水利科学与工程国家重点实验室、水利学院);Department of Computer Science and Technology(计算机科学与技术系);Zhipu AI(智谱AI);CHN Energy Dadu River Big Data Services Co., Ltd.(中国能源大渡河大数据服务有限公司)
本研究提出Hydro-SE LLM评估基准,评估大语言模型在水科学与工程领域的知识和应用能力,揭示其优势与不足。
2025-12-03 cs.CL
Representation Engineering for Large-Language Models: Survey and Research Challenges
Wisent AI;University of Warwick(华威大学);Amazon Web Services(亚马逊网络服务);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Perplexity;University of Cambridge(剑桥大学);Mila;University of Technology Sydney(悉尼科技大学)
本文综述表示工程,通过对比输入样本检测和编辑高层概念表示,使大型语言模型更可预测、安全且可个性化,并比较了替代方法及未来研究议程。
2025-02-24 cs.AI
Geotechnical Parrot Tales (GPT): Harnessing Large Language Models in geotechnical engineering
本文探讨利用大语言模型(如GPT)于岩土工程,强调提示工程和上下文重要性,并开发统一自然语言界面处理复杂任务,以提升工作流程和基础设施可持续性。
2023-06-21 cs.CL physics.geo-ph
Fine-tuning and Prompt Engineering with Cognitive Knowledge Graphs for Scholarly Knowledge Organization
L3S Research Center(L3S研究中心);Leibniz University Hannover(汉诺威莱布尼茨大学);Leibniz Information Centre for Science and Technology(莱布尼茨科技信息中心)
针对海量学术论文的知识组织问题,提出融合CKG专家验证知识的LLM微调与新型提示注入方法,并集成至ORKG以提升论文分类、谓词推荐和知识抽取性能。
2024-09-10 cs.CL cs.DL cs.LG
Multi-level Diagnosis and Evaluation for Robust Tabular Feature Engineering with Large Language Models
Computer Science and Engineering Korea University(计算机科学与工程韩国大学)
提出多层次诊断与评估框架,从关键变量、关系和决策边界值三方面考察LLM表格特征工程的鲁棒性,发现其跨数据集差异显著,高质量特征可将少样本预测提升最高10.52%。
2025-09-20 cs.AI cs.LG
Knowledge Graph Modeling-Driven Large Language Model Operating System (LLM OS) for Task Automation in Process Engineering Problem-Solving
TCS Research(塔塔咨询服务公司研究院);IIT–Palakkad(帕拉卡德印度理工学院)
本文提出过程工程操作助手(PEOA)框架,通过元智能体协调动作生成器与专家模型,结合知识图谱建模与师生迁移学习,实现复杂过程工程问题的多步自动化求解与决策支持。
2024-08-23 cs.AI cs.LG
Wordflow: Social Prompt Engineering for Large Language Models
Georgia Tech(佐治亚理工学院)
针对非专业人士难以开展提示工程的问题,研究提出社会化提示工程范式,并开发开源社会化文本编辑器Wordflow,支持普通用户协作设计、分享提示词及本地私密运行大语言模型,助力提升非专业用户与大语言模型的交互体验。
2024-01-25 cs.AI cs.CL cs.HC
Prompt Engineering for Healthcare: Methodologies and Applications
School of Computer Science, Northwestern Polytechnical University(西北工业大学计算机学院);School of Automation, Northwestern Polytechnical University(西北工业大学自动化学院);School of Computing, The University of Georgia(佐治亚大学计算学院);Department of Computer Science and Engineering, Lehigh University(利哈伊大学计算机科学与工程系);Department of Radiology, Massachusetts General Hospital and Harvard Medical School(麻省总医院与哈佛医学院放射科);Department of Computer Science and Engineering, The University of Texas at Arlington(德克萨斯大学阿灵顿分校计算机科学与工程系);School of Biomedical Engineering, ShanghaiTech University(上海科技大学生物医学工程学院);Shanghai United Imaging Intelligence Co., Ltd.(上海联影智能医疗科技有限公司);Shanghai Clinical Research and Trial Center(上海临床研究与试验中心);Department of Electronic Engineering, City University of Hong Kong(香港城市大学电子工程系)
本文综述了提示工程在医疗保健自然语言处理领域的最新进展、方法与应用,旨在为研究人员提供资源与桥梁,推动该技术在医疗问答、文本摘要和机器翻译等任务中的应用。
2024-03-23 cs.AI
AutoProteinEngine: A Large Language Model Driven Agent Framework for Multimodal AutoML in Protein Engineering
Toursun Synbio(拓臻生物科技);City University of Hong Kong(香港城市大学);Shanghai Jiao Tong University(上海交通大学);Johns Hopkins University(约翰斯·霍普金斯大学)
研究针对生物学家缺乏计算知识难以应用深度学习开展蛋白质工程的问题,提出AutoProteinEngine框架,集成LLMs与AutoML,经两项任务验证其性能优于传统方法,降低了深度学习应用门槛。
2026-08-06 cs.AI q-bio.QM
ProteinEngine: Empower LLM with Domain Knowledge for Protein Engineering
Johns Hopkins University(约翰斯·霍普金斯大学);Shanghai Jiao Tong University(上海交通大学);Macquarie University(麦考瑞大学)
针对大语言模型缺乏专业知识难以应用于蛋白质工程的问题,提出以人为中心的平台ProteinEngine,通过API集成工具并为LLM分配三类角色,经用户研究验证可提升相关任务中深度学习的可靠性与精准性。
2024-04-21 cs.AI cs.LG q-bio.BM
