---
title: "Automatic Prompt Engineer (APE)"
source: "https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)"
wiki: "systems-analysis.info/wiki"
article: "Automatic_Prompt_Engineer_(APE)"
language: "ru"
categories:
  - "Категория:Prompt инжиниринг"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Машинное обучение"
revision_id: 69
wiki_created_at: 2026-09-06T21:54:31Z
wiki_modified_at: 2026-09-06T21:54:31Z
downloaded_at: 2026-09-07T22:17:11Z
---

# Automatic Prompt Engineer (APE)

**Автоматический Prompt Engineer** (**APE**) — это методика автоматизированной генерации и оптимизации текстовых инструкций (промптов) для управления поведением [больших языковых моделей (LLM)](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели"). Подход был предложен в 2022 году группой исследователей под руководством **Йончхао Чжоу** (*Yongchao Zhou*)<sup>[\[1\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-ape_zhou_2022-1)</sup>.

Вместо ручного подбора и итеративного улучшения подсказок, APE формализует инженерию промптов как задачу оптимизации. В рамках этой задачи подсказка рассматривается как «программа» на естественном языке, которую необходимо синтезировать для максимизации определённой функции качества (например, точности или достоверности ответов модели)<sup>[\[2\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-survey_li_2025-2)</sup>.

## Основная концепция и метод

Метод APE использует две языковые модели в связке: *модель-генератор* и *целевую модель*. Процесс представляет собой итеративный цикл поиска и отбора (*search-and-select*):

1.  **Генерация кандидатов**. Модель-генератор получает на вход несколько примеров пар «вход-выход» для целевой задачи и на их основе создаёт множество возможных промптов-кандидатов, которые могли бы привести к таким результатам.
2.  **Оценка**. Каждый сгенерированный промпт-кандидат передаётся в целевую LLM. Целевая модель выполняет инструкцию на новом наборе тестовых данных, и её ответы оцениваются по заранее определённой метрике (например, точность, полнота, F1-мера).
3.  **Отбор**. Выбирается промпт, показавший наилучший результат по итогам оценки.
4.  **Итерация (опционально)**. Цикл может повторяться. Модель-генератор получает команду доработать лучший найденный промпт, создавая его вариации, после чего процесс оценки и отбора повторяется для достижения максимальной эффективности<sup>[\[1\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-ape_zhou_2022-1)</sup>.

Этот подход позволяет автоматически воспроизводить процесс ручного подбора промптов, используя LLM для генерации гипотез (промптов) и их последующей оценки.

## Ключевые методологии

Автоматизация инженерии промптов реализуется с помощью различных алгоритмических подходов.

### Автоматизация на основе LLM

Это классический метод APE, описанный выше, где одна LLM используется для генерации и оценки промптов для другой (или той же) LLM. Этот подход оказался очень эффективным для дискретных текстовых промптов<sup>[\[1\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-ape_zhou_2022-1)</sup>.

### Эволюционные методы

Используются генетические алгоритмы или лучевой поиск (beam search) для создания и селекции промптов, особенно длинных и сложных. Например, фреймворк **APEX** (*Automatic Engineering of Long Prompts*) применяет эволюционные алгоритмы для постепенного «выращивания» и улучшения сложных инструкций<sup>[\[3\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-apex_hsieh_2024-3)</sup>.

### Градиентные методы (Soft Prompts)

Этот подход работает с *непрерывными* или *мягкими* промптами (*soft prompts*), которые представляют собой обучаемые векторы (эмбеддинги), а не текстовые инструкции. Эти векторы оптимизируются с помощью градиентного спуска непосредственно на целевой задаче. Сюда относятся такие техники, как Prompt Tuning и Prefix-Tuning.

### Обучение с подкреплением

В этой парадигме LLM выступает в роли агента, который генерирует промпт (действие), а среда возвращает оценку качества ответа (вознаграждение). Цель — максимизировать совокупное вознаграждение, находя оптимальную стратегию генерации промптов через методы обучения с подкреплением (RL)<sup>[\[2\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-survey_li_2025-2)</sup>.

## Результаты и открытия

Эксперименты в рамках оригинального исследования APE показали, что автоматически сгенерированные инструкции в большинстве случаев превосходят по качеству промпты, написанные человеком.

- В ходе тестирования на 24 задачах обработки естественного языка (NLP) APE сгенерировал промпты, которые оказались **эффективнее человеческих в 19 из 24 случаев**<sup>[\[1\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-ape_zhou_2022-1)</sup>.
- APE смог автоматически «открыть» более эффективную формулировку для промптинга в стиле Chain-of-Thought. Вместо стандартной фразы *«Let's think step by step»* (Давайте думать шаг за шагом), APE сгенерировал более развёрнутую и эффективную инструкцию: *«Let's work this out in a step by step way to be sure we have the right answer»* (Давайте проработаем это шаг за шагом, чтобы убедиться, что мы получим правильный ответ). Эта формулировка повысила точность решения математических задач на таких наборах данных, как MultiArith и GSM8K<sup>[\[1\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-ape_zhou_2022-1)</sup>.

## Применение и преимущества

### Применения

- **Улучшение few-shot learning**: Автоматический подбор оптимальных примеров и инструкций.
- **Повышение достоверности моделей**: APE может быть настроен на поиск промптов, которые минимизируют «галлюцинации» и максимизируют правдивость ответов на таких бенчмарках, как *TruthfulQA*.
- **Автоматизация разработки**: Ускорение создания чат-ботов, систем извлечения информации и других LLM-приложений<sup>[\[4\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-mdpi_app-4)</sup>.

