تعد عملية تحسين البرومبت (Prompt Optimization) في تصنيف النصوص من المجالات المتنوعة التي تجمع بين عدة طرق وأبعاد، بدءًا من اختيار العروض إلى البحث الاستكشافي وحتى تشخيص الأخطاء. وقد أظهرت هذه الطرق قوتها وقيودها، لكن لا يوجد نظام واحد يمكنه تقديم الحل الأمثل لكل السيناريوهات.

قمنا بإجراء دراسة شاملة عبر عدة معايير تصنيف (بين 2 إلى 150 فئة) لنقارن بين هذه الأنماط من خلال تقييم كمي وتحليل نوعي لخطوط تحسين الأداء، مما أظهر أن كل طريقة تتفوق في مهام مختلفة من حيث الهيكلية.

بناءً على هذه الرؤى، نقدم 'ERGO'، وهي طريقة مدفوعة بالأخطاء، تقوم بتحسين الأداء عبر مجموعات تدريبية غير متداخلة تتناول تشخيص الأخطاء وتصميم قواعد قرارات مستهدفة من خلال حلقة تغذية راجعة ( diagnose-prescribe-rewrite). وقد حققت ERGO أفضل دقة في المهام حيث تتركز الأخطاء في أزواج معينة من التسميات المتشابهة، مثل TREC (90.0%) وCLINC150 (94.4%)، مع تحقيق الفرضيات في 3-5 تكرارات وإنتاج قواعد قرارات قابلة للفهم.

بينما لا تحقق ERGO أعلى متوسط عام، إلا أنها تضيف بعدًا تكميليًا؛ حيث تتفوق الطرق القائمة على العروض في المهام المعتمدة على التغطية، وتتفوق الأساليب الاستكشافية في المهام ذات الفئات العديدة، بينما تبرع ERGO في الأمور التي يمكن تعلم حدودها من أنماط الأخطاء. نقدم إطارًا تكامليًا يربط بين خصائص المهام واختيار النموذج الأمثل، مما يوفر إرشادات عملية للممارسين.