Linguistic and Structural Basis of Engineering Design Knowledge
Singapore University of Technology and Design(新加坡科技设计大学);City University of Hong Kong(香港城市大学)
该研究将专利中的工程设计知识构建为知识图谱,通过分析其语言学与结构特征,提炼出通用句法与子图模式,为设计知识构建及大语言模型的设计知识表达提供指导。
2024-08-19 cs.CL cs.DL cs.IR
Prompt Less, Smile More: Semantic Engineering in Lieu of Prompt Engineering
University of Michigan(密歇根大学);Jaseci Labs(Jaseci实验室)
通过语义工程替代提示工程,提升AI集成编程中提示的准确性与开发者效率。
2026-11-03 cs.AI cs.SE
Adversarial Representation Engineering: A General Model Editing Framework for Large Language Models
Peking University(北京大学);Singapore Management University(新加坡管理大学)
针对大语言模型内部机制理解与修正的需求,该研究提出对抗表征工程(ARE)框架,以表征传感器为编辑预言机,实现统一可解释的概念性模型编辑且不损基准性能,多任务实验验证其有效性。
2024-11-01 cs.AI cs.CL cs.CR
Exploring the Efficacy of Large Language Models (GPT-4) in Binary Reverse Engineering
University of Calgary(卡尔加里大学)
本文通过两阶段实验评估GPT-4在二进制逆向工程中的表现,发现其在一般代码理解上较强,但在深度技术与安全分析上仍有局限,为未来改进提供了依据。
2024-06-09 cs.AI cs.SE
Knowledge-Driven Feature Selection and Engineering for Genotype Data with Large Language Models
RIKEN(理化学研究所);Arizona State University(亚利桑那州立大学);United States Naval Academy(美国海军学院);The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
针对基于少量可解释变异特征预测复杂遗传基础表型的挑战,提出知识驱动框架FREEFORM,利用LLM的内在知识进行特征选择与工程,在少样本情况下优于数据驱动方法。
2025-04-16 cs.CL cs.LG q-bio.GN
Exploring the Intersection of Large Language Models and Agent-Based Modeling via Prompt Engineering
School of Information(信息学院);University of California, Berkeley(加州大学伯克利分校)
本文利用受Park等人(2023)启发的提示工程,将LLM用于ABM以模拟复杂人类行为,并构建双智能体谈判与六智能体谋杀之谜游戏两个场景。
2023-08-14 cs.AI cs.MA
Software Engineering for Large Language Models: Research Status, Challenges and the Road Ahead
Huazhong University of Science and Technology(华中科技大学)
本文从软件工程视角系统分析了LLM开发生命周期六个阶段的研究现状与挑战,并提出了潜在的研究方向,为未来LLM开发提供有价值的见解。
2025-06-30 cs.AI cs.SE
From Concept to Manufacturing: Evaluating Vision-Language Models for Engineering Design
Massachusetts Institute of Technology(麻省理工学院);Technical University of Denmark(丹麦技术大学)
该研究针对大语言模型无法利用工程视觉工件的不足,全面评估GPT-4V、LLaVA 1.6 34B两款视觉语言模型在四大类工程设计任务中的能力与局限,还贡献了含千余条查询的基准数据集,为后续相关评估与应用奠定基础。
2024-12-09 cs.AI cs.CE
The Systems Engineering Approach in Times of Large Language Models
University of Cambridge(剑桥大学);Anglia Ruskin University(安格利亚鲁斯金大学)
本文针对大语言模型融入社会技术系统的挑战,提出系统工程方法更适配其落地,通过调研相关系统研究、梳理工程原则的作用,给出LLMs应用的未来方向。
2024-11-13 cs.AI cs.CY cs.SE
Why Software Engineering Is Indispensable in the Age of Coding Agents
Politecnico di Milano(米兰理工大学)
本文论证AI编码智能体使软件工程和工程师更关键,指出LLM的结构性缺陷需通过方法论、领域、设计和过程四类知识杠杆来弥补,工程师在其中扮演核心角色。
2026-10-14 cs.AI cs.SE
Prompt Engineering and the Effectiveness of Large Language Models in Enhancing Human Productivity
Department of Computer Science(计算机科学系)
本文通过243名受访者调查,研究提示结构与清晰度对LLM输出有效性的影响,发现清晰、结构化且上下文感知的提示能显著提升任务效率,凸显提示工程在最大化生成式AI价值中的关键作用。
2025-08-27 cs.AI cs.HC
Justifiable Artificial Intelligence: Engineering Large Language Models for Legal Applications
Leibniz Institute for Educational Media — GEI(莱布尼茨教育媒体研究所(GEI));Otto von Guericke University Magdeburg(奥托·冯·格里克马格德堡大学)
本文提出“可辩护的人工智能”新视角,主张通过获取支持和反对大型语言模型输出的证据,使其在法律领域的生成文本更具可信度或对错误信息负责,从而解决其缺乏可解释性导致的信任问题。
2023-11-27 cs.CL cs.HC cs.IR
Context operations to architecture modelling output from large language models and evaluation criteria for their use in systems engineering design
Federal University of Santa Maria(圣玛丽亚联邦大学);Linköping University(林雪平大学)
本文提出一种基于大语言模型的上下文组装框架和评估方法,用于系统架构建模,以加速工程设计并评估模型输出对意图的符合度。
2026-09-10 cs.AI cs.SE cs.SY
A Knowledge Engineering Primer
Poznan University of Technology(波兹南理工大学)
本文是一份知识工程入门指南,旨在以简明综合的方式介绍该学科,帮助读者培养对该领域的直觉。
2024-03-25 cs.AI