Bài báo này trình bày một nghiên cứu thực nghiệm áp dụng kỹ thuật tối ưu hóa lời nhắc tự động thay vì viết lời nhắc thủ công trong xây dựng đồ thị tri thức (KG) bằng mô hình ngôn ngữ quy mô lớn (LLM). Chúng tôi tập trung vào nhiệm vụ cơ bản là trích xuất 3-tuple (chủ ngữ-quan hệ-đối tượng) từ văn bản, và so sánh hiệu suất của ba kỹ thuật tối ưu hóa lời nhắc tự động (DSPy, APE và TextGrad) trong các cài đặt khác nhau (chiến lược nhắc, mô hình LLM, độ phức tạp của lược đồ, độ dài và tính đa dạng của văn bản đầu vào, chỉ số tối ưu hóa và tập dữ liệu) sử dụng hai tập dữ liệu, SynthIE và REBEL. Kết quả thực nghiệm cho thấy kỹ thuật tối ưu hóa lời nhắc tự động đạt hiệu suất tương tự như lời nhắc do con người viết, và sự cải thiện hiệu suất trở nên rõ rệt hơn khi độ phức tạp của lược đồ và độ dài văn bản tăng lên.