编译提示，而非构思提示：面向 AI 辅助证据综述的可复现工作流程
计算与语言
2025-09-03 v1 人工智能
摘要
大型语言模型 (LLMs) 具有显著的潜力加速系统文献综述 (SLR)，但当前方法往往依赖脆弱的、手动构建的提示词，这损害了可靠性和可复现性。这种脆弱性削弱了对 LLM 辅助证据综述在科学界的信心。针对此问题，本文采用最近在通用目的 LLM 应用中开发的声明式提示优化技术，并演示其适用于 SLR 自动化领域。本研究提出一种结构化、领域特定的框架，将任务声明、测试套件和自动化提示调优嵌入可复现的 SLR 工作流程中。这些新兴方法被转化为具体的蓝图并配以可运行的代码示例，使研究人员能够构建符合证据综述原有透明度和严谨性原则的可验证 LLM 管道。这是一种将此类方法应用于 SLR 管道的新颖应用。
引用
@article{arxiv.2509.00038,
title = {Compiling Prompts, Not Crafting Them: A Reproducible Workflow for AI-Assisted Evidence Synthesis},
author = {Teo Susnjak},
journal= {arXiv preprint arXiv:2509.00038},
year = {2025}
}