大淘宝技术：agent 优化之 GEPA——一种提示词自进化的优化方案

原文链接：https://mp.weixin.qq.com/s/jf5OKEhBDWkP0228tC5o1w
来源：微信公众号「大淘宝技术」；作者：营销&交易技术团队
发布：2026-09-16；获取：2026-09-17

核心结论（一句话）

GEPA 将 Prompt 优化从人工盲调改成可度量的闭环：任务模型执行，评分器量化，Judge 归因错误，反思模型生成候选，再用 Pareto 前沿在多个目标之间选择；真正上线仍需要冻结区、回归集和人类控制面。

分类提炼

场景：Agent / LLM Judge / Prompt 优化服务
类型：论文启发的工程方案与实现复盘
标签： #主题/AI-Agent #主题/自进化 #主题/评测 #主题/Prompt工程 #主题/多目标优化 #场景/公众号长文

知识节点

GEPA：基于 Genetic-Pareto、Reflective Prompt Evolution 的提示词自进化路径，以反馈驱动候选 Prompt 迭代。
反思式变异：对错误样本做错误定位、Prompt 归因和改进建议，再把结构化反馈交给变异模型。
Pareto 前沿：保留互不支配的候选解，让精确率、召回率、成本或长度等冲突目标保留可选权衡。
任务无关适配层：以数据、解析、评分和反馈协议承接 GEPA，让新任务通过配置和插件接入。
零配置推断：Inspector 先画像字段，再推断标注列、任务类型、输入字段、模板和种子 Prompt。
三模型分工：任务模型负责执行，Judge 模型负责错误诊断，反思模型负责生成候选；角色可相同但职责应分离。
Schema 对齐：由输出 Schema 同时生成格式指令和校验规则，减少“要求的格式”和“评分的格式”漂移。
双层评分：样本级分数用于反馈轨迹，批次级分数作为优化目标；两者不能混作同一类信号。
Prompt 冻结区：硬约束、工具协议和输出 Schema 不进入变异范围，可变区只承载判断优先级与异常处理等策略。

关联图谱

上游（基于 / 来自）

[[01-ai-agents/Skill-Self-Evolution]]：提供 Prompt/Skill 自进化的研究谱系，本文把其中的反馈与候选变更落到 GEPA 服务。
[[01-ai-agents/叶小钗-Agent评测-维度方法与落地实践]]：提供评测集、评分器、Run 快照和持续回归的工程前提。

下游（应用于 / 验证于）

[[01-ai-agents/一篇讲透Agent自进化飞轮怎么搭-评测→记忆→落地→控制]]：把本文的候选 Prompt 放入评测信号、记忆治理和发布控制飞轮。
[[01-ai-agents/若飞-Agent-记忆与可验证自我改进怎么设计]]：可用于治理 GEPA 产出的反馈、候选规则和回滚记录。

同级（横向 / 并列）

[[01-ai-agents/腾讯-AI-Agent-Skill-测评方案落地]]：同样强调评测器、基线和稳定性门禁，侧重点从 Prompt 变异转向 Skill 质量评估。
[[01-ai-agents/Lilian-Weng-Harness-Engineering-自我改进]]：从 Harness 边界和 reward hacking 解释为何不能让优化器编辑所有控制逻辑。

正文要点

文章将 LLM Judge 与被评测 Agent 的 Prompt 优化问题归纳为盲目性、伪自动化、难复制和无权衡四类痛点，并把人工标注对齐与线上业务对齐视为两个目标。
GEPA 主循环是“种子 Prompt → 批量推理 → 结构化解析与评分 → 错误归因和反思变异 → Pareto 选择”。温度、并发、重试和停止条件属于工程配置，不是算法保证。
方案以配置层、引擎层、组件层和服务层拆分职责；run_optimize、run_evaluate、validate_config 形成外部 API，Parser、Scorer、Feedback 和 LLM Client 作为可插拔组件。
Inspector 通过字段画像推断任务类型和输入/答案字段；build_config() 让 Schema、答案提取和评分方式按任务类型成套生成，降低手工配置错误。
评分同时服务两个环节：样本级反馈回答“这一条错在哪”，批次级目标回答“候选整体是否更好”。业务若偏好精确率或召回率，应显式写成约束，而不是只用平均分。
没有 Ground Truth 时，文章提出把离线评测、线上业务效果和历史策略回溯作为排序/否决信号；这部分是设计设想，必须防止“少做事更容易得分”的保守化偏差。

机制与替代解释

机制上，GEPA 的收益来自把“错误样本”转换为“可操作的规则归因”，再用多目标选择保留候选多样性；因此它比静态 Prompt 扫描多了一条由数据驱动的反馈路径。替代解释是：若数据集代表性不足、评分器本身偏移，或线上目标与离线目标不一致，候选分数上升可能只是过拟合、奖励黑客或指标转移，并不代表业务效果改善。

证据与限制

本文是大淘宝技术团队对 GEPA 论文和内部方案的工程整理。原文没有提供可独立复现的数据集、基线、完整代码或统计检验；调用时长、切分比例、重试参数、效果提升和论文收录信息均为原文/作者口径。冻结区、长度目标和无 Ground Truth 双通道属于合理的工程设计方向，不应当视为已经验证的通用结论。