TextGrad：用LLM自迭代让提示词准确率飙升11.87%

TextGrad 修正提示词的过程目录TextGrad 修正提示词的过程1. 定义“变量”与“模型” (前向传播准备)2. 前向传播 (Forward Pass)：做题并对答案3. 计算“文本损失” (Textual Loss)4. 反向传播 (Backward Pass)：求“文本梯度”5. 优化器更新参数 (Optimizer Step)6. 评测与保优 (Evaluate Keep Best)借鉴了深度学习中**“前向传播求误差 - 反向传播求梯度 - 优化器更新参数”**的思想，只不过这里的所有操作都是通过LLM（大语言模型）用自然语言来完成的。结合我们项目中的代码（textgrad_router_full.py），我用一个通俗的例子来拆解它的实现过程：1. 定义“变量”与“模型” (前向传播准备)在深度学习中，我们要优化的参数是权重（Weight）。在 TextGrad 中，我们要优化的参数是系统提示词（System Prompt）。# 将原始路由提示词包装成一个“可求导”的变量system_prompt=tg.Variable(router0,requires_grad=True,