自适应提示结构分解：自我发现和优化组合提示程序的框架

自动提示优化对于从 大语言模型 (LLM) 引出可靠推理至关重要，但大多数仅 API 提示优化器会迭代地编辑整体提示、耦合组件并模糊贡献分配、限制可控性并浪费词元。我们提出了自适应提示结构分解（aPSF），这是一个仅 API 的框架（提示输入/文本输出；无法访问模型内​​部），它使用 Architect 模型来发现特定于任务的提示结构作为语义因素。然后，aPSF 执行干预性单因素更新：干预性因素级评分通过验证性能变化来估计每个因素的边际贡献，而错误引导因素选择将更新路由到当前的主要故障源，以实现更高效的样本优化。在多个高级推理基准测试中，aPSF 的性能优于包括原理感知优化器在内的强大基线，平均将准确度提高了 +2.16 个百分点，并在 MultiArith 上将优化成本降低了 45--87%，同时一步即可达到峰值验证。