最近的研究中，提出了一种新的提示优化方法，称为 RLMOpt。这种方法利用递归语言模型（RLM）来驱动搜索策略，使得语言模型不仅仅是生成或完善提示提案，还可以控制搜索的进展。RLMOpt 通过一个确定性的框架来保证目标评分、帕累托选择和回归约束。实验结果表明，RLMOpt 在四个基准测试中获得了最佳的结果，且比现有的方法更高效。 RLMOpt 的工作原理是通过 RLM 操作一个工具环境，检查任务信息、分析失败、生成候选、分配评估预算和决定何时停止。 $$ \text{RLMOpt} = \arg\max_{\text{prompt}} \text{score} $$ 其中，$\text{score}$ 是提示的评分，$\text{prompt}$ 是提示的内容。 博主点评： RLMOpt 是一个非常有前景的提示优化方法，它通过递归语言模型来驱动搜索策略，能够更好地利用语言模型的能力，获得更好的结果。同时，它也更高效，能够以更少的搜索次数获得更好的结果。