大語言模型（LLM）的可靠回答依賴於使用者明確指定需求、上下文和約束。然而，實際中使用者查詢往往缺乏明確說明，迫使模型推斷未宣告的假設，這可能與使用者真實意圖不符。現有提示工程指南試圖緩解這一問題，但它們通常是通用且與任務無關的，實際效用有限。此外，現有指南的形成方式多為手動且缺乏系統性。
為了解決這一挑戰，研究團隊提出了一種自動方法AGOPS，用於生成任務特定的提示指南。AGOPS的核心洞察在於，現有的已完成任務示例（即參考答案）往往隱式編碼了完成未明確查詢所需的資訊，包括行為約束、上下文假設和評估標準。基於這一觀察，AGOPS透過一個最佳化方案自動進化指南，該方案涉及三個關鍵元件：提示編寫LLM（負責生成提示）、求解LLM（負責執行任務並評估效能）以及提示進化機制（迭代改進指南）。該最佳化過程旨在最大化一組示例（使用者查詢與參考答案）的下游任務效果。在推理時，這些指南幫助使用者編寫更明確的提示，從而提升LLM的效能。
研究團隊在數學推理、醫學問答和程式設計任務上進行了廣泛實驗。結果顯示，提示的模糊性導致下游任務效能大幅下降，最高達95.3%（與明確提示相比）。更重要的是，這種效能下降難以透過現有的提示最佳化技術（如自動提示調優）恢復。然而，遵循AGOPS指南的使用者可以顯著重新獲得這些損失，在所有基準測試中平均效能提升15.5%至81.7%。該工作為提示工程提供了系統化的自動解決方案，有望提升LLM在實際應用中的可靠性和有效性，特別是在使用者需求複雜或任務多樣化的場景下。