Este artículo propone AutoPDL, una técnica automatizada de optimización de indicaciones para mejorar el rendimiento de los modelos de lenguaje a gran escala (LLM). AutoPDL define el problema de combinar diversos patrones de indicaciones (p. ej., Zero-Shot, CoT, ReAct, ReWOO) con contenido de indicaciones, incluyendo varios ejemplos, como un problema de AutoML estructurado. Encuentra eficientemente configuraciones óptimas de indicaciones mediante la técnica de Reducción Sucesiva a la Mitad. Aprovechando una biblioteca de patrones de indicaciones implementados con el lenguaje de programación de indicaciones PDL, AutoPDL genera programas PDL legibles, editables y ejecutables. Los resultados de la evaluación en tres tareas y siete LLM (que abarcan desde 3000 millones hasta 70 000 millones de parámetros) demuestran una mejora promedio en la precisión de 9,21±15,46 puntos porcentuales (hasta 67,5 puntos porcentuales). La estrategia de indicaciones seleccionada varía según los modelos y las tareas.
