Exploring Prompt Engineering Practices in the Enterprise
IBM Research(IBM研究院)
本研究通过分析企业环境中用户的提示编辑行为,探讨提示工程实践,以揭示用户对模型的理解并指导更高效的提示设计支持。
2024-03-13 cs.AI cs.HC
Just Tell Me: Prompt Engineering in Business Process Management
Kühne Logistics University(库恩物流大学);SAP Signavio;University of Mannheim(曼海姆大学)
本文提出将提示工程引入业务流程管理研究,以避免语言模型微调对大量训练数据的依赖,并通过识别相关潜力与挑战制定研究议程。
2023-04-14 cs.AI cs.CL cs.LG
Revisiting Prompt Engineering via Declarative Crowdsourcing
UC Berkeley(加州大学伯克利分校)
本文提出声明式提示工程,将LLM视为众包工作者,借鉴多种提示策略、内部一致性和混合LLM-非LLM方法,使提示工程更规范,并在排序、实体解析和填补任务中验证其有效性。
2023-08-07 cs.AI cs.DB cs.HC
You Don't Need Prompt Engineering Anymore: The Prompting Inversion
Independent Researcher(独立研究者)
本研究提出Sculpting提示方法,发现其在中端模型gpt-4o上优于标准CoT,但在gpt-5上效果相反,揭示提示策略需随模型能力共同演进。
2025-10-25 cs.AI cs.CL cs.LG
GRAD-SUM: Leveraging Gradient Summarization for Optimal Prompt Engineering
Galileo Technologies(伽利略科技公司)
GRAD-SUM提出基于梯度摘要的自动提示工程方法,整合用户任务描述与评估标准,通过新颖的梯度摘要模块泛化反馈,在多个基准上优于现有方法。
2024-07-12 cs.AI cs.CL
Reflexive Prompt Engineering: A Framework for Responsible Prompt Engineering and Interaction Design
Technical University of Munich(慕尼黑工业大学)
本文提出一个包含提示设计、系统选择、系统配置、性能评估和提示管理五个组件的负责任提示工程框架,旨在将伦理与社会价值嵌入AI交互,平衡技术精确性与伦理意识,连接AI开发与部署。
2025-04-22 cs.AI cs.CL cs.CY
The Prompt Report: A Systematic Survey of Prompt Engineering Techniques
University of Maryland(马里兰大学);Learn Prompting;OpenAI;Stanford(斯坦福大学);Microsoft(微软公司);Vanderbilt(范德堡大学);Princeton(普林斯顿大学);Texas State University(德克萨斯州立大学);Icahn School of Medicine(伊坎医学院);ASST Brianza(布里安扎综合医院);Mount Sinai Beth Israel(西奈山 Beth Israel 医院);Instituto de Telecomunicações(电信研究所);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文系统梳理提示工程技术,构建包含33个术语、58种LLM提示技术及40种其他模态技术的分类体系,并提供最佳实践,成为迄今最全面的提示工程综述。
2025-02-26 cs.AI cs.CL
Interactive and Visual Prompt Engineering for Ad-hoc Task Adaptation with Large Language Models
IBM Research(IBM研究院);Brown University(布朗大学);Huggingface;Harvard SEAS(哈佛大学工程与应用科学学院);Cornell Tech(康奈尔科技校区)
最先进的神经语言模型现在可以通过zero-shot提示来解决特定的语言任务,而无需监督训练。近年来,这种方法越来越流行,研究人员已经证明提示在特定的NLP任务上实现了很高的准确性。然而,找到新任务的提示需要实验。不同的提示模板,不同的措辞选择导致显着的准确性差异。PractIDE允许用户试验提示的变化,可视化提示的性能,并迭代地优化提示。我们开发了一个工作流程,允许用户首先专注于使用小数据的模型反馈,然后再转向大数据机制,该机制允许使用任务的定量测量对有希望的提示进行经验基础。然后,该工具允许轻松部署新创建的ad-hoc模型。我们使用几个真实的用例来演示ApplotIDE的实用程序(在http://prompt.vizhub.ai上演示)和我们的工作流程。
2022-08-16 cs.CL cs.HC cs.LG
Prompt engineering paradigms for medical applications: scoping review and recommendations for better practices
Geneva University Hospitals(日内瓦大学医院);University of Geneva(日内瓦大学);Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);Sorbonne Université(索邦大学);INSERM(法国国家健康与医学研究院);Université Sorbonne Paris-Nord(索邦巴黎北大学)
本文通过综述114项医学提示工程研究,揭示提示设计占主导但基线评估不足等问题,并提出规范化建议以指导未来研究。
