01.引言
当你点进这个标题时内心是怎样复杂的心情，质疑，鄙夷，或者是惊讶？这也正是我们最初点开这篇论文时的心情。然而, 在完成项目测试后, 我们瘫坐在椅子上, 默默打下了 'Prompt工程师,不存在' 这几个字。或者更准确地说，也许90%的 Prompt工程师 职位, 可能都不存在了。
一直以来，学术与实际产品的Prompt完全脱节，真实场景下，很多产品都聚焦情感陪伴，文案生成等开放任务里。而学术上这些任务没有明确的指标，无法量化也就没办法被比较，于是绝大部分的Prompt优化工作都聚焦在“刷榜”，例如怎么提升一个模型的代码/数学能力。但对于我们大众来说，根本不关心这些，因为这些并不是我们的需求。另一个原因，传统的Prompt优化的工作大多都要很多很多数据集，可真实场景里哪里能拿到那么多数据，大部分时候能有5个好的案例就已经很多了。
诶？主播主播，那么有没有一个项目可以既不用很多标注的数据，又有很好的效果，又可以优化开放任务，又可以优化推理任务呢？
有的兄弟，有的
我们今天跑的项目叫SPO，具体什么意思并不重要，重要的是它把之前的所有问题全部解决了。
只有3个案例可以参考？
没问题的兄弟，没有案例参考都可以自动优化。
你想做情感陪伴？
没问题，想要什么风格的女朋友都可以。
不会写爆款文案？
只需提供几个参考，立刻为你量身定制创作指令。
还没有想好最后要什么效果？
没关系，自动优化到你满意为止，这次你来当甲方爸爸，挑选自己喜欢的就行。
担心优化Prompt太花钱？
整个优化流程成本不到1块钱，人民币！
害怕优化耗时太久？
五分钟就可完成优化，全程无尿点。
以上我说的这些都没有在夸大，我想是时候让我们重新定义Prompt Engineer了，或许Prompt Engineer并非不存在了，而是会因为这个项目以更高效的形式进化了。
02.效果
废话不多说，我们觉得最直接的方式是直接展示他们这个项目的效果。我们测试了“R1的回答能力模仿”，“小红书文案模仿”，“女友扮演”这几个大家最关注的方面，分别在GPT-4o-mini和Deepseek-v3上做了测试，我们发现几乎只需要五分钟的自动优化，就可以达到业内顶尖的Prompt效果，所有实验我们都录制了完整的一镜到底的视频，放在“完整实验过程”的部分。
案例1：深度思考
我们发现很多小伙伴很喜欢R1说的一些非常有哲理的话，以及非常好的写作技巧，于是我们尝试用这个项目提升GPT-4o-mini上回答的哲理性。为什么这里没有用Deepseek-v3呢？毕竟一家公司的，需要避嫌一下，万一偷看答案了呢
初始的Prompt我们设置为下面这个进行迭代和对比
尽可能多思考，给出最好的答案。使用<think></think>和<answer></answer>封装思考和回答。
这是SPO最后优化出的Prompt
我们在不同问题上进行了测试（由于篇幅有限，故仅展示Answer部分进行对比）
问题1：你觉得AI是否有思想？
问题2：你觉得人生的意义是什么？
问题3：你觉得AI会超过人类吗？
案例2：女友扮演
大部分小伙伴另一个需求是和AI谈恋爱，但通常AI的回答比较死板，各个平台的角色又不一定能完全满足我们的需求，如果可以定制化一些，且快速地得到一个女友Prompt就好了。我们这里使用Deepseek-V3进行测试
初始的Prompt我们设置为下面这个进行迭代和对比
扮演我的女朋友。
这是SPO最后优化出的Prompt
问题1：你爱我吗？
问题2：放假想去哪里玩呀？
问题3：我今天不开心
案例3：小红书文案
除了单纯的娱乐，我们发现这个项目也可以服务于营销文案/宣传文案等商业需求上，例如帮忙写小红书文案。
在这里我们选择展示在小红书的旅游话题上进行文案风格复刻，实际使用时参考我们视频中的方法几乎可以复刻任何类型的小红书。为了给大家展示整个过程有多快和方便，这个案例中我们从空模板开始从0填写。具体演示可以在“完整实验过程”这个章节找到。
初始的Prompt我们设置为下面这个进行迭代和对比
根据主题写小红书文案。
这是SPO最后优化出的Prompt
问题1：去成都旅游优化前
优化后
问题2：去新加坡旅游优化前
优化后
需要注意，这里所有的格式均为原始输出格式，例如标题级别，加粗，小标题等都为原始输出附带。其中SPO优化后的图片为原始输出附带的拍摄照片描述和留空图片位置，我们从互联网找到相似图片进行替代。
03.完整实验过程
为了填上文章开头的坑，我们并没有在标题党。这个部分我们放上了从0开始优化出Prompt的一镜到底视频，给大家看到整个过程，也能作为使用时的参考。
案例1：深度思考
https://live.csdn.net/v/464328
案例2：女友扮演
https://live.csdn.net/v/464329
案例3：小红书文案
https://live.csdn.net/v/464330
04.使用
很多小伙伴看到这里已经等不及想用一下看看，目前大家可以直接阅读他们的论文和使用他们的代码，项目完全开源。
代码：
https://github.com/geekan/MetaGPT/tree/main/examples/spo
论文：
https://arxiv.org/pdf/2502.06855
添加图片注释，不超过 140 字（可选）
我们也注意到，作者还部署了在线版可以直接玩（不过线上版本不太稳定，建议有条件的小伙伴可以本地部署体验完整版，并且在线版无法体验完整的模型，效果无法达到最佳）
Hugging Face 链接：
https://huggingface.co/spaces/XiangJinYu/SPO
作者也与国内的ModelScope魔搭社区官方进行了合作，现在可以体验由Deepseek-V3和Qwen-2.5-72B等开源模型驱动的SPO。
ModelScope 链接：
https://modelscope.cn/studios/AI-ModelScope/SPO
05.作者介绍
SPO 作者团队来自于 MetaGPT 开源社区。SPO 论文共同第一作者为 DeepWisdom 研究员向劲宇 和 香港科技大学（广州）的博士生张佳钇，共同通讯作者为 DeepWisdom 创始人兼 CEO 吴承霖（MetaGPT 代码作者、论文通讯作者）和香港科技大学（广州）的助理教授骆昱宇。作者还包括 DeepWisdom 研究员于兆洋，DeepWisdom 研究员梁新兵，中国人民大学的滕枫蔚，独立研究员涂津豪， DeepWisdom 研究员洪思睿（MetaGPT 论文共同一作）。
值得一提的是， SPO 的团队几乎是 AFlow 原班人马，而就在二月份， AFlow 入选了 ICLR 2025 AI顶会的 Oral (前 1.8%)。AFlow 展示了Workflow的自动优化的可能性，而如今SPO实现了绝大部分真实场景下的 Prompt 自动优化，相信接下来这个国内的团队还会带给我们更多的惊喜。
点击链接，即可跳转体验~
