自动提示工程（Automatic Prompt Engineering，APE）的核心思想是：与其人肉反复试错提示词，不如把提示词当作可优化的参数，让模型自己生成候选、在验证集上跑分、再迭代改进——用「程序优化提示词」替代「人优化提示词」。
典型流程
- 候选生成：让强模型根据少量示例自动写出多个风格各异的指令候选
- 自动评估：在带标准答案的验证集上批量测试每个候选，用任务得分排序
- 迭代优化：保留高分候选，基于失败案例继续改写（如 DSPy 框架把提示词优化实现为类似神经网络的优化器：你声明输入输出和评估指标，框架自动搜索最优的提示组合）
与提示词工程的关系
传统提示词工程靠人的经验与直觉，APE 把这一步自动化、可复现化；两者不是替代关系——APE 仍需要人来定义任务目标、评估指标和优质示例，只是把「措辞搜索」这一机械环节交给程序。
适用边界
适合有清晰评估标准的批量任务；开放式创意任务缺乏可靠评分信号，自动优化的收益有限。评估集本身的质量决定优化上限，也可能引入过拟合。