2024-05-02 cs.CL cs.LG
PromptPilot: Improving Human-AI Collaboration Through LLM-Enhanced Prompt Engineering
University of Bayreuth(拜罗伊特大学);Fraunhofer FIT(弗劳恩霍夫应用信息技术研究所)
针对用户难以设计高质量提示、现有提示工程方法存在不足的问题,提出基于四项实证设计目标的交互式提示助手PromptPilot,实验验证其能显著提升任务表现,为人机协作提供可行技术路径。
2025-10-01 cs.AI cs.HC
Exploring Prompt Engineering: A Systematic Review with SWOT Analysis
本文通过SWOT框架系统综述了LLM提示工程技术,结合语言学原则分析模板方法与微调等技术的优劣、机会与威胁,为优化人机交互和提示工程效果提供研究方向。
2024-10-09 cs.AI cs.CL
PromptHive: Bringing Subject Matter Experts Back to the Forefront with Collaborative Prompt Engineering for Educational Content Creation
University of Toronto(多伦多大学);UC Berkeley(加州大学伯克利分校)
PromptHive 通过协作式提示编写界面帮助领域专家快速迭代提示,使非 AI 专家生成的内容质量接近人工编写材料,同时将认知负荷减半、编写时间从数月缩短至数小时。
2024-10-21 cs.AI cs.HC
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
Integrating Chemistry Knowledge in Large Language Models via Prompt Engineering
Tsinghua University(清华大学);University of Oxford(牛津大学)
本文提出在提示工程中嵌入领域特定知识以提升LLMs在科学领域的性能,构建了涵盖小分子、酶和晶体材料属性的基准数据集,实验证明该方法在准确率、F1等指标上优于传统策略,能有效减少幻觉并提升响应质量。
2024-04-22 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
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-with-Me: in-IDE Structured Prompt Management for LLM-Driven Software Engineering
Delft University of Technology(代尔夫特理工大学);JetBrains Research(JetBrains研究)
本文提出嵌入IDE的结构化提示词管理工具Prompt-with-Me,通过四维分类、语言润色、敏感信息遮蔽和模板提取提升提示词复用与质量,用户研究表明其可用性高且能减少重复工作。
2025-09-21 cs.AI cs.HC cs.SE
An Information-theoretic Approach to Prompt Engineering Without Ground Truth Labels
Brigham Young University(杨百翰大学)
预先训练的语言模型从它们所训练的大量语料库中获得大量的语言和事实知识,并且提示工程试图将这些模型与特定任务相匹配。不幸的是,现有的提示工程方法需要大量的标记数据,访问模型参数,或两者兼而有之。本文介绍了一种新的选择提示模板\textit{without labeled examples}和\textit{without direct access to the model}的方法。具体来说,在一组候选模板,我们选择的模板,最大化的互信息之间的输入和相应的模型输出。在8个数据集,代表7个不同的NLP任务,我们表明,当一个模板具有高互信息,它也有高精度的任务。在最大的模型上,使用我们的方法选择提示可以获得从平均提示准确度到最佳提示准确度的90%,并且不需要真值标签。
2022-03-21 cs.CL cs.LG
Can AI Have a Personality? Prompt Engineering for AI Personality Simulation: A Chatbot Case Study in Gender-Affirming Voice Therapy Training
University of the District of Columbia(哥伦比亚特区大学)
本研究通过性别肯定语音治疗训练中的聊天机器人案例,验证了提示工程能使大型语言模型模拟出稳定且一致的人格特质。
2025-10-07 cs.CL cs.HC
Prompt-Engineering and Transformer-based Question Generation and Evaluation
本文研究如何结合微调distilBERT与LLaMA提示工程从文本生成问题,并在SQuAD上验证四种提示均取得平均超60%的相似度。
2023-10-29 cs.AI cs.CL
Prompt Engineering Techniques for Mitigating Cultural Bias Against Arabs and Muslims in Large Language Models: A Systematic Review
本系统综述遵循PRISMA与Kitchenham方法,分析8项2021-2024年的实证研究,梳理5类缓解大模型针对阿拉伯人和穆斯林文化偏见的提示工程方法,验证其效果差异并指出未来研究方向。
2025-07-30 cs.AI cs.CL cs.CY
Automatic Engineering of Long Prompts
Google Inc.(谷歌公司)
