UtilityMax 提示词编排：面向多目标大语言模型任务的形式化框架
计算与语言
2026-05-26 v4 人工智能
摘要
大语言模型 (LLM) 任务的成功程度严重依赖于其提示词。大多数应用场景通过自然语言指定提示词，而当需要同时满足多个目标时，自然语言往往具有内在的歧义。本文我们介绍 UtilityMax 提示词编排，这是一个使用形式化数学语言指定任务的框架。我们将任务重构为影响图，其中 LLM 的答案是唯一的决策变量。在图中定义条件概率分布上的效用函数，并指示 LLM 寻找最大化预期效用的答案。这一约束使 LLM 能够明确地推理每个目标组件，将输出导向精确的优化目标，而非主观的自然语言解释。我们在 MovieLens 1M 数据集上对该方法进行了验证，分别在三款前沿模型 (Claude Sonnet 4.6、GPT-5.4 和 Gemini 2.5 Pro) 上，展示了在多目标电影推荐任务中相较于自然语言基准线在精确度和归一化折扣累计收益 (NDCG) 方面均实现了一致的改进。
引用
@article{arxiv.2603.11583,
title = {UtilityMax Prompting: A Formal Framework for Multi-Objective Large Language Model Tasks},
author = {Ofir Marom},
journal= {arXiv preprint arXiv:2603.11583},
year = {2026}
}