DynaContext：面向异构参数提取的优化提示自改进动态情境化

自动化的提示与技能优化通常产生单一静态指令，在各推理实例间复用，直到下一个优化周期。然而，当所需上下文、约束和证据因实例而异时，这种方法无法适应。例如，从电子元器件描述中提取参数就打破了这一假设：电阻、电容、晶体管和连接器需要不同的字段、单位约束和示例，且每个输入提供不同的证据状态。我们提出DynaContext，一个将离线优化的提取核心（用GEPA或SkillOpt学习）与推理时上下文适配和验证门控的自改进相结合的框架。DynaContext将每个条目路由到内部、外部或回退证据路径，并从核心、模式、证据、未解析字段和经验证的示例中组合条目专属的提示。确定性验证和LLM评判器对每个输出把关，不确定情形进入人工审核，只有经人工验证的修正才进入示例记忆。在单类别基准上，平均准确率从基础提示的86.6%提升到独立SkillOpt的96.9%和最佳DynaContext配置的98.6%。在850个异构标注参数事实上，平均字段级F1从无优化、无示例对照的51.8%提升到仅用动态示例的59.2%、仅用优化核心的66.9%，以及两者结合的71.0%。在固定模型的情况下，完整配置平均比部署中的静态提示流程高出17.3个F1点。