面向大语言模型文化偏差与对齐的提示编程

文化塑造推理、价值观、优先级排序与战略决策，然而大语言模型（LLM）常表现出与目标人群不一致的文化偏差。随着 LLM 日益被用于战略决策、政策支持以及摘要、分类与合规导向审计等文档工程任务，改进文化对齐对于确保下游分析与建议反映目标人群的价值轮廓而非模型默认先验十分重要。已有工作提出基于调查问卷的文化对齐框架，并表明文化特定提示可以减少错位，但其主要评估专有模型且依赖人工提示工程。本文在开放权重 LLM 上复现其基于社会科学调查的投影与距离度量，检验同样的文化偏斜与文化条件化收益是否在封闭 LLM 系统之外依然成立，以此验证并扩展该框架。在此基础上，我们引入使用 DSPy 的提示编程来处理该问题——将提示视为模块化、可优化的程序——通过针对文化距离目标进行优化来系统调整文化条件化。实验表明，提示优化往往优于文化提示工程，这提示基于 DSPy 的提示编译可为文化对齐的 LLM 响应提供更稳定、更可迁移的路径。