Large Language Models Are Human-Level Prompt Engineers

• 类型：arxiv
• 标识：2211.01910
• 链接：https://arxiv.org/abs/2211.01910
• 主题：engineering
• 主分类：llm-infra
• 形态：method
• 被引：1540
• 被引来源：Semantic Scholar
• S2被引：1540
• OpenAlex被引：298
• 影响力被引：131
• TLDR：It is shown that APE-engineered prompts can be applied to steer models toward truthfulness and/or informativeness, as well as to improve few-shot learning performance by simply prepending them to standard in-context learning prompts.
• OpenAlex ID：W4308244910
• OpenAlex DOI：10.48550/arxiv.2211.01910
• DOI：10.48550/arxiv.2211.01910
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2211.01910
• OpenAlex更新：2026-08-18
• 待LLM分类：否
• 成熟度：research
• 场景：prompt engineering、automatic prompt generation、few-shot learning
• 标题中文：大语言模型是人类水平的提示词工程师
• TLDR中文：研究表明，APE 生成的提示词既可引导模型趋向真实性和/或信息量，也可通过将其前置拼接到标准上下文学习提示词之前来提升少样本学习性能。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]