图片来源与许可 · 参考图使用许可未确认
AI 辅助插画 · 参考照片：本人、机构或原活动页面发布；摄影者未注明 · 参考图使用许可未确认 · 依据已核对姓名的来源页面图像，由 AI 绘制 B 细线彩铅头像；调整背景与肩部构图。展示图缩放至最长边 640 像素并转为 WebP。 · 参考图：Lakshya A Agrawal | AI PhD Student, UC Berkeley — Lakshya A. Agrawal
公开发言
3原话逐字核对过；转述不加引号有人曾问我，随着底层模型能力不断变强，提示词优化的重要性是否会下降？我的观点恰恰相反：模型越强，其指令遵循能力就越敏锐；当你给一个极其聪明的模型提供关于具体任务愈发精确、高质量的指令时，它在解决该任务上的表现就会呈指数级跃升。
people have asked me that oh as models get better the importance of prompt optimization will go down. I argue the opposite which is as models get better they will get better at instruction following and the more precise instruction about your task that you have to give to a very smart model the better that model will be at a uh solving your task
语境：Lakshya Agrawal 驳斥「模型越强提示工程越无用」的流行论调：更聪明的模型具备更精细的上下文理解力，任务指令与引导信息的精确度反而成为拉开性能差距的乘数。
我们的核心思路是在文本空间中执行反思式优化：不再仅仅依赖 0 或 1 这种粗粒度的标量奖励信号，而是让大语言模型或智能体审视整个执行轨迹，并深入反思其中哪些步骤有效、哪些无效。
Our idea is to perform reflective optimization in text space where instead of only using the zero or one reward signal, we can have a language model or an agent look at the trace of the entire rollout and reflect on what worked in them, what did not work in them.
语境：Lakshya Agrawal 阐释 GEPA 与传统 RL 的本质区别：传统梯度回传抛弃了中间工具调用与报错诊断，而文本反思能直接提取高阶语义诊断信息实现跳跃式改进。
优化对象的本质是文本表征与可量化反馈；只要任何系统的配置、提示词或代码框架能被序列化为文本并获得评估打分，反思式进化算法就能通用地对其实现自动化收敛与持续优化。
语境：Lakshya Agrawal 提出通用优化协议 Optimize Anything：将 Prompt 优化扩展至 CUDA 核函数、Agent 脚手架与数值参数等任意可文本化构件的自进化。