---
title: "Automatic Prompt Engineer (APE) (TL)"
source: "https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)"
wiki: "systems-analysis.info/int"
article: "Automatic_Prompt_Engineer_(APE)_(TL)"
language: "tl"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Tagalog"
revision_id: 498
wiki_created_at: 2026-09-06T22:34:37Z
wiki_modified_at: 2026-09-06T22:34:37Z
downloaded_at: 2026-09-07T22:40:31Z
---

# Automatic Prompt Engineer (APE) (TL)

**Automatic Prompt Engineer** (**APE**) — isang pamamaraan ng automated na pagbuo at pag-optimize ng mga tekstong instruksyon (prompt) para sa pamamahala ng gawi ng malalaking modelo ng wika (LLM). Ang diskarteng ito ay iminungkahi noong 2022 ng isang pangkat ng mga mananaliksik sa ilalim ng pamumuno ni **Yongchao Zhou**<sup>[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-ape_zhou_2022-1)</sup>.

Sa halip na manu-manong pagpili at paulit-ulit na pagpapabuti ng mga prompt, pino-pormal ng APE ang prompt engineering bilang isang gawain ng pag-optimize. Sa loob ng gawaing ito, ang prompt ay itinuturing na isang «programa» sa natural na wika na kailangang i-synthesize upang mapakinabangan ang isang tiyak na function ng kalidad (halimbawa, ang katumpakan o pagiging maaasahan ng mga sagot ng modelo)<sup>[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-survey_li_2025-2)</sup>.

## Pangunahing Konsepto at Pamamaraan

Gumagamit ang APE ng dalawang modelo ng wika nang magkasabay: ang *modelo-generator* at ang *target na modelo*. Ang proseso ay isang paulit-ulit na ikot ng paghahanap at pagpili (*search-and-select*):

1.  **Pagbuo ng mga kandidato**. Tinatanggap ng modelo-generator bilang input ang ilang halimbawa ng mga pares na «input-output» para sa target na gawain at batay sa mga ito ay lumilikha ng maraming posibleng prompt-kandidato na maaaring humantong sa ganitong mga resulta.
2.  **Pagsusuri**. Ang bawat nabuong prompt-kandidato ay ipinapasa sa target na LLM. Isinasagawa ng target na modelo ang instruksyon sa isang bagong set ng datos ng pagsubok, at ang mga sagot nito ay sinusuri ayon sa isang paunang natukoy na sukatan (halimbawa, katumpakan, kumpleto, F1-measure).
3.  **Pagpili**. Pinipili ang prompt na nagpakita ng pinakamahusay na resulta batay sa pagsusuri.
4.  **Pag-uulit (opsyonal)**. Maaaring paulit-ulitin ang ikot. Tinatanggap ng modelo-generator ang utos na pinuhin ang pinakamahusay na nahanap na prompt, na lumilikha ng mga pagbabago nito, pagkatapos ay inuulit ang proseso ng pagsusuri at pagpili upang makamit ang pinakamataas na kahusayan<sup>[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-ape_zhou_2022-1)</sup>.

Ang diskarteng ito ay nagbibigay-daan na awtomatikong isalin ang proseso ng manu-manong pagpili ng prompt, gamit ang LLM para sa pagbuo ng mga hypothesis (prompt) at sa kanilang kasunod na pagsusuri.

## Mga Pangunahing Pamamaraan

Ang automation ng prompt engineering ay isinasagawa sa pamamagitan ng iba't ibang algorithmic na diskarte.

### Automation batay sa LLM

Ito ang klasikong pamamaraan ng APE na inilarawan sa itaas, kung saan ang isang LLM ay ginagamit upang bumuo at suriin ang mga prompt para sa isa pa (o sa parehong) LLM. Ang diskarteng ito ay naging napaka-epektibo para sa mga discrete na tekstong prompt<sup>[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-ape_zhou_2022-1)</sup>.

### Mga Evolutionary na Pamamaraan

Ginagamit ang mga genetic algorithm o beam search para sa paglikha at seleksyon ng mga prompt, lalo na ang mahahaba at kumplikadong mga ito. Halimbawa, ang framework na **APEX** (*Automatic Engineering of Long Prompts*) ay gumagamit ng mga evolutionary algorithm para sa unti-unting «pagpapalaki» at pagpapabuti ng mga kumplikadong instruksyon<sup>[\[3\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-apex_hsieh_2024-3)</sup>.

### Mga Gradient na Pamamaraan (Soft Prompts)

Ang diskarteng ito ay gumagana sa *tuluy-tuloy* o *malambot* na mga prompt (*soft prompts*), na kumakatawan sa mga natututohan na vector (embedding), at hindi mga tekstong instruksyon. Ang mga vector na ito ay ino-optimize sa pamamagitan ng gradient descent nang direkta sa target na gawain. Kasama rito ang mga teknik tulad ng Prompt Tuning at Prefix-Tuning.

### Reinforcement Learning

Sa paradigmang ito, ang LLM ay gumaganap bilang isang ahente na bumubuo ng prompt (aksyon), at ang kapaligiran ay nagbabalik ng isang pagtatasa ng kalidad ng sagot (gantimpala). Ang layunin ay i-maximize ang kabuuang gantimpala sa pamamagitan ng paghahanap ng pinakamainam na estratehiya ng pagbuo ng prompt sa pamamagitan ng mga pamamaraan ng Reinforcement Learning (RL)<sup>[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-survey_li_2025-2)</sup>.

