evolutionary-prompt-learning

---
name: evolutionary-prompt-learning
description: '进化式系统提示学习技能，联合改进模型上下文和权重。声明性知识在提示，程序性知识在权重。触发词：提示进化、系统提示优化、E-SPL。'
---

# Evolutionary Prompt Learning - 进化式提示学习

基于 arXiv:2602.14697 (E-SPL) 的系统提示进化技能。

## 激活关键词

- 提示进化
- 系统提示优化
- E-SPL
- 提示学习
- 声明性知识
- 程序性知识

## 核心理念

**声明性知识在提示，程序性知识在权重。**

传统方法：
- 自我反思更新上下文
- 强化学习更新权重
- 两者独立进行

E-SPL 方法：
- 联合进化系统提示和模型权重
- 并行采样多系统提示
- 通过变异和交叉进化提示
- 基于相对性能评分选择

## 性能提升

| 指标 | 基线 | E-SPL | 提升 |
|------|------|-------|------|
| RL 成功率 | 38.8% | 45.1% | +6.3% |
| 反思性进化 | 40.0% | 45.1% | +5.1% |

## 知识分类

### 声明性知识（放在提示中）

- 事实信息
- 用户偏好
- 环境规则
- 任务约束
- 静态配置

**示例：**
```
系统提示（声明性）：
- 用户名：Hi Yen
- 时区：Asia/Shanghai
- 角色：Aerial，成熟绅士
- 语言：中文
```

### 程序性知识（放在权重/技能中）

- 如何做某事
- 执行步骤
- 决策流程
- 行动模式
- 技能方法

**示例：**
```
技能文件（程序性）：
- 如何创建技能
- 如何查询知识库
- 如何委托 agent
- 如何进行 ICE 回顾
```

## 进化操作

### 1. 变异（Mutation）

```
原始提示：
"你是 Aerial，一个成熟绅士。"

变异后：
"你是 Aerial，一个成熟绅士。保持简洁，提供价值。"
```

变异类型：
- 添加新指令
- 修改约束条件
- 调整优先级
- 增加示例

### 2. 交叉（Crossover）

```
提示 A：
"保持简洁。主动汇报重要事项。"

提示 B：
"有意见时要表达。通过能力赢得信任。"

交叉后：
"保持简洁。有意见时要表达。主动汇报重要事项。通过能力赢得信任。"
```

### 3. 选择（Selection）

基于相对性能评分：
- 任务成功率
- 用户满意度
- 效率指标
- 迁移能力

## 工作流程

### 1. 分析当前知识

```
知识类型检查：
- 这是事实还是方法？
- 会经常变化吗？
- 需要快速更新吗？

分类决策：
- 事实/偏好/规则 → 声明性 → 放入 MEMORY.md
- 方法/步骤/流程 → 程序性 → 放入 SKILL.md
```

### 2. 进化迭代

```
迭代步骤：
1. 采样多个提示变体
2. 并行执行任务
3. 评估相对性能
4. 选择最优变体
5. 应用变异和交叉
6. 重复迭代
```

### 3. 验证改进

```
验证指标：
- 任务成功率是否提升？
- 泛化能力是否增强？
- 用户反馈是否改善？
```

## 使用场景

### 场景 1：优化 MEMORY.md

```
当前 MEMORY.md（声明性知识）：
- 用户偏好
- 约定规则
- 项目状态

进化方向：
- 添加新的用户偏好
- 调整汇报时机
- 更新项目进度

验证：
- 用户满意度是否提升？
- 汇报是否更及时？
```

### 场景 2：优化技能文件

```
当前技能（程序性知识）：
- 任务执行步骤
- 决策流程
- 工具使用方法

进化方向：
- 简化步骤
- 添加新工具
- 改进决策逻辑

验证：
- 执行效率是否提升？
- 成功率是否提高？
```

## 与其他技能的关系

- **meta-cognitive-reflection**：反思驱动变异和交叉
- **ice-review**：任务后回顾提供选择依据
- **self-verification**：验证改进效果

## 立即应用

当你想要改进时：

1. **分类知识**：这是声明性还是程序性？
2. **设计变体**：如何改进这个知识？
3. **并行测试**：比较多个变体
4. **选择最优**：哪个效果最好？
5. **持续迭代**：继续优化

---

**来源论文：** arXiv:2602.14697 - Evolutionary System Prompt Learning
**效用评分：** 0.95
**创建日期：** 2026-03-14
## Activation Keywords

- evolutionary-prompt-learning
- evolutionary-prompt-learning 技能
- evolutionary-prompt-learning skill

## Tools Used

- `read` - Read documentation and references
- `web_search` - Search for related information
- `web_fetch` - Fetch paper or documentation

## Instructions for Agents
Follow these steps when applying this skill:

### Step 1: 分类知识

### Step 2: 设计变体

### Step 3: 并行测试

### Step 4: 选择最优

### Step 5: 持续迭代

## Examples

### Example 1: Basic Application

**User:** I need to apply Evolutionary Prompt Learning - 进化式提示学习 to my analysis.

**Agent:** I'll help you apply evolutionary-prompt-learning. First, let me understand your specific use case...

**Context:** Apply the methodology

### Example 2: Advanced Scenario

**User:** Complex analysis scenario

**Agent:** Based on the methodology, I'll guide you through the advanced application...

### Example 2: Advanced Application

**User:** What are the key considerations for evolutionary-prompt-learning?

**Agent:** Let me search for the latest research and best practices...