声明式提示工程与自动优化可视化实验室
从手写 Prompt 到编译优化——把 DSPy/TextGrad 如何将提示工程自动化的核心机制以可交互 SVG 呈现。
01
提示工程演进
提示工程经历了从手写、Few-shot、思维链（CoT）、声明式到自动优化的五代范式演进。切换视角观察时间线与技术特征。
第一代 手写
人工编写指令模板
经验驱动，难以复现与迁移
第二代 Few-shot
示例注入上下文
示例选择依赖人工，效果波动大
第三代 CoT
思维链引导推理
显式推理步骤提升复杂任务表现
第四代 声明式
DSPy Signature 描述意图
声明输入输出，编译器自动填充
第五代 自动优化
Teleprompter 编译优化
基于评估指标自动搜索最优 Prompt
02
DSPy 架构
DSPy 通过 Module、Signature、Teleprompter 三层抽象将提示工程声明式化。切换阶段观察声明定义到编译优化的完整流程。
Signature 签名
声明输入输出契约
question -> answer 的类型化描述
Module 模块
可组合的声明式单元
Predict/ChainOfThought/ReAct 等原语
Teleprompter 优化器
自动编译与优化
BootstrapFewShot/MIPRO 等策略
编译产物
优化后的 Prompt 程序
含指令与示例的完整提示
03
自动示例选择
BootstrapFewShot 通过教师模型生成示例、质量评分与自动筛选构建示例池。点击执行观察示例筛选的动态过程。
教师生成
零样本引导产生候选
LLM 在无示例下产生演示轨迹
质量评分
正确性与一致性评估
基于评估函数打分
示例池
高分散度示例集合
避免冗余，提升覆盖
自动筛选
贪心/最大边际选择
迭代选取最优示例子集
04
MIPRO 优化器
MIPRO 同时搜索指令 Proposal 与示例 Proposal，采用贝叶斯优化在 Proposal 空间中高效寻优。切换步骤观察搜索空间构建过程。
指令 Proposal
候选指令生成
基于任务描述与数据生成多条指令
示例 Proposal
候选示例组合
从示例池采样不同子集
贝叶斯优化
TPE 代理模型寻优
少量评估高效探索高维空间
搜索空间
指令 × 示例 笛卡尔积
组合爆炸下的智能剪枝
05
TextGrad 梯度回传
TextGrad 把反向传播思想推广到文本空间：文本损失产生文本梯度，反向更新 Prompt。切换阶段观察前向计算与反向传播。
文本损失
LLM 评估输出缺陷
用自然语言描述错误
文本梯度
可执行改写建议
指出如何修改以降低损失
反向传播
梯度沿计算图回传
更新 Prompt 各组件
优化器
文本梯度下降
迭代改写直至收敛
06
声明式 vs 命令式
DSPy 声明式提示工程与原始手写 Prompt 工程在代码量、可维护性与性能上差异显著。切换维度对比两者。
代码量
声明式更简洁
用 Signature 取代冗长模板
可维护性
声明式可组合
模块化复用，版本可追踪
性能
自动优化更优
编译后 Prompt 性能稳定提升
可移植性
声明式跨模型
同一程序适配不同 LLM
07
编译-验证闭环
自动优化以编译-评估-迭代-收敛为闭环，在验证集上监控性能曲线直至收敛。点击执行观察优化曲线动态演进。
编译
Teleprompter 生成候选
搜索指令与示例组合
评估
验证集指标计算
准确率/EM/F1 等指标
迭代
基于反馈再编译
贝叶斯优化引导下一轮
收敛
性能趋于稳定
提前停止避免过拟合
08
自动优化生态
DSPy、TextGrad、APE、PromptFoo 各有定位：编译框架、梯度优化、示例搜索、回归测试。切换视角对比下载量与基准。
DSPy
声明式编译框架
Signature + Teleprompter 全栈
TextGrad
文本梯度优化
反向传播思想泛化到文本
APE
自动 Prompt 搜索
蒙特卡洛生成指令候选
PromptFoo
Prompt 回归测试
批量评估与版本对比
定位差异
编译/优化/搜索/测试
覆盖 Prompt 工程全生命周期