[CL]《FLARE: Few-shot Learning-based Adaptive Reflective Engine》D Sundararaman, B Gandhi, A Garg, M Li [Microsoft] (2026)

在复杂 AI 系统领域，自动提示词优化是一个悬而未决的难题。过去的方法如 GEPA 受困于脱离实际案例的抽象指令演化，本质原因是缺乏对具体执行错误的深度诊断，导致优化过程因缺乏“地气”而难以捕捉成败背后的细微执行模式。

本文的核心洞见是：把提示词优化重新看作针对特定失败案例的“外科手术式”修复。由此，利用大模型对错误实例进行专项诊断，并将诊断结果转化为针对性指令更新这一关键操作使问题得以解开，实现了从宏观规则演化到微观错误反馈的认知跳跃。

这项工作真正留下的遗产是证明了在顶级模型时代，基于少样本感知的局部修正比纯指令演化更具效能。它为后来者打开了极低数据量下实现高稳健优化的新门，但尚未跨过的门槛是复杂多步推理中错误溯源的归因偏差问题。

arxiv.org/abs/2608.02919 机器学习 人工智能 论文 AI创造营