OpenAI提出来的Meta-Prompting（元提示）方法，通过将单一语言模型转变为多面向的指挥者，整合多个专家大模型以更有效地处理复杂任务，同时简化用户交互并实现外部工具的无缝集成，从而显著提升模型的整体性能。

[2401.12954] Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding

引言

现代大模型具有很好的自然语言处理能力，但是仍然可能创建不准确、具有误导性的回答。为了增强回答的鲁棒性和准确性，OpenAI提出了Meta-Prompt：

首先把复杂的prompt分解为小的sub prmopt。
然后把这些sub prompt分配给该领域的专家大模型，让专家大模型处理问题。
不允许专家之间直接进行沟通，而是监督这些专家的沟通过程，并进行转播。
以上过程都是在同一个大模型上进行的，只是使用prompt定义了它们各自的身份。

OpenAI宣称，这种方法可以让大模型保持一贯的推理逻辑，并且同时利用多个专家角色，生成更准确可靠的回复。一方面，指挥者始终能拿到整体数据，并对历史信息保持全局性的掌控；另一方面，每个专家都只拿到处理自己的sub prompt所需的局部信息，减少了幻觉。一个大模型同时扮演指挥者和专家，这也减少了部署的成本。

图上展示了Meta Prompt的可视化过程，它展示了怎么用Meta Prompt把多个专家模型整合到一起。OpenAI认为Meta Prompt的最大优势是把到底执行哪个代码片段、使用什么样的专家模型的权力留给了LLM自己进行决断。OpenAI在GPT4上进行了实验，实验结果表明，Meta Prompt确实可以大幅度增强整体的效果，指挥者可以批评早期的输出，并为特定任务选择特定的专家，并对生成的内容进行一定的改善，使得最后的输出符合需求的形式。

我个人认为如果这是得益于GPT-4本身所具有的泛化能力，如果在GLM6B等小模型上做实验，效果应该不会那么好。

方法

Meta Prompt的结构是分层的，用论文的原话来说像是让一个LLM自己扮演一个交响乐团，先扮演指挥者向各个专家发送指令，然后专家再逐一反馈。这里的专家不只是大模型本身，也包含一些小模型或者是计算工具，比如说一个独立的计算器，甚至是python解释器。

在设计上，专家只能被指挥者调用，而不能直接访问。同时记忆库也能看作是一个专家，因为它也只能由专家来读写数据。

论文里提供了一段伪代码，但是我认为这段伪代码比较难理解，所以我把它转为了python的形式：

def meta_prompting(LM, x, error, T, tinit, tmid, texp, eexp, eret):
    Ht = tinit(x)  # 初始化历史
    for t in range(1, T + 1):
        yt = LM(Ht)  # 调用语言模型
        
        if eexp(yt) == "":
            prompt = texp(eexp(yt))  # 提取提示
            zt = LM(prompt)  # 调用专家模型
            Ht = Ht + tmid(zt)  # 更新历史
        elif eret(yt) == "":
            return eret(yt)  # 返回结果
        else:
            Ht = Ht + error  # 添加错误信息
            
    return Ht  # 返回最终历史或响应

其中LM是大模型的调用，tinit用来把大模型的输入转化为特定的初始化模板，tmid是专家模型对数据输出的格式化模板，在更新历史记录的时候用，texp用来把大模型中提取的内容转化为专家提示，eexp是指定的要调用的专家模型，eret是获取最终的专家回复。

整个过程是这样的：

先把当前的历史消息记录$HT$发送给指挥者，指挥者查看历史记录，看能否直接解决当前问题，还是要找对应专家
如果指挥者没给出解决方案，就向专家发出指令，并给专家分享特定内容
如果指挥者给出了解决方案，就直接返回解决方案
如果既没有给出解决方案，也没有调用专家，那这次尝试就是错误的

这就是Meta Prompt的整个思路，非常简单，而且效果确实会更好。

性能开销比想象中要低很多，因为实际上只需要一个模型，而且很多任务完全可以通过拓展的形式来做，比如定义一个微积分器，或者定义一个文本翻译小模型。而且是可以拓展的，我认为这个架构可以非常好地适配多模态数据。

实验

设置

论文在一些常见任务上测试了这个方法，包括Python编程，24点小游戏，小学数学题和莎士比亚十四行诗写作。基线方法包括零样本的思维链（Chain of Thought，CoT，也是OpenAI提出来的），专家上下文提示（就是没有指挥家、只有单个专家），多角色提示（没有指挥家，多个专家）。

由于没有单一指标可以检测这些方法的正确性，所以论文采用了三个标准来分别测试不同的任务：

精确匹配（EM），要求LLM的输出答案和目标答案完全一致
软匹配（SM）：LLM的输出和目标答案集群中的某一个特定答案一致即可
功能正确性（FC）：只要能输出就算成功

论文分别在GPT-4和3.5-turbo上进行了实验，它们都做了基本的微调，以适应所需的指令。

结果

论文声称，使用GPT-4的Meta Prompt方法在以上所有任务上的表现都相比其它方法好，唯一例外的是几何形状比较任务——Meta Prompt并不能很好地识别给定图像的几何形状，相反，传统的CoT方法在这个任务上具有更好的表现（大约10%）

论文声称，Meta Prompt符合社会行为学中的群体智慧原则，即即多样化的批判性思考者的集体意见往往超越单个专家的见解。通过Meta Prompt来定义不同的专家，每个专家从不同专业的角度出发，可以更准确、更可靠地解决问题。同时，Meta Prompt可以很好的解决大模型的过度自信问题，因为多个专家可以互相检查可能的错误，同时指挥者也能直接对明显的错误进行排除。

举个例子，在使用6、11、12和13四个数字来玩24点游戏的时候，Meta Prompt的历史记录是这样的：

Meta建议咨询数学、问题解决和Python编程方面的专家。强调需要准确性和遵循约束条件，建议必要时再请另一个专家进行审查。
Meta决定选择一位专家提出解决方案，另一位专家发现其错误，Meta模型建议编写Python程序来寻找有效解决方案。
咨询一位编程专家来编写程序。
另一位编程专家发现脚本中的错误，修改后执行修订的脚本。
咨询一位数学专家来验证程序输出的解决方案。
在确认后，Meta模型将其输出为最终答案。

OpenAI声称，Meta Prompt的这一过程是符合认知心理学原则的，即，当个体或模型以无预设观念的方式接近问题时，他们更可能考虑替代解决方案，并识别可能被忽略的错误。新视角可能有助于避免认知偏差，如锚定效应、确认偏见以及过度自信。

怎样保证指挥者生成的任务链，以及找到的专家组一定是最符合当前任务的？原文并没有提到，可以围绕这个点做更多的探索。

总结

OpenAI的实验发现，Meta Prompt会在没有解决方案时，更加频繁地给出“没有解决方案”这一结果。同时，OpenAI承认，GPT-3.5-turbo搭配上Meta Prompt后，虽然在一些问题上有所改进，但是最终仍然没能超过零样本的GPT-4（变相说明GPT-4的优越性，以及这个方法并不能使得小模型直接超越大模型，仍然受限于模型的基准）。

在Limitation部分，论文提到，多次模型调用导致的高成本也限制了Meta Prompt的广泛应用。Meta Prompt的设计还要求大规模和长上下文窗口，限制了小模型的有效性。说白了还是一个开销的问题。