@shawntenam：GEPA（http://github.com/gepa-ai/gepa）通过自动优化提示指令，把 Haiku 4.5 的通过率从 65% 提升到 85%
摘要
GEPA 是一款开源工具，可基于执行轨迹和评分自动优化提示指令，无需更换模型，就能将 Claude Haiku 4.5 的通过率从 65% 提升到 85%。
GEPA（http://github.com/gepa-ai/gepa）通过结合执行轨迹与评分，自动优化我的提示指令，将 Haiku 4.5 的通过率从 65% 提升到 85%。它就像针对 CLAUDE.md 文件的精准提示调优，无需更换模型。开发者们，赶紧拿去跑一把。
相似文章
@rohanpaul_ai: 提示优化可能根本不需要搜索树。它可能更依赖于教师及其反馈的质量。
一篇论文测试了NPO，一种依赖教师反馈的提示优化方法，发现它在更少的运行次数下取得了与GEPA相当或更好的结果，尤其是使用像GPT-5.5这样的更强教师模型时，并且优化后的提示可以转移到其他学生模型。
FAPO: 多步骤LLM流水线的全自动提示优化
FAPO是一个用于多步骤LLM流水线的全自动提示优化框架，结合了提示编辑和结构变化。在18次对比中，它在15次中优于GEPA基线，在安全任务上收益高达+33.8个百分点。
GEPA：反思式提示演化可超越强化学习
GEPA 是一款提示优化器，利用自然语言反思从试错中学习，在多个任务中，以多达 35 倍的更少 rollout 次数超越了 GRPO 和 MIPROv2 等强化学习方法。
GPT-6的更优提示缓存
OpenAI宣布为GPT-6改进提示缓存，提供更高的缓存命中率、折扣以及用于监控和优化的新工具。
@harold_matmul: 这是我的主意 :) 使用GEPA创建LLM程序是一种非常自然的工作流。迭代速度非常快，……
用户感谢GEPA工具，强调其为LLM程序提供了自然的工作流、快速的迭代速度，以及利用数据-derived priors偏置优化的能力。