--- title: "Meta Prompting — 元提示" source: "https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA" wiki: "systems-analysis.info/int" article: "Meta_Prompting_—_元提示" language: "zh" categories: - "Category:Chinese" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 4268 wiki_created_at: 2026-09-06T23:32:53Z wiki_modified_at: 2026-09-06T23:32:53Z downloaded_at: 2026-09-07T23:01:45Z --- # Meta Prompting — 元提示 **元提示**（英语：*meta-prompting*）是一种先进的提示工程方法，其中大型语言模型（LLM）被用于创建、调整和优化其自身的指令（提示）^{[\[1\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-cookbook_openai-1)}。与传统方法中由人类手动编写详细指令不同，元提示侧重于定义**解决问题的结构**以及模型应扮演的角色。换言之，它描述的是*如何*解决问题，而不是在每个具体案例中*做什么*^{[\[2\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-intuition_labs-2)}。这种方法使LLM能够独立地分解复杂问题、澄清请求并迭代地改进其回答，为创建更自主、适应性更强的人工智能系统开辟了道路。 ## 主要方法与途径 “元提示”一词于2023年底至2024年初在科学文献中开始流行，当时有多个研究团队提出了相似的LLM管理方法。 ### Scaffolding - 脚手架方法其中一种关键方法由斯坦福大学和OpenAI的研究人员提出^{[\[3\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-suzgun2024-3)}。在这个被称为**脚手架（scaffolding）**的框架中，同一个语言模型（实验中为GPT-4）同时扮演多个角色： - **指挥家 (Conductor)**: 接收高级别的元提示，并将复杂任务分解为一系列更简单的子任务。 - **专家 (Experts)**: “指挥家”会初始化多个自身的“专家”实例，每个实例根据专门给定的指令解决一个独立的子任务。 - **整合**: “指挥家”协调“专家”的工作，并将它们的回答整合到最终的解决方案中。这种编排式方法显著提高了解决复杂任务的效率。例如，在实验中，元提示在需要多步推理的任务集（如“24点”游戏、国际象棋谜题）上的表现比普通的单步请求高出**17.1%**，比其他先进方法高出15-17%^{[\[3\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-suzgun2024-3)}。重要的是，该方法与具体任务无关，并且在零样本（*zero-shot*）模式下工作，不需要为每个新任务提供具体示例。 ### 理论方法与结构模板与此同时，来自清华大学的一组研究人员提出了他们自己的元提示概念，将重点从任务的内容部分转移到其数据表示的**语法和形式**上^{[\[4\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-zhang2024-4)}。他们基于范畴模型证明，对问题结构的抽象描述能使模型建立起接近人类深度的推理，并有效地将复杂问题分解为更简单的步骤。 ### 相关概念元提示的思想也体现在其他方法中： - **Automatic Prompt Engineer (APE)**: 在这种方法中，LLM通过评估生成结果的质量，自动为自己生成并筛选有效的指令^{[\[5\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-ape2022-5)}。 - **Self-Refine**: 在这种方法中，模型通过批判性地分析前一版本并根据该批判生成修正，来迭代地改进自己的回答^{[\[6\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-self_refine2023-6)}。 ## 应用与优势元提示在需要复杂多步推理的任务中表现出高效性，例如数学证明、编程和分步解决谜题。该方法的主要优势包括： - **令牌效率**：专注于任务的通用结构而非列举大量示例，从而减少了提示的长度。元提示作为一个通用模板，需要更少的令牌^{[\[7\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-prompting_guide-7)}。 - **稳定性和公正性**：该方法避免了对特定示例的依赖，使模型不易受到训练样本中特定案例的偏见影响^{[\[7\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-prompting_guide-7)}。 - **动态适应性**：与静态提示不同，元提示允许迭代改进。模型可以在解决问题的过程中调整指令、请求缺失的信息并修正策略^{[\[2\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-intuition_labs-2)}。 - **对新任务的泛化能力**：高级别的指令更容易迁移到新的、前所未见的任务上，这使得元提示成为*zero-shot*方法的一种改进形式。 ## 局限性与风险 - **成本与计算复杂性**：该方法需要为单个任务多次调用模型，增加了时间和API请求的成本。目前的实现是顺序执行的，难以并行化^{[\[8\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-decoder_article-8)}。 - **对模型能力的依赖**：元提示的效率在很大程度上取决于基础LLM的质量。研究表明，GPT-3.5几乎无法从该方法中获益，而对于GPT-4及更高版本的模型，其优势则显著增加^{[\[8\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-decoder_article-8)}。 - **LLM的根本局限性**：元提示并非万能药。如果任务超出了基础模型的知识范围，即使是完美构建的元提示也无法保证正确的结果。在这种情况下，需要进行微调或与外部工具（如网络搜索或代码解释器）集成^{[\[3\]](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_note-suzgun2024-3)}。 ## 外部链接 - OpenAI Cookbook中的元提示示例 - Prompt Engineering Guide中的方法描述 ## 参考文献 - Suzgun, M.; Kalai, A. T. (2024). *Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding*. arXiv:2401.12954. - Zhang, Y.; Yuan, Y.; Yao, A. C.-C. (2023). *Meta Prompting for AGI Systems*. arXiv:2311.11482. - Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Ning, X. et al. (2023). *Skeleton-of-Thought: Prompting LLMs for Efficient Parallel Generation*. arXiv:2307.15337. - Chen, X. et al. (2023). *Universal Self-Consistency for Large Language Model Generation*. arXiv:2311.17311. - Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171. - Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797. - Zhou, P. et al. (2024). *Self-DISCOVER: Large Language Models Self-Compose Reasoning Structures*. arXiv:2402.03620. - Chen, J. et al. (2024). *Thought-Augmented Reasoning with Large Language Models*. arXiv:2406.04271. ## 注释 1. [↑](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-cookbook_openai_1-0) “Enhance your prompts with meta prompting”. *OpenAI Cookbook*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-intuition_labs_2-0)} ^{[2.1](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-intuition_labs_2-1)} “Meta-Prompting: LLMs Crafting & Enhancing Their Own Prompts”. *Intuition Labs*. [2] 3. ↑ ^{[3.0](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-suzgun2024_3-0)} ^{[3.1](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-suzgun2024_3-1)} ^{[3.2](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-suzgun2024_3-2)} Suzgun, Mirac; Kalai, Adam T. (2024). «Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding». *arXiv:2401.12954*. 4. [↑](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-zhang2024_4-0) Zhang, Yifan, et al. (2023). «Meta Prompting for AGI Systems». *arXiv:2311.11482*. 5. [↑](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-ape2022_5-0) Zhou, Y., et al. (2022). «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*. 6. [↑](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-self_refine2023_6-0) Madaan, A., et al. (2023). «Self-Refine: Iterative Refinement with Self-Feedback». *arXiv:2303.17651*. 7. ↑ ^{[7.0](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-prompting_guide_7-0)} ^{[7.1](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-prompting_guide_7-1)} “Meta Prompting”. *Prompt Engineering Guide*. [3] 8. ↑ ^{[8.0](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-decoder_article_8-0)} ^{[8.1](https://systems-analysis.info/int/Meta_Prompting_%E2%80%94_%E5%85%83%E6%8F%90%E7%A4%BA#cite_ref-decoder_article_8-1)} “AI within an AI: Meta-prompting can improve the reasoning capabilities of large language models”. *The Decoder*.