本文研究长提示词的自动工程,提出带束搜索的贪心算法及两种利用搜索历史的技术,在Big Bench Hard八个任务上平均提升9.2%准确率。
2023-11-16 cs.AI cs.LG
Grimm in Wonderland: Prompt Engineering with Midjourney to Illustrate Fairytales
Universit\`a degli Studi di Milano, Department of Languages, Literatures, Cultures
本研究使用Midjourney v4探究文本生成图像与提示工程用于童话插图生成的可行性,提出四阶段提示工程流程,分析模型生成难点,结论可推广至未来生成模型。
2023-08-25 cs.AI cs.CL cs.HC
Automatic Prompt Engineering with No Task Cues and No Tuning
本文提出了一种无需微调和任务提示的自动提示工程方法,首次应用于非英语语言的隐晦列名扩展任务。
2026-01-06 cs.AI cs.CL
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
Cases of EFL Secondary Students' Prompt Engineering Pathways to Complete a Writing Task with ChatGPT
Precious Blood Secondary School(宝血女子中学);The University of Hong Kong(香港大学);Education University of Hong Kong(香港教育大学)
本文通过案例研究分析EFL中学生首次使用ChatGPT完成写作任务时的提示工程路径,揭示了试错过程中提示内容与数量的不同组合,并论证了在EFL写作课堂中开展提示工程教育的必要性。
2023-06-19 cs.AI cs.CL cs.HC
LAMPER: LanguAge Model and Prompt EngineeRing for zero-shot time series classification
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学清华大学深圳国际研究生院);School of Automation, Wuhan University of Technology(武汉理工大学自动化学院)
本研究构建了LAMPER框架,通过128个单变量数据集系统评估预训练语言模型在零样本时间序列分类中对多样化提示的适应性,发现其特征表示能力受模型最大输入token阈值影响。
2024-03-23 cs.AI cs.CL
A Systematic Evaluation of LLM Strategies for Mental Health Text Analysis: Fine-tuning vs. Prompt Engineering vs. RAG
Texas State University(德克萨斯州立大学)
本研究系统比较了LLMs在心理健康文本分析中的三种策略,发现Fine-tuning准确率最高但资源消耗大,而Prompt Engineering和RAG部署灵活但性能适中,为实际应用提供了权衡参考。
2025-03-31 cs.AI cs.CL cs.IR
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
Prompt Engineering for Scale Development in Generative Psychometrics
University of Virginia(弗吉尼亚大学)
本文研究了提示工程策略如何影响大语言模型生成的人格评估题目质量,发现自适应提示设计在提升结构效度和保留题目池大小方面表现最佳,且其效益随模型能力增强而提升。
2026-03-16 cs.AI cs.CL cs.HC
Intent-based Prompt Calibration: Enhancing prompt optimization with synthetic boundary cases
提出一种基于意图的提示校准方法,通过迭代生成合成边界案例并优化提示,在有限标注样本下超越现有方法,适用于审核和生成等真实任务。
2024-02-05 cs.AI cs.CL cs.LG
RAG Playground: A Framework for Systematic Evaluation of Retrieval Strategies and Prompt Engineering in RAG Systems
Information Technology Institute, CERTH(信息技术研究所,希腊研究与技术中心(CERTH))
提出RAG Playground开源框架,系统评估RAG系统中三种检索策略与提示工程,实验显示混合搜索和结构化自我评估提示显著提升性能,最高通过率达72.7%。
2024-12-16 cs.AI cs.CL cs.IR
APEX: Automated Prompt Engineering eXpert with Dynamic Data Selection
Google(谷歌);UCLA(加州大学洛杉矶分校)
提出APEX框架,通过动态数据分层(易、难、混合)优先选择高杠杆子集,在固定预算下提升提示优化效率,在三个基准上平均提升11.2%和6.8%。
2026-06-11 cs.AI cs.CL cs.LG
Optimizing GPT for Video Understanding: Zero-Shot Performance and Prompt Engineering
Tiktok Inc.(字节跳动公司)
本研究针对视频内容分类的行业挑战,提出通过提示优化和策略细化提升GPT的零样本分类性能,并引入基于分解-聚合的提示工程技术,实验表明该方法无需额外微调即可显著提升分类效果。
2025-04-25 cs.CL cs.CV cs.LG
