每位投資組合經理都知道有效邊界——在給定風險水平下提供最大回報的最佳投資組合集合。如果 AI 提示有自己的有效邊界呢？ 隨著我們都開始使用 AI，提示優化將是一個持續的挑戰。GEPA，生成性帕累托，是一種發現 AI 等效有效邊界的技術。 閱讀這篇論文時，我注意到初步結果令人鼓舞，在某些基準上提高了 10 分，且提示長度縮短了 9.2 倍。提示長度更短，而我們都知道輸入提示是成本的最大驅動因素（參見《饑餓的 AI 模型》）。因此，我在 EvoBlog 中實施了 GEPA。 要使用 GEPA，我們必須確定 LLM 用於評分帖子的評分軸。這是我的評分軸：（第一張圖片） 現在我們有了這個框架，我們可以輸入提示來生成博客文章，並讓 EvoBlog 系統通過不同的提示進行迭代，以滿足每個維度的有效邊界，並在所有變量之間加權——而不僅僅是一個。 這裡是兩篇假設博客文章的分數。你可以看到一篇在風格上更突出，而另一篇則專注於數據使用。使用 GEPA，我們可以確定哪一篇是更好的全方位文章。在這種情況下，是以數據為重點的文章。 所有這些都是在告訴親愛的讀者，我只發表過一篇完全由 AI 生成的博客文章。 我對這些自動化系統的目標是學習它們如何運作，如何調整它們，並生成初步草稿，這些草稿接近我的第一和第二草稿。我將始終完成第三和第四草稿。 有效邊界無法替代洞察力和真實的聲音。