--- title: "Automatic Prompt Engineer (APE) (BG)" source: "https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)" wiki: "systems-analysis.info/int" article: "Automatic_Prompt_Engineer_(APE)_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 478 wiki_created_at: 2026-09-06T22:34:20Z wiki_modified_at: 2026-09-06T22:34:20Z downloaded_at: 2026-09-07T22:40:24Z --- # Automatic Prompt Engineer (APE) (BG) **Automatic Prompt Engineer** (**APE**) — това е методика за автоматизирано генериране и оптимизиране на текстови инструкции (промптове) за управление на поведението на големи езикови модели (LLM). Подходът е предложен през 2022 година от група изследователи под ръководството на **Йончао Джоу** (*Yongchao Zhou*)[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-ape_zhou_2022-1). Вместо ръчен подбор и итеративно подобряване на подсказките, APE формализира инженерията на промптовете като задача по оптимизация. В рамките на тази задача подсказката се разглежда като „програма" на естествен език, която трябва да бъде синтезирана с цел максимизиране на определена функция за качество (например точност или достоверност на отговорите на модела)[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-survey_li_2025-2). ## Основна концепция и метод Методът APE използва два езикови модела в тандем: *модел-генератор* и *целеви модел*. Процесът представлява итеративен цикъл на търсене и подбор (*search-and-select*): 1. **Генериране на кандидати**. Моделът-генератор получава като вход няколко примера от двойки „вход-изход" за целевата задача и въз основа на тях създава множество възможни промпт-кандидати, които биха могли да доведат до такива резултати. 2. **Оценка**. Всеки генериран промпт-кандидат се подава към целевата LLM. Целевият модел изпълнява инструкцията върху нов набор от тестови данни и отговорите му се оценяват по предварително определена метрика (например точност, пълнота, F1-мярка). 3. **Подбор**. Избира се промптът, показал най-добър резултат след оценяването. 4. **Итерация (по избор)**. Цикълът може да се повтори. Моделът-генератор получава команда да доработи най-добрия намерен промпт, създавайки негови вариации, след което процесът на оценяване и подбор се повтаря за постигане на максимална ефективност[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-ape_zhou_2022-1). Този подход позволява автоматично да се възпроизвежда процесът на ръчен подбор на промптове, като LLM се използва за генериране на хипотези (промптове) и тяхното последващо оценяване. ## Ключови методологии Автоматизацията на инженерията на промптовете се реализира чрез различни алгоритмични подходи. ### Автоматизация на базата на LLM Това е класическият метод APE, описан по-горе, при който една LLM се използва за генериране и оценяване на промптове за друга (или същата) LLM. Този подход се оказа много ефективен за дискретни текстови промптове[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-ape_zhou_2022-1). ### Еволюционни методи Използват се генетични алгоритми или лъчево търсене (beam search) за създаване и селекция на промптове, особено дълги и сложни. Например фреймуъркът **APEX** (*Automatic Engineering of Long Prompts*) прилага еволюционни алгоритми за постепенно „отглеждане" и подобряване на сложни инструкции[\[3\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-apex_hsieh_2024-3). ### Градиентни методи (Soft Prompts) Този подход работи с *непрекъснати* или *меки* промптове (*soft prompts*), които представляват обучаеми вектори (embedding-и), а не текстови инструкции. Тези вектори се оптимизират чрез градиентно спускане директно върху целевата задача. Тук се включват такива техники като Prompt Tuning и Prefix-Tuning. ### Обучение с подкрепление В тази парадигма LLM изпълнява ролята на агент, който генерира промпт (действие), а средата връща оценка за качеството на отговора (награда). Целта е да се максимизира съвкупната награда чрез намиране на оптимална стратегия за генериране на промптове посредством методи за обучение с подкрепление (Reinforcement Learning)[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-survey_li_2025-2). ## Резултати и открития Експериментите в рамките на оригиналното изследване APE показаха, че автоматично генерираните инструкции в повечето случаи превъзхождат по качество промптовете, написани от хора. - При тестване върху 24 задачи за обработка на естествен език (NLP) APE генерира промптове, които се оказаха **по-ефективни от човешките в 19 от 24 случая**[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-ape_zhou_2022-1). - APE успя автоматично да „открие" по-ефективна формулировка за промптване в стил Chain-of-Thought. Вместо стандартната фраза *„Let's