A Systematic Review on Prompt Engineering in Large Language Models for K-12 STEM Education
Carnegie Mellon University(卡内基梅隆大学);University of Sheffield(谢菲尔德大学);Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院)
本研究通过PRISMA协议系统综述2021-2024年间30篇文献,分析了K-12 STEM教育中LLMs结合提示工程的应用,发现少样本和思维链等先进提示策略效果显著,且微调小模型在特定情境下可优于大模型。
2024-10-14 cs.CL cs.HC
Theoretical Foundations of Prompt Engineering: From Heuristics to Expressivity
Department of Computer Engineering(计算机工程系);Gachon University(加山大学)
本文提出了一种基于Transformer的提示工程理论框架,通过将提示视为外部程序,揭示了注意力、FFN和深度堆叠在不同计算中的作用,并证明了固定主干可通过提示近似广泛目标行为。
2026-01-13 cs.AI cs.CL cs.LG
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
A Tutorial on Prompt Engineering: From Messy Thoughts to AI Workflows
Cisco(思科);University of Edinburgh(爱丁堡大学);Islamic Azad University(伊斯兰阿扎德大学);SLAI;CUHK-SZ(香港中文大学(深圳))
本教程将提示工程系统化为可复用设计步骤,结合奥卡姆剃刀与契诃夫之枪原则及批判验证,提供从随意提示到规范AI工作流的实用路径。
2026-09-22 cs.AI cs.CL cs.HC
ChainForge: A Visual Toolkit for Prompt Engineering and LLM Hypothesis Testing
Harvard University(哈佛大学)
本文提出开源可视化工具ChainForge,支持无需编程即可进行LLM提示工程与假设检验,并通过用户研究验证其可用性,总结出三种使用模式。
2024-05-03 cs.AI cs.HC
Cognitive Bias Detection Using Advanced Prompt Engineering
Georgetown University(乔治城大学);CGI Federal(CGI联邦公司)
本文提出利用大语言模型与高级提示工程实时检测用户文本中的确认偏差、循环推理等认知偏差,实验证明其高准确性,可提升内容客观性并降低有偏决策风险。
2025-03-07 cs.AI cs.CL cs.CY
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 Brief History of Prompt: Leveraging Language Models. (Through Advanced Prompting)
University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文系统梳理了从早期语言模型到2023年提示工程的演变历程,涵盖注意力机制、强化学习、上下文提示和预训练等关键技术,并强调伦理考量对未来AI系统的重要性。
2023-11-28 cs.AI cs.CL
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
Automated Black-box Prompt Engineering for Personalized Text-to-Image Generation
Carnegie Mellon University(卡内基梅隆大学);University of Pennsylvania(宾夕法尼亚大学);Sony AI(索尼人工智能);Sony Group Corporation(索尼集团);Bosch Center for AI(博世人工智能中心)
本文提出PRISM算法,利用大语言模型的上下文学习能力,在仅黑盒访问条件下自动生成可解释、可迁移的文本到图像提示,并在多个主流T2I模型上验证了其有效性。
2025-08-16 cs.AI cs.CL cs.CV
Characterizing Fitness Landscape Structures in Prompt Engineering
Department of Data Analytics, Dalarna University(数据分析系,达拉那大学);BEACON Institute for the Study of Evolution in Action, Michigan State University(进化行为研究所,密歇根州立大学)
本研究通过自相关分析表征提示工程的适应度景观,发现系统枚举与多样化生成产生不同拓扑,为理解提示优化复杂性提供实证基础。
2025-09-04 cs.AI
Using Evidence-Centered Design to Guide Prompt Engineering in Measurement: An Illustration with Automated Essay Scoring
Curriculum Associates(课程关联公司);The University of Georgia(佐治亚大学);The University of Maryland, College Park(马里兰大学帕克分校)
该研究将教育测评领域的证据中心设计(ECD)框架应用于提示工程,提出基于ECD的提示工程工作流程与设计原则,经自动作文评分任务实证验证,可提升AI教育输出的效度、信度与公平性。
2026-10-20 cs.AI cs.HC
Investigating Prompt Engineering in Diffusion Models
