按年被提到
20252025 · 4 次2026
强化学习与智能体›大模型智能体·arXiv:2507.19457 · cs.CL

GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning

GEPA:反思式提示进化可以胜过强化学习
Lakshya A Agrawal, Shangyin Tan, Dilara Soylu, Noah Ziems, Rishi Khare, Krista Opsahl-Ong, Arnav Singhvi, Herumb Shandilya, Michael J Ryan, Meng Jiang, Christopher Potts, Koushik Sen 等 17 人 · 2025

用自然语言反思做遗传-帕累托提示优化,少量试验胜过 GRPO

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 6 人首次 2025-07-28 · 最近 2026-07-14
6不同的人
5活跃月份
8讨论串
74被引(OpenAlex)

论文提出 GEPA(Genetic-Pareto)提示优化器:对包含一个或多个 LLM 提示的系统,采样推理、工具调用等轨迹,用自然语言反思诊断问题、提出并测试提示更新,并融合帕累托前沿上互补的经验。在六个任务上,GEPA 平均比 GRPO 高 6%(最高 20%),所需 rollout 最多少 35 倍,也比领先的提示优化器 MIPROv2 高出 10% 以上。

HN 为什么提它

评论者用它说明靠语言反思优化提示可以比强化学习微调更省样本,并提到它已在 DSPy 中实现,也有人把它用于优化智能体的 skill 内容。

方法难度 3 / 5约 45 分钟经得起时间
读之前最好知道
1提示工程(prompt engineering)
2强化学习与 GRPO
3帕累托前沿(Pareto frontier)
4DSPy 等提示优化框架

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐tlarkworthy · 2025-08

“I recommend taking a look due to it's simplicity”

推荐一看,理由是方法很简洁
A Comprehensive Survey of Self-Evolving AI Agents [pdf]原评论 ↗
引用Weaver_zhu · 2025-10

“I recall recent work [ACE]([OTHER_PAPER]) and [GEPA] where models get improved”

把它与 ACE 并列,作为让模型变得更好的近期工作
Claude Skills原评论 ↗
引用deepsquirrelnet · 2025-10

“The GEPA optimizer (implemented in DSPy) often outperforms GRPO training[1].”

指出 GEPA 优化器(DSPy 中实现)常常胜过 GRPO 训练
The case for the return of fine-tuning原评论 ↗
引用JoshPurtell · 2026-02

“we've found that using GEPA where you optimize the skill content instead of the prompt works really well”

分享用 GEPA 优化技能内容而非提示词,效果很好
Agent Skills原评论 ↗
引用LakshyAAAgrawal · 2026-02

“It extends GEPA (our prompt optimizer, discussed here previously: GEPA) far beyond prompts.”

提到自家的提示优化器 GEPA,此 API 把它扩展到提示之外
Show HN: Optimize_anything: A Universal API for Optimizing Any Text Parameter原评论 ↗
引用LakshyAAAgrawal · 2026-02

“It extends GEPA (our prompt optimizer, discussed here previously: GEPA) far beyond prompts.”

提到自家的提示优化器 GEPA,此 API 把它扩展到提示之外
Optimize_anything: A Universal API for Optimizing Any Text Parameter原评论 ↗
被提交为 story · 2 次