## Mga Resulta at Natuklasan

Ipinakita ng mga eksperimento sa loob ng orihinal na pananaliksik ng APE na sa karamihan ng mga kaso, ang mga awtomatikong nabuong instruksyon ay mas mataas ang kalidad kaysa sa mga prompt na isinulat ng tao.

- Sa panahon ng pagsubok sa 24 na gawain ng pagproseso ng natural na wika (NLP), nabuo ng APE ang mga prompt na **mas epektibo kaysa sa mga gawa ng tao sa 19 sa 24 na kaso**<sup>[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-ape_zhou_2022-1)</sup>.
- Nagawa ng APE na awtomatikong «tuklasin» ang mas epektibong parirala para sa Chain-of-Thought na estilo ng prompting. Sa halip na ang karaniwang parirala na *«Let's think step by step»* (Mag-isip tayo nang hakbang-hakbang), nabuo ng APE ang mas detalyado at mas epektibong instruksyon: *«Let's work this out in a step by step way to be sure we have the right answer»* (Gawin nating hakbang-hakbang ito upang matiyak na makukuha natin ang tamang sagot). Ang parirasang ito ay nagpataas ng katumpakan sa paglutas ng mga gawaing matematika sa mga dataset tulad ng MultiArith at GSM8K<sup>[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-ape_zhou_2022-1)</sup>.

## Paggamit at Mga Kalamangan

### Mga Paggamit

- **Pagpapabuti ng few-shot learning**: Awtomatikong pagpili ng pinakamainam na mga halimbawa at instruksyon.
- **Pagpapataas ng pagiging maaasahan ng mga modelo**: Maaaring i-configure ang APE upang maghanap ng mga prompt na nagpapababa ng «mga hallucination» at nagpapakinabang ng katotohanan ng mga sagot sa mga benchmark tulad ng *TruthfulQA*.
- **Automation ng pagpapaunlad**: Pagpapabilis ng paglikha ng mga chat-bot, sistema ng pagkuha ng impormasyon, at iba pang LLM-aplikasyon<sup>[\[4\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-mdpi_app-4)</sup>.

### Mga Kalamangan

- **Scalability**: Kakayahang awtomatikong bumuo at suriin ng daan-daan at libu-libong prompt nang walang pakikilahok ng tao.
- **Adaptability**: Madaling pag-angkop ng LLM sa mga bago at lubhang espesyalisadong larangan.
- **Pagtitipid ng mga mapagkukunan**: Makabuluhang pagbabawas ng oras at pagsisikap na ginagastos sa manu-manong pagpili ng prompt.

## Pag-unlad at Mga Kaugnay na Diskarte

Patuloy na umuunlad ang konsepto ng APE. Lumitaw ang mga ganap na autonomous na sistema tulad ng **APET** (*Automatic Prompt Engineering Toolbox*), na nagpapahintulot sa LLM (halimbawa, GPT-4) na independyenteng mag-apply ng mga kumplikadong estratehiya ng prompting (*Expert Prompting*, *Chain of Thought*, *Tree of Thoughts*) at dinamikong pagbutihin ang mga instruksyon nang walang panlabas na interbensyon<sup>[\[5\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_note-apet_kepel_2024-5)</sup>.

Ang APE ay bahagi ng mas malawak na trend tungo sa automation ng pakikipag-ugnayan sa LLM, na kinabibilangan din ng:

- **AutoPrompt**: Isang maagang pamamaraan na gumamit ng gradient na paghahanap upang mahanap ang mga indibidwal na «trigger» na token.
- **OPRO** (*Optimization by PROmpting*): Isang diskarte na katulad ng APE mula sa DeepMind, na gumagamit din ng LLM para sa pag-optimize ng mga prompt.

## Mga Sanggunian

- Opisyal na website ng proyektong Automatic Prompt Engineer (APE)
- Siyentipikong artikulo «Large Language Models Are Human-Level Prompt Engineers»
- AutoPrompt (2020). *AutoPrompt – Official GitHub Repository*. GitHub.

## Panitikan

- 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.

## Mga Tala

1.  <span id="cite_note-ape_zhou_2022-1">↑ <sup>[1.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_ref-ape_zhou_2022_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_ref-ape_zhou_2022_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_ref-ape_zhou_2022_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_ref-ape_zhou_2022_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_ref-ape_zhou_2022_1-4)</sup> Zhou, Y. et al. «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*, 2022. <a href="https://arxiv.org/abs/2211.01910" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-survey_li_2025-2">↑ <sup>[2.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_ref-survey_li_2025_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_ref-survey_li_2025_2-1)</sup> Li, W. et al. «A Survey of Automatic Prompt Engineering: An Optimization Perspective». *arXiv:2502.11560*, 2025. <a href="https://arxiv.org/abs/2502.11560" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-apex_hsieh_2024-3">[↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#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*. <a href="https://aclanthology.org/2024.findings-acl.634/" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-mdpi_app-4">[↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_ref-mdpi_app_4-0) Fernandez-garcia, A. et al. «Automatic Prompt Engineering for Foundation Models: A Survey». *MDPI Electronics*, 2025. <a href="https://www.mdpi.com/2079-9292/14/11/2145" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-apet_kepel_2024-5">[↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TL)#cite_ref-apet_kepel_2024_5-0) Kepel, D. & Valogianni, K. «Autonomous Prompt Engineering in Large Language Models». *arXiv:2407.11000*, 2024. <a href="https://arxiv.org/abs/2407.11000" class="external autonumber" rel="nofollow">[5]</a></span>