think step by step"* (Нека мислим стъпка по стъпка), APE генерира по-разгърната и ефективна инструкция: *„Let's work this out in a step by step way to be sure we have the right answer"* (Нека го разработим стъпка по стъпка, за да се уверим, че получаваме правилния отговор). Тази формулировка повиши точността при решаване на математически задачи върху такива набори от данни като MultiArith и GSM8K[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-ape_zhou_2022-1). ## Приложение и предимства ### Приложения - **Подобряване на few-shot learning**: Автоматичен подбор на оптимални примери и инструкции. - **Повишаване на достоверността на моделите**: APE може да бъде настроен за търсене на промптове, които минимизират „халюцинациите" и максимизират правдивостта на отговорите върху такива benchmark-ове като *TruthfulQA*. - **Автоматизация на разработката**: Ускоряване на създаването на чат-ботове, системи за извличане на информация и други LLM-приложения[\[4\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-mdpi_app-4). ### Предимства - **Мащабируемост**: Възможност за автоматично генериране и оценяване на стотици и хиляди промптове без участието на човек. - **Адаптивност**: Лесно адаптиране на LLM към нови, тясно специализирани области. - **Икономия на ресурси**: Значително намаляване на времето и усилията, изразходвани за ръчен подбор на промптове. ## Развитие и свързани подходи Концепцията APE продължава да се развива. Появиха се напълно автономни системи, като **APET** (*Automatic Prompt Engineering Toolbox*), които позволяват на LLM (например GPT-4) самостоятелно да прилагат сложни стратегии за промптване (*Expert Prompting*, *Chain of Thought*, *Tree of Thoughts*) и динамично да подобряват инструкциите без външна намеса[\[5\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_note-apet_kepel_2024-5). APE е част от по-широката тенденция към автоматизация на взаимодействието с LLM, която включва също: - **AutoPrompt**: Ранен метод, използвал градиентно търсене за намиране на отделни токени-„тригери". - **OPRO** (*Optimization by PROmpting*): Подход, близък до APE, разработен от DeepMind, също използващ LLM за оптимизация на промптове. ## Връзки - Официален сайт на проекта Automatic Prompt Engineer (APE) - Научна статия „Large Language Models Are Human-Level Prompt Engineers" - AutoPrompt (2020). *AutoPrompt – Official GitHub Repository*. GitHub. ## Литература - Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Hsieh, C.-J. et al. (2024). *Automatic Engineering of Long Prompts*. Findings of ACL 2024. 2024.findings-acl.634. - Hsieh, C.-J. et al. (2023). *Automatic Long Prompt Engineering*. arXiv:2311.10117. - Shin, T. et al. (2020). *AutoPrompt: Eliciting Knowledge from Language Models with Automatically Generated Prompts*. arXiv:2010.15980. - Yang, C. et al. (2023). *Large Language Models as Optimizers (OPRO)*. arXiv:2309.03409. - Liu, Y. et al. (2024). *Revisiting OPRO: The Limitations of Small-Scale LLMs as Optimizers*. arXiv:2405.10276. - Kepel, D.; Valogianni, K. (2024). *Autonomous Prompt Engineering in Large Language Models (APET)*. arXiv:2407.11000. - Yang, C. et al. (2024). *Optimizing Instructions and Demonstrations for Multi-Stage LM Programs*. arXiv:2406.11695. - Hsieh, C.-J. et al. (2024). *APEX (code repository and results)*. PDF. ## Бележки 1. ↑ [1.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-ape_zhou_2022_1-0) [1.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-ape_zhou_2022_1-1) [1.2](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-ape_zhou_2022_1-2) [1.3](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-ape_zhou_2022_1-3) [1.4](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-ape_zhou_2022_1-4) Zhou, Y. et al. «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*, 2022. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-survey_li_2025_2-0) [2.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-survey_li_2025_2-1) Li, W. et al. «A Survey of Automatic Prompt Engineering: An Optimization Perspective». *arXiv:2502.11560*, 2025. [2] 3. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-apex_hsieh_2024_3-0) Hsieh, C.-J. et al. «Automatic Engineering of Long Prompts». *Findings of the Association for Computational Linguistics: ACL 2024*. [3] 4. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-mdpi_app_4-0) Fernandez-garcia, A. et al. «Automatic Prompt Engineering for Foundation Models: A Survey». *MDPI Electronics*, 2025. [4] 5. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(BG)#cite_ref-apet_kepel_2024_5-0) Kepel, D. & Valogianni, K. «Autonomous Prompt Engineering in Large Language Models». *arXiv:2407.11000*, 2024. [5]