### Преимущества

- **Масштабируемость**: Возможность автоматически генерировать и оценивать сотни и тысячи промптов без участия человека.
- **Адаптивность**: Лёгкая подстройка LLM под новые, узкоспециализированные домены.
- **Экономия ресурсов**: Значительное сокращение времени и усилий, затрачиваемых на ручной подбор промптов.

## Развитие и связанные подходы

Концепция APE продолжает развиваться. Появились полностью автономные системы, такие как **APET** (*Automatic Prompt Engineering Toolbox*), которые позволяют LLM (например, GPT-4) самостоятельно применять сложные стратегии промптинга (*Expert Prompting*, *Chain of Thought*, *Tree of Thoughts*) и динамически улучшать инструкции без внешнего вмешательства<sup>[\[5\]](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_note-apet_kepel_2024-5)</sup>.

APE является частью более широкого тренда на автоматизацию взаимодействия с LLM, который также включает:

- **AutoPrompt**: Ранний метод, использовавший градиентный поиск для нахождения отдельных [токенов](https://systems-analysis.info/wiki/%D0%A2%D0%BE%D0%BA%D0%B5%D0%BD "Токен")-«триггеров».
- **OPRO** (*Optimization by PROmpting*): Схожий с APE подход от DeepMind, также использующий LLM для оптимизации промптов.

## См. также

- [Meta Prompting](https://systems-analysis.info/wiki/Meta_Prompting "Meta Prompting")
- [Prompt](https://systems-analysis.info/wiki/Prompt "Prompt")
- [Prompt compression](https://systems-analysis.info/wiki/Prompt_compression "Prompt compression")
- [Prompt и контекст](https://systems-analysis.info/wiki/Prompt_%D0%B8_%D0%BA%D0%BE%D0%BD%D1%82%D0%B5%D0%BA%D1%81%D1%82 "Prompt и контекст")
- [Prompt инжиниринг](https://systems-analysis.info/wiki/Prompt_%D0%B8%D0%BD%D0%B6%D0%B8%D0%BD%D0%B8%D1%80%D0%B8%D0%BD%D0%B3 "Prompt инжиниринг")

## Ссылки

- <a href="https://sites.google.com/view/automatic-prompt-engineer" class="external text" rel="nofollow">Официальный сайт проекта Automatic Prompt Engineer (APE)</a>
- <a href="https://arxiv.org/abs/2211.01910" class="external text" rel="nofollow">Научная статья «Large Language Models Are Human-Level Prompt Engineers»</a>
- AutoPrompt (2020). *AutoPrompt – Official GitHub Repository*. <a href="https://github.com/ucinlp/autoprompt" class="external text" rel="nofollow">GitHub</a>.

## Литература

- Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. <a href="https://arxiv.org/abs/2211.01910" class="external text" rel="nofollow">arXiv:2211.01910</a>.
- Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. <a href="https://arxiv.org/abs/2502.11560" class="external text" rel="nofollow">arXiv:2502.11560</a>.
- Hsieh, C.-J. et al. (2024). *Automatic Engineering of Long Prompts*. Findings of ACL 2024. <a href="https://aclanthology.org/2024.findings-acl.634" class="external text" rel="nofollow">2024.findings-acl.634</a>.
- Hsieh, C.-J. et al. (2023). *Automatic Long Prompt Engineering*. <a href="https://arxiv.org/abs/2311.10117" class="external text" rel="nofollow">arXiv:2311.10117</a>.
- Shin, T. et al. (2020). *AutoPrompt: Eliciting Knowledge from Language Models with Automatically Generated Prompts*. <a href="https://arxiv.org/abs/2010.15980" class="external text" rel="nofollow">arXiv:2010.15980</a>.
- Yang, C. et al. (2023). *Large Language Models as Optimizers (OPRO)*. <a href="https://arxiv.org/abs/2309.03409" class="external text" rel="nofollow">arXiv:2309.03409</a>.
- Liu, Y. et al. (2024). *Revisiting OPRO: The Limitations of Small-Scale LLMs as Optimizers*. <a href="https://arxiv.org/abs/2405.10276" class="external text" rel="nofollow">arXiv:2405.10276</a>.
- Kepel, D.; Valogianni, K. (2024). *Autonomous Prompt Engineering in Large Language Models (APET)*. <a href="https://arxiv.org/abs/2407.11000" class="external text" rel="nofollow">arXiv:2407.11000</a>.
- Yang, C. et al. (2024). *Optimizing Instructions and Demonstrations for Multi-Stage LM Programs*. <a href="https://arxiv.org/abs/2406.11695" class="external text" rel="nofollow">arXiv:2406.11695</a>.
- Hsieh, C.-J. et al. (2024). *APEX (code repository and results)*. <a href="https://aclanthology.org/2024.findings-acl.634.pdf" class="external text" rel="nofollow">PDF</a>.

## Примечания

1.  <span id="cite_note-ape_zhou_2022-1">↑ <sup>[1,0](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_ref-ape_zhou_2022_1-0)</sup> <sup>[1,1](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_ref-ape_zhou_2022_1-1)</sup> <sup>[1,2](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_ref-ape_zhou_2022_1-2)</sup> <sup>[1,3](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#cite_ref-ape_zhou_2022_1-3)</sup> <sup>[1,4](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#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/wiki/Automatic_Prompt_Engineer_(APE)#cite_ref-survey_li_2025_2-0)</sup> <sup>[2,1](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE)#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/wiki/Automatic_Prompt_Engineer_(APE)#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/wiki/Automatic_Prompt_Engineer_(APE)#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/wiki/Automatic_Prompt_Engineer_(APE)#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>