One Prompt Does Not Fit All: Self-Meta-Evolve for Personalized Information Extraction
作者: Hongliang Li, Lu Wang, Yong Xu, Hanyang Chen, Zhitao Hou, Xiaoting Qin, Song Ge, Qingwei Lin, Dongmei Zhang
分类: cs.AI
发布日期: 2026-09-18
备注: 16 pages, 4 figures, Findings of AACL-IJCNLP 2026
💡 一句话要点
提出Self-Meta-Evolve以解决个性化信息提取问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 个性化信息提取 大型语言模型 提示优化 用户反馈 双循环机制 企业应用 O*NET分类 智能助手
📋 核心要点
- 现有的提示优化方法无法适应真实工作环境中用户的多样性，导致信息提取效果不佳。
- 本文提出Self-Meta-Evolve框架，通过用户反馈进行个性化提示的持续优化，解决了用户异质性问题。
- 在292个模拟用户的基准测试中，Self-Meta-Evolve取得了74.58%的成功率，显著优于传统方法。
📝 摘要（中文）
大型语言模型（LLMs）在企业信息提取（IE）中日益被应用，但现有的提示优化方法依赖于单一的全局目标提示，无法满足真实工作场所用户的多样性需求。本文提出Self-Meta-Evolve框架，通过用户交互反馈进行个性化提示适配，采用双循环过程持续优化提示。我们发布了一个292个模拟企业用户的个性化IE基准，并在该基准上取得了74.58%的成功率，超越了最强提示优化基线13.56个百分点，且在仅两次迭代内达到52.54%。一项双盲人类研究进一步确认了我们框架的有效性。
🔬 方法详解
问题定义：本文旨在解决企业信息提取中用户个性化需求的挑战。现有方法通常依赖单一的全局优化提示，无法有效应对用户的多样性和个性化需求。
核心思路：提出Self-Meta-Evolve框架，通过交互反馈实现每个用户的专属提示适配，采用双循环机制持续优化提示，确保信息提取的个性化和准确性。
技术框架：该框架包含两个主要循环：内循环根据用户反馈编辑结构化提示，外循环则通过提炼成功的编辑模式来演化元提示。整体流程支持持续的用户交互和反馈收集。
关键创新：最重要的创新在于实现了针对每个用户的专属提示维护和优化，而非依赖单一全局提示。这种方法能够更好地适应用户的个性化需求，提升信息提取的效果。
关键设计：在设计中，采用了基于O*NET职业分类的个性化生成管道，确保了292个模拟用户的多样性。同时，设置了有效的损失函数和优化策略，以支持双循环的高效训练和评估。
🖼️ 关键图片
📊 实验亮点
在292个模拟企业用户的基准测试中，Self-Meta-Evolve达到了74.58%的成功率，超越了最强提示优化基线13.56个百分点。此外，仅在两次迭代内就达到了52.54%的成功率，显示出其高效性。双盲人类研究表明，适应性提示在71%的对比中优于静态基线，验证了方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括企业信息管理、客户关系管理和个性化服务等。通过实现个性化的信息提取，企业能够更好地满足用户需求，提高工作效率和用户满意度，未来可能在智能助手和自动化办公系统中发挥重要作用。
📄 摘要（原文）
Large language models (LLMs) are increasingly deployed for enterprise information extraction (IE), where the same document must be reorganized differently for each user. Existing prompt optimization methods, however, rely on a single prompt optimized against a global objective, which is misaligned with the inherent user heterogeneity of real workplaces. We formulate enterprise IE as per-user prompt adaptation under interaction feedback and propose Self-Meta-Evolve, a hierarchical framework that maintains a dedicated prompt for each user and continuously refines it through a dual-loop process: an inner loop that edits structured prompts based on persona-conditioned feedback, and an outer loop that evolves the meta-prompt itself by distilling successful editing patterns. To enable scalable training and evaluation, we release a persona-driven IE benchmark of 292 simulated enterprise users, paired with a reproducible persona-generation pipeline grounded in O*NET occupational taxonomies. On this benchmark, Self-Meta-Evolve achieves a 74.58% success rate, outperforming the strongest prompt-optimization baseline by 13.56 absolute points, and reaches 52.54\% within only two iterations. A double-blind human study with twenty real professionals further confirms that prompts adapted by our framework win against static baselines in 71% of pairwise comparisons.