计算机科学与探索

作者：田一帆, 蔡满春, 石拓

单位：1. 中国人民公安大学 信息网络安全学院，北京 1000382. 北京警察学院 公安管理系，北京 1022023. 北京警察学院 北京市公安局警察学院警务情报与数据智能标准实验室，北京 102202

关键词：大语言模型,提示词自动优化,遗传算法

基金：国家自然科学基金（62406023）；高等学校学科创新引智基地资助项目（B20087）。

大语言模型（LLM）作为近年来人工智能领域的代表性突破之一，已广泛应用于学术、商业、生产、生活等各个领域，为各行各业提质增效带来强大动力。有研究表明，大语言模型的性能表现与提示词的质量密切相关。传统提示词多依赖于人工编写和试错，存在效率低、可扩展性差等缺陷。指令-示例交叉进化的大语言模型提示词优化方法（POIECE）的提出为上述问题提供了较好的解决方案。方法构造了一个指令空间与示例空间的双维度交叉进化框架，通过自反馈的梯度下降算法（GD），实现提示词空间的局部定向探索，通过遗传算法（GA）的交叉与变异机制，实现提示词空间的全局探索；同时引入文本相似度抑制、回译等策略，在提示词语义合理的基础上进一步扩展探索空间，确保迭代优化的持续有效性。POIECE方法在Ethos、Liar、Jailbreak数据集上分别进行了对比实验和消融实验，结果表明，POIECE方法相较传统提示词构建方法、现有提示词优化方法以及单独指令或示例的优化方法，取得了实验结果的显著提升，验证了方法的有效性。

来源：2026年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第4期