论文解析：AutoMedPrompt框架的核心与实现示例

论文解析：AutoMedPrompt框架的核心与实现示例

一、论文背景与目标

1. 问题痛点

   • 传统医学LLM开发依赖大量数据微调，成本高且耗时。
   • 现有提示工程方法（如思维链CoT、k-shot示例）存在局限性：
     • CoT难以适配所有医学子专科（如肾病学、心脏病学）；
     • k-shot示例可能引入无关信息，干扰模型推理。

2. 核心创新
   提出AutoMedPrompt框架，通过文本梯度（Textual Gradients） 自动优化LLM的医学提示词，无需微调即可提升基础模型的医学推理能力。

二、AutoMedPrompt的技术原理（通俗版）

1. 什么是“文本梯度”？

   • 传统机器学习中，模型通过调整数值参数（如权重）优化性能；
   • 文本梯度则将提示词本身视为