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

📄 arXiv: 2602.22790 📥 PDF

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

分类: cs.CL, cs.AI

发布日期: 2026-02-28

💡 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工程挑战。

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

关键词: 自然语言提示 提示工程 大语言模型 模型漂移 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. 论文提出自然语言声明式提示（NLD-P），将提示工程视为一种模块化的声明式治理方法，而非简单的模板。
  3. NLD-P通过自然语言直接编码来源、约束、任务内容和评估，无需外部代码，便于非开发人员使用。

📝 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。我们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生态系统中可访问的治理框架。论文最后概述了在持续模型演进下的声明式控制的影响，并确定了未来实证验证的方向。

🔬 方法详解

问题定义：论文旨在解决大型语言模型（LLM）在不断更新迭代过程中出现的“模型漂移”问题，即相同的提示在不同版本的模型上表现出不一致的行为。现有的提示工程方法，如表面格式约定和临时改进，无法有效应对这种漂移，导致提示的控制不稳定且难以解释。这使得提示工程从一个局部技巧变成了一个系统级的治理挑战。

核心思路：论文的核心思路是将自然语言提示（Natural Language Prompting）重新定义为一种声明式的治理方法。通过将提示分解为不同的模块，并使用自然语言来声明每个模块的功能和约束，从而实现对提示行为的更精细和稳定的控制。这种方法旨在提高提示的可解释性和可维护性，并降低模型漂移带来的负面影响。

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、时间等信息，用于追溯和审计。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。3) 任务内容（Task Content）：描述具体的任务要求。4) 生成后评估（Post-generation Evaluation）：对模型的输出进行评估，判断是否符合预期。这些模块都使用自然语言进行编码，并通过一定的结构进行组织。

关键创新：NLD-P的关键创新在于将提示工程从一个命令式的过程转变为一个声明式的过程。传统的提示工程侧重于如何编写具体的指令来引导模型，而NLD-P则侧重于声明提示的属性和约束。这种声明式的 approach 使得提示更加模块化、可重用和易于维护。此外，NLD-P 使用自然语言进行编码，降低了提示工程的门槛，使得非开发人员也能参与其中。

关键设计：NLD-P 的关键设计在于其模块化的结构和自然语言的编码方式。每个模块都定义了明确的接口和功能，使得提示可以灵活地组合和修改。自然语言的编码方式使得提示易于理解和编辑，降低了开发和维护的成本。论文还定义了最小合规性标准，用于评估提示是否符合 NLD-P 的规范。具体的参数设置、损失函数、网络结构等技术细节未在论文中明确提及，可能依赖于具体的 LLM 实现。

📊 实验亮点

论文提出了NLD-P框架，通过模块化和声明式的方法，提高了提示工程的可控性和可维护性。虽然论文没有提供具体的性能数据或对比基线，但强调了NLD-P在应对模型漂移方面的优势，并定义了最小合规性标准，为后续的实证研究奠定了基础。论文还提到使用NLD-P配置的LLM助手辅助了论文的撰写和编辑，展示了NLD-P的实际应用潜力。

🎯 应用场景

NLD-P 可应用于各种需要稳定和可控提示的大语言模型应用场景，例如智能客服、内容生成、数据分析等。它能够帮助企业更好地管理和维护提示，降低模型漂移带来的风险，提高应用的可靠性和一致性。未来，NLD-P 有望成为一种通用的提示工程治理框架，促进大语言模型应用的标准化和规范化。

📄 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.