Natural Language Declarative Prompting (NLD-P): A Modular Governance Method for Prompt Design Under Model Drift

📄 arXiv: 2602.22790v1 📥 PDF

作者: Hyunwoo Kim, Hanau Yi, Jaehee Bae, Yumin Kim

分类: cs.CL, cs.AI

发布日期: 2026-02-26

💡 一句话要点

提出自然语言声明式提示（NLD-P）方法，应对大语言模型漂移下的提示设计治理难题。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自然语言提示 大型语言模型 模型漂移 提示工程 声明式治理

📋 核心要点

  1. 现有提示工程方法难以应对大型语言模型更新带来的模型漂移问题，导致提示行为不稳定且难以解释。
  2. NLD-P将提示工程视为治理问题，通过模块化控制抽象，将提示分解为来源、约束、任务和评估等独立部分。
  3. 论文定义了NLD-P的合规性标准，分析了模型对不同模式的接受度，并将其定位为易于使用的治理框架。

📝 摘要（中文）

大型语言模型（LLM）的快速发展已将提示工程从局部技巧转变为系统级治理挑战。随着模型规模的扩大和跨代更新，提示行为对指令遵循策略、对齐机制和解码策略的变化变得敏感，这种现象被称为GPT规模模型漂移。在这种情况下，表面格式约定和临时改进不足以确保稳定、可解释的控制。本文将自然语言声明式提示（NLD-P）重新概念化为一种声明式治理方法，而非僵化的字段模板。NLD-P被形式化为一种模块化控制抽象，它分离了来源、约束逻辑、任务内容和生成后评估，直接用自然语言编码，无需依赖外部编排代码。定义了最小合规性标准，分析了模型相关的模式接受度，并将NLD-P定位为非开发人员从业者在不断发展的LLM生态系统中使用的可访问治理框架。论文最后概述了在持续模型演进下声明式控制的意义，并确定了未来经验验证的方向。

🔬 方法详解

问题定义：论文旨在解决大型语言模型（LLM）持续更新和演进过程中，提示工程面临的模型漂移问题。传统的提示工程方法，如表面格式约定和临时改进，无法保证提示行为的稳定性和可解释性，难以适应LLM指令遵循策略、对齐机制和解码策略的变化。这种不确定性使得提示工程从局部技巧转变为系统级治理挑战。

核心思路：论文的核心思路是将自然语言声明式提示（NLD-P）重新定义为一种声明式治理方法，而非简单的字段模板。通过模块化控制抽象，将提示分解为多个独立的部分，包括来源、约束逻辑、任务内容和生成后评估。这种模块化设计使得每个部分可以独立管理和更新，从而提高提示的稳定性和可控性。

技术框架：NLD-P的技术框架主要包括以下几个模块：1) 来源（Provenance）：记录提示的创建者、时间等元数据，便于追溯和审计。2) 约束逻辑（Constraint Logic）：定义提示的约束条件，例如输出格式、内容限制等，确保生成结果符合预期。3) 任务内容（Task Content）：描述具体的任务目标和输入数据。4) 生成后评估（Post-generation Evaluation）：对生成结果进行评估，判断其是否符合约束条件和任务目标。这些模块都使用自然语言进行编码，无需依赖外部编排代码。

关键创新：NLD-P的关键创新在于其声明式治理的理念和模块化控制抽象的设计。与传统的命令式提示工程方法不同，NLD-P强调通过声明式的约束和规则来控制LLM的行为，而不是通过具体的指令序列。模块化设计使得提示的各个部分可以独立管理和更新，从而提高提示的稳定性和可维护性。

关键设计：论文定义了NLD-P的最小合规性标准，用于评估提示是否符合规范。此外，论文还分析了不同LLM对NLD-P模式的接受度，并提出了相应的优化策略。虽然论文中没有明确提及具体的参数设置或损失函数，但其核心在于通过自然语言描述的约束条件来引导LLM的生成过程。

📊 实验亮点

论文提出了NLD-P框架，通过模块化和声明式的方式，提高了提示工程的稳定性和可控性。论文分析了模型对不同NLD-P模式的接受度，为实际应用提供了指导。虽然没有提供具体的性能数据，但NLD-P为解决LLM模型漂移问题提供了一种新的思路。

🎯 应用场景

NLD-P方法可应用于各种需要稳定和可控提示工程的场景，例如自动化内容生成、智能客服、教育辅助等。通过将提示工程转化为一种声明式治理方法，NLD-P可以降低提示设计的门槛，使得非开发人员也能参与到LLM的应用开发中，从而加速LLM技术的普及和应用。

📄 摘要（原文）

The rapid evolution of large language models (LLMs) has transformed prompt engineering from a localized craft into a systems-level governance challenge. As models scale and update across generations, prompt behavior becomes sensitive to shifts in instruction-following policies, alignment regimes, and decoding strategies, a phenomenon we characterize as GPT-scale model drift. Under such conditions, surface-level formatting conventions and ad hoc refinement are insufficient to ensure stable, interpretable control. This paper reconceptualizes Natural Language Declarative Prompting (NLD-P) as a declarative governance method rather than a rigid field template. NLD-P is formalized as a modular control abstraction that separates provenance, constraint logic, task content, and post-generation evaluation, encoded directly in natural language without reliance on external orchestration code. We define minimal compliance criteria, analyze model-dependent schema receptivity, and position NLD-P as an accessible governance framework for non-developer practitioners operating within evolving LLM ecosystems. Portions of drafting and editorial refinement employed a schema-bound LLM assistant configured under NLD-P. All conceptual framing, methodological claims, and final revisions were directed, reviewed, and approved by the human author under a documented human-in-the-loop protocol. The paper concludes by outlining implications for declarative control under ongoing model evolution and identifying directions for future empirical validation.