全自動提示詞最佳化框架 FAPO 解鎖多步驟 LLM 管線效能
為何重要
FAPO 展示了 LLM 最佳化從「人工試錯」邁向「自動化 MLOps」的實務潛力，有助於開發者解決複雜推理鏈路中的結構性瓶頸。對產業而言，這種結合自動程式碼執行與評估的框架，代表了在複雜 Agent 應用開發上的技術進步，可能降低中長期的研發維護成本。 接下來的產業應用重點應放在該框架在不同垂直領域（如安全、RAG）的實務落地情況及其開源授權模式。
面對多步驟 LLM 管線中步驟互動導致的協同失效問題，本文提出 FAPO 框架。該框架利用 Claude Code 在標準化程式碼庫內進行自動打通關卡，從提昇基線 +14.1 pp，至在特定資料集上最高達 +33.8 pp 的表現。
- FAPO 在 18 組模型暨基準測試中贏得 15 場，勝過基線方法 GEPA，平均提示詞最佳化增益為 +14.1 pp。
- 在 HoVer 和 IFBench 測試中，當提昇至結構調整策略時，FAPO 全部獲勝，平均獲益高達 +33.8 pp。
- FAPO 能有效提升安全任務準確率，如在 CVE-to-CWE 測試（CTIBench-RCM）上，讓 GPT-5 準確率提升 +4.0 pp。