Red Dragon AI(红龙人工智能)
随着Text 2 Img扩散模型(例如DALL-E 2、Imagen、Mid Journey和Stable Diffusion)的使用的普及,艺术家面临的一个挑战是选择正确的提示以实现期望的艺术输出。我们提出的技术,用于测量的效果,特定的单词和短语的提示,并(在附录中)提出的提示,以产生预期的效果的选择指导。
2022-11-21 cs.AI cs.CL cs.CV
A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT
Vanderbilt University(范德堡大学)
快速工程提示工程是与大语言模型(LLM)(如ChatGPT)进行有效对话所需的越来越重要的技能。指令是给予LLM的指令,用于执行规则,自动化流程,并确保生成的输出的特定质量(和数量)。脚本也是一种编程形式,可以自定义输出和与LLM的交互。本文描述了一个目录的提示工程技术模式的形式,已被应用于解决常见问题时,与LLM交谈。提示模式是一种类似于软件模式的知识转移方法,因为它们为特定上下文中面临的常见问题提供了可重用的解决方案,即,使用LLM时的输出生成和交互。本文提供了以下贡献的提示工程,应用LLM自动化软件开发任务的研究。首先,它提供了一个框架,用于记录模式,以结构化提示来解决一系列问题,以便它们可以适应不同的领域。其次,它提供了一个已成功应用于改善LLM对话输出的模式目录。第三,它解释了如何从多个模式中构建提示,并说明了与其他提示模式相结合的提示模式。
2023-02-21 cs.AI cs.SE
Sem-DPO: Mitigating Semantic Inconsistency in Preference Optimization for Prompt Engineering
University of Minnesota(明尼苏达大学);Virginia Tech(弗吉尼亚理工大学);Xi’an University of Technology(西安理工大学);Lahore University of Management Sciences(拉合尔管理科学大学);University of California, Santa Cruz(加州大学圣克鲁兹分校)
针对DPO用于提示工程时存在的语义不一致问题,提出加入语义权重调整损失的Sem-DPO,证明其语义漂移有界,实验显示其在文本到图像提示优化任务上效果优于DPO及现有最优基线。
2025-07-29 cs.AI cs.CL cs.LG
Unleashing the potential of prompt engineering for large language models
Guangdong Provincial Key Laboratory of Interdisciplinary Research and Application for Data Science(interdisciplinary Research and Application for Data Science省重点实验室);BNU-HKBU United International College(北京师范大学-香港浸会大学联合国际学院);Research Center for Mathematics, Beijing Normal University(北京师范大学数学研究中心)
该综述系统梳理大语言模型与视觉语言模型的提示工程基础及前沿方法,分析相关安全风险与评估方式,为后续研究与应用提供结构化框架。
2025-05-11 cs.AI cs.CL
A Sequential Optimal Learning Approach to Automated Prompt Engineering in Large Language Models
Northwestern University(西北大学);Stevens Institute of Technology(史蒂文斯理工学院)
本文提出基于特征表示、贝叶斯回归与 Knowledge-Gradient 序贯学习的自动化提示工程框架,可在有限评估预算下高效搜索提示,并在指令归纳任务上显著优于基准策略。
2025-01-07 cs.CL
Prompt Engineering in Segment Anything Model: Methodologies, Applications, and Emerging Challenges
School of Computer Science and Technology, Tongji University(计算机科学与技术学院,同济大学)
本综述系统梳理了SAM的提示工程技术,将其分为三类并分析方法演变,探讨其跨领域应用,指出三大挑战并提出有前景的研究方向,为相关领域提供参考。
2026-08-18 cs.AI cs.CV
RePrompt: Planning by Automatic Prompt Engineering for Large Language Models Agents
University of Southern California(南加州大学)
针对LLM智能体中自动提示工程依赖最终检查器的问题,提出\textsc{RePrompt}方法,基于交互反思的聊天历史以类似梯度下降方式优化逐步指令,无需最终检查器,在多推理任务上提升性能。
2025-02-13 cs.AI cs.CL cs.LG
Leveraging Large Language Models with Chain-of-Thought and Prompt Engineering for Traffic Crash Severity Analysis and Inference
College of Engineering(工程学院);University of Georgia(佐治亚大学)
本文将事故严重程度推断建模为分类任务,利用模板叙述、CoT 与领域提示工程评估 GPT-3.5-turbo 及 LLaMA3 模型,证明 LLaMA3-70B 与 CoT 提示可显著提升推理性能。
2024-08-04 cs.AI cs.CL cs.LG