近日，2025年第八届大数据与应用统计国际学术研讨会（IEEE ISBDAS 2025）于广州圆满落幕。中建电商AI团队发表的两篇学术论文《GradPromptOpt: An enhanced prompt optimization method to improve performance of LLMs》（《GradPromptOpt：一种提升大型语言模型性能的增强型提示优化方法》）与《A novel long prompt optimization approach to improve reasoning capacity of LLMs》（《新型长文本提示优化方法：提升大型语言模型推理能力》）被大会收录，并在现场引发学术界与工业界的广泛关注。　

　　本次会议由广东省高等教育学会人工智能与高等教育研究分会主办，北京师范大学协办，南洋理工大学、新加坡国立、关西国际大学、中山大学、华南理工大学等国内外多所著名高校联合组办，浙江大学、北京航空航天大学、中山大学、广州大学等多所重点高校参办。会议所有录用论文将收录至IEEE Xplore核心数据库，并提交EI Compendex与Scopus检索，彰显了论文的学术价值与技术前沿性。

GradPromptOpt：智能提示优化的革命

　　GradPromptOpt: An enhanced prompt optimization method to improve performance of LLMs

　　在快速发展的AI领域中，如何有效地设计和优化LLM的提示已成为一个关键挑战。为了解决这一问题，中建电商人工智能中心开发了一种名为GradPromptOpt的新型提示优化方法。这是一种基于梯度的自动优化框架，通过智能调整提示来提高LLM在特定任务上的表现。GradPromptOpt利用LLM内部梯度信息，能够自动诊断并优化提示弱点，就像给语言模型装上“智能显微镜”，能精准定位影响任务表现的提示词成分。在关键词提取等精细化任务中，系统展现出31.75%的性能提升，远超传统人工调优效率。

PromptEvolution：长提示词的进化之路

　　A novel long prompt optimization approach to improve reasoning capacity of LLMs

　　与此同时，中建电商AI团队模灵、奥德、魔码等人提出的方法——PromptEvolution，创造性地融合了束搜索与遗传算法选择、变异算子的策略，实现了对大语言模型长提示词（Long Prompts）的自动化优化。该方法通过分解提示为独立语句，结合动态历史搜索与语句级改写，显著提升了复杂开放领域任务中模型的推理准确率。实验表明，该方法在Big-Bench Hard基准测试的六项任务中平均提升模型准确率7.2%，其中歧义消除任务提升高达10.4%，达到了当前长提示优化领域的顶尖水平（SOTA）。

　　这些研究成果已应用于云筑智能供应链平台的复杂决策场景中。例如，在建筑行业招投标文件的自动化审核、数据标准化等任务中，优化后的提示词使模型准确率大大提高，大幅降低了人工复核成本。目前，云筑平台累计服务企业超过50万家，年处理智能交互请求达百亿级。此次技术的突破，将进一步推动建筑行业采购、风控等环节的智能化进程。（中建发展供稿）