Промпт-инжиниринг стал ключевым направлением в работе с LLM, а растущая сложность задач и вариантов инструкций потребовала автоматизации. Статья подробно разбирает эволюцию методов создания промптов — от ручного перебора комбинаций до современных подходов автопромптинга.

• Проблемы ручного промптинга: перебор комбинаций инструкций трудоёмок и требует экспертности, эффективность промпта часто зависит от нюансов формата, а одни и те же промпты не всегда универсальны для разных задач.
• Автопромптинг — автоматизация поиска и оптимизации промптов с помощью методов gradient-based, LLM-based, evolutionary-based и RL-based. Такие алгоритмы позволяют ускорить и удешевить подбор эффективных инструкций, находя новые паттерны без необходимости дообучения моделей.
• Ключевые техники: AutoPrompt, HPME, OPRO, PromptBreeder, RLPrompt и другие. Автопромптинг применяется не только в текстовых, но и мультимодальных задачах, включая изображения и видео.
• Текущие вызовы: интерпретируемость vs эффективность, real-time автопромптинг, мультимодальность и многоцелевая оптимизация промптов.
• Ожидается, что развитие автопромптинга позволит снизить барьер входа, повысить качество генераций и сократить затраты на ручную работу промпт-инженеров. В будущем технология будет особенно востребована до появления truly understanding моделей и AGI.