通过诱导进行嵌入：用于系统提示词贝叶斯优化的动态表示

系统提示词是现代 AI 系统的核心控制机制，但在仅能获得聚合反馈而非逐样本标签时难以调优。本文提出 ReElicit，一种基于“诱导嵌入”的贝叶斯优化框架。该方法利用 LLM 根据任务描述和历史评估数据，动态构建紧凑且可解释的特征空间，并将提示词映射其中。结合高斯过程代理模型，算法选择目标特征向量并由 LLM 生成优化的系统提示词。实验表明，在有限预算下，ReElicit 在多项任务中优于现有基线，证明 LLM 可作为自适应语义表示构建者辅助自然语言制品的优化。