约翰·霍普金斯大学推出 EGO-Prompt 框架，让小型 AI 模型逼近大模型表现

近日，约翰·霍普金斯大学发布了全新框架 EGO-Prompt，可显著增强小型语言模型在专业任务中的能力，性能平均提升接近 50%，同时将使用成本降低约 83%。该框架面向医疗诊断、交通管理等垂直场景，帮助小型 AI 模型实现接近大型推理模型的效果。

在落地应用中，编写合适的提示词并不容易：既要融入行业知识，也要确保 AI 能清晰推理、抓住要点。EGO-Prompt 的核心就在于自动生成并优化提示词，并结合因果逻辑，让模型像人类一样分步思考。

该框架以专家提供的基础提示与因果关系图为起点，经过自动化优化，产出更具体的推理指引，让 AI 的思路更清晰。整个过程会借助真实数据反复调整因果图与提示词，直到达到最佳表现。此外，EGO-Prompt 还能提升模型可解释性，让用户更容易理解其判断依据。

相较于此前的最佳方法，EGO-Prompt 的 F1 分数平均提升 7.32%—12.61%。基于该框架的小型模型，仅用约原有 20% 的成本，就能达到接近大型模型的效果。这种动态演进的知识机制，让专家知识不再停留在静态形态，而是与模型协同成长。

EGO-Prompt 的一大创新在于将专家知识从静态图谱升级为语义因果图（Semantic Causal Graph，SCG），并允许初始图谱存在一定不完美。这样的容错设计让优化过程更灵活，也能减少生成过程中的语义漂移。

EGO-Prompt 采用两阶段推理机制，将整体流程拆解为“指导式生成”和“条件化推理”两步，大幅降低模型的认知负荷，使其在应对复杂专业数据时更高效。

github：https://github.com/miemieyanga/EGO-Prompt

划重点:

– 🚀 小模型性能可接近提升 50%，成本最多节省约 83%。

– 📊 通过自动优化提示词与因果逻辑，显著增强推理能力。

– 🧠 引入语义因果图，容忍初始不完美，推动知识动态进化。