--- title: "Automatic Prompt Engineer (APE) (CS)" source: "https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)" wiki: "systems-analysis.info/int" article: "Automatic_Prompt_Engineer_(APE)_(CS)" language: "cs" categories: - "Category:Czech" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 480 wiki_created_at: 2026-09-06T22:34:22Z wiki_modified_at: 2026-09-06T22:34:22Z downloaded_at: 2026-09-07T22:40:25Z --- # Automatic Prompt Engineer (APE) (CS) **Automatic Prompt Engineer** (**APE**) — je metodika automatizované generování a optimalizace textových instrukcí (promptů) pro řízení chování velkých jazykových modelů (LLM). Přístup byl navržen v roce 2022 skupinou výzkumníků pod vedením **Yongchao Zhoua** (*Yongchao Zhou*)[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-ape_zhou_2022-1). Namísto ručního výběru a iterativního zdokonalování pokynů APE formalizuje inženýrství promptů jako optimalizační úlohu. V rámci této úlohy je pokyn považován za „program" v přirozeném jazyce, který je třeba syntetizovat za účelem maximalizace určité funkce kvality (například přesnosti nebo věrohodnosti odpovědí modelu)[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-survey_li_2025-2). ## Základní koncepce a metoda Metoda APE využívá dvě jazykové modely v tandemu: *model-generátor* a *cílový model*. Proces představuje iterativní cyklus vyhledávání a výběru (*search-and-select*): 1. **Generování kandidátů**. Model-generátor dostane na vstup několik příkladů párů „vstup-výstup" pro cílovou úlohu a na jejich základě vytvoří množinu možných promptů-kandidátů, které by mohly vést k takovým výsledkům. 2. **Hodnocení**. Každý vygenerovaný prompt-kandidát je předán cílovému LLM. Cílový model provede instrukci na nové sadě testovacích dat a jeho odpovědi jsou ohodnoceny podle předem definované metriky (například přesnost, úplnost, F1-míra). 3. **Výběr**. Vybere se prompt, který dosáhl nejlepšího výsledku po hodnocení. 4. **Iterace (volitelně)**. Cyklus se může opakovat. Model-generátor dostane pokyn k dopracování nejlepšího nalezeného promptu, přičemž vytváří jeho varianty, načež se proces hodnocení a výběru opakuje za účelem dosažení maximální efektivity[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-ape_zhou_2022-1). Tento přístup umožňuje automaticky reprodukovat proces ručního výběru promptů pomocí LLM ke generování hypotéz (promptů) a jejich následnému hodnocení. ## Klíčové metodologie Automatizace inženýrství promptů je realizována pomocí různých algoritmických přístupů. ### Automatizace založená na LLM Jde o klasickou metodu APE popsanou výše, kde jeden LLM slouží ke generování a hodnocení promptů pro jiný (nebo tentýž) LLM. Tento přístup se ukázal jako velmi efektivní pro diskrétní textové prompty[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-ape_zhou_2022-1). ### Evoluční metody Používají se genetické algoritmy nebo prohledávání paprskem (beam search) pro tvorbu a selekci promptů, zejména dlouhých a složitých. Například framework **APEX** (*Automatic Engineering of Long Prompts*) využívá evoluční algoritmy pro postupné „pěstování" a zdokonalování složitých instrukcí[\[3\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-apex_hsieh_2024-3). ### Gradientní metody (Soft Prompts) Tento přístup pracuje s *kontinuálními* nebo *měkkými* prompty (*soft prompts*), které představují trénovatelné vektory (embeddingy), nikoliv textové instrukce. Tyto vektory jsou optimalizovány pomocí gradientního sestupu přímo na cílové úloze. Patří sem techniky jako Prompt Tuning a Prefix-Tuning. ### Reinforcement Learning V tomto paradigmatu vystupuje LLM v roli agenta, který generuje prompt (akci), zatímco prostředí vrací hodnocení kvality odpovědi (odměnu). Cílem je maximalizovat kumulativní odměnu nalezením optimální strategie generování promptů prostřednictvím metod Reinforcement Learning (RL)[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-survey_li_2025-2). ## Výsledky a zjištění Experimenty v rámci původního výzkumu APE ukázaly, že automaticky vygenerované instrukce ve většině případů předčí kvalitatou prompty napsané člověkem. - Při testování na 24 úlohách zpracování přirozeného jazyka (NLP) vygeneroval APE prompty, které byly **efektivnější než lidské v 19 z 24 případů**[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-ape_zhou_2022-1). - APE dokázal automaticky „objevit" efektivnější formulaci pro prompting ve stylu Chain-of-Thought. Místo standardní fráze *„Let's think step by step"* (Pojďme uvažovat krok za krokem) APE vygeneroval rozsáhlejší a efektivnější instrukci: *„Let's work this out in a step by step way to be sure we have the right answer"* (Pojďme to rozebrat krok za krokem, abychom se ujistili, že dostaneme správnou odpověď). Tato formulace zvýšila přesnost řešení matematických úloh na datasetech jako MultiArith a GSM8K[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-ape_zhou_2022-1). ## Využití a výhody ### Využití - **Zlepšení few-shot learningu**: Automatický výběr optimálních příkladů a instrukcí. - **Zvýšení věrohodnosti modelů**: APE může být nastaven na vyhledávání promptů, které minimalizují „halucinace" a maximalizují pravdivost odpovědí na benchmarcích, jako je *TruthfulQA*. - **Automatizace vývoje**: Urychlení tvorby chatbotů, systémů pro získávání informací a dalších LLM aplikací[\[4\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-mdpi_app-4). ### Výhody - **Škálovatelnost**: Možnost automaticky generovat a hodnotit stovky a tisíce promptů bez účasti člověka. - **Adaptabilita**: Snadné přizpůsobení LLM novým, úzce specializovaným doménám. - **Úspora zdrojů**: Výrazné zkrácení času a úsilí vynakládaného na ruční výběr promptů. ## Vývoj a související přístupy Koncepce APE se nadále rozvíjí. Vznikly plně autonomní systémy, jako je **APET** (*Automatic Prompt Engineering Toolbox*), které umožňují LLM (například GPT-4) samostatně aplikovat složité strategie promptingu (*Expert Prompting*, *Chain of Thought*, *Tree of Thoughts*) a dynamicky zdokonalovat instrukce bez vnějšího zásahu[\[5\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_note-apet_kepel_2024-5). APE je součástí širšího trendu automatizace interakce s LLM, který zahrnuje také: - **AutoPrompt**: Dřívější metoda využívající gradientní vyhledávání k nalezení jednotlivých tokenů-„spouštěčů". - **OPRO** (*Optimization by PROmpting*): Přístup podobný APE od DeepMind, také využívající LLM pro optimalizaci promptů. ## Odkazy - Oficiální stránka projektu Automatic Prompt Engineer (APE) - Vědecký článek „Large Language Models Are Human-Level Prompt Engineers" - AutoPrompt (2020). *AutoPrompt – Official GitHub Repository*. GitHub. ## Literatura - 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. ## Poznámky 1. ↑ [1.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_ref-ape_zhou_2022_1-0) [1.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_ref-ape_zhou_2022_1-1) [1.2](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_ref-ape_zhou_2022_1-2) [1.3](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#cite_ref-ape_zhou_2022_1-3) [1.4](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#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)_(CS)#cite_ref-survey_li_2025_2-0) [2.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#cite_ref-apet_kepel_2024_5-0) Kepel, D. & Valogianni, K. «Autonomous Prompt Engineering in Large Language Models». *arXiv:2407.11000*, 2024. [5]