“技术的终极承诺是让我们通过按一个按钮就能指挥世界。”——这句名言出自沃尔克·格拉斯穆克之口，放在如今大模型蓬勃发展的时代，仿佛正是为提示工程所作的最佳注解。

自从大型语言模型（LLM）问世以来，提示工程——即通过反复调整指令来优化模型输出——便成为除模型调参外另一项充满“玄学”色彩的手工技艺。随之而来的，是“提示工程师”这一新兴职位的兴起。然而，即便是经验最丰富的提示工程师，也难以确保自己调校出的提示词是最优解。这种不确定性，恰恰成了LLM实际落地过程中最棘手的瓶颈。

近日，北京大学团队推出了一套名为PAS的系统，旨在攻克这一难题。该系统主打“即插即用”理念，目标是自动增强提示词，从而显著提升模型输出质量。根据团队公布的数据，PAS在多个基准测试中实现了平均超过6个百分点的性能提升，某些场景下甚至超过了10个百分点。更关键的是，整个过程完全自动化——换言之，它希望将提示工程师从繁琐的手动调试中彻底解放出来。

提示工程的困境：不是不想优化，而是成本太高

提示工程的核心目标，是通过自动化方式增强提示，减少人工干预，同时提升LLM在特定任务上的表现。这一思路本身没有问题，但现有的方法，包括链式思考（Chain of Thought）和思维树（Tree of Thought）等策略，虽然在逻辑一致性上有所改善，可扩展性却很差。要让它们覆盖更多应用场景，就必须投入大量资源去评估每个提示的“适应度”。一旦涉及多组提示的探索，计算负担立刻变得沉重。

还有一些研究尝试从优化器的视角自动寻找提示，或者将演化算法引入离散提示优化。这些方向颇具潜力，但在实际落地时同样面临困境：成本太高，效率太低。

PAS系统：一个“即插即用”的自动补丁

北大团队的做法独辟蹊径。他们没有试图从零开始重构提示工程的方法论，而是选择了一条更务实的道路——为原始提示“打补丁”。PAS系统的核心思路是自动生成高质量的补充提示，并将其与原始提示拼接，形成增强后的输入。这样一来，LLM的潜力能被更充分地释放，且整个过程无需人工干预。

这一系统的实现依赖于三个关键环节。

首先是数据集构建。团队从LMSYS-1M和WildChat两个数据集中筛选高质量提示，经过数据去重、质量筛选和分类，最终整理出一个包含9000个（提示，补充提示）配对的数据集。这个规模不算大，但胜在精炼。

其次是自动数据生成。他们设计了一条基于少样本学习的自动化管道，借助精选的“黄金数据”，对每个类别的提示进行少样本学习，自动生成对应的补充提示。

最后是即插即用系统。利用上述生成的数据集微调一个专门的大语言模型，使其具备自动输出补充提示的能力——这就是PAS模型的核心。

PAS的优势：不止是效果好，更是成本可控

从实验结果来看，PAS系统的表现确实令人瞩目。与基础模型相比，它在所有指标上均有显著提升；即使与已有的BPO模型对比，PAS在大多数场景下也占据优势。而且，这种提升在不同规模的LLM上都能复现，并非仅对某一特定模型有效。

人工评估的结果也证实了这一点。在多个应用场景中，经PAS增强后的模型在回答的准确性、相关性和全面性上，均明显优于原始模型。

更值得关注的是其数据效率。仅用9000条数据就实现了显著的性能提升，而许多同类方法动辄需要数万甚至数十万条数据。这在实际工程中意味着更低的标注成本和更短的迭代周期。

此外，PAS的“即插即用”设计也大大增强了灵活性。无需对目标LLM进行任何重新训练或架构修改，直接集成即可。这一点，对于希望快速部署的企业来说，价值不言而喻。

未来还能怎么走？

PAS系统的出现，确实为提示工程领域带来了新的思路。但要说它是否就此宣告了提示工程师的“终结”，可能还为时过早。毕竟，这套系统目前仍依赖于少样本学习的数据生成质量，而更强大的数据生成方法、更灵活的集成方式、更广泛的应用场景，都还有待进一步探索。

不过，一个趋势已经愈发清晰：提示工程正在从一门“手艺”转向一套“系统”。从这个角度看，PAS的贡献不仅在于技术突破，更在于对行业分工的一次重组信号。可以确定的是，大模型应用的门槛，正在被一步步降低。