メタプロンプティングは、言語モデル（LM）の機能を強化することを目的とした効果的な足場技術です。この手法は、単一のLMを多角的な指揮者に変え、複数の独立したLMクエリを管理?統合することに長けています。上位命令を使用することで、メタプロンプティングはLMに複雑なタスクをより小さく、より管理しやすいサブタスクに分解することを指示します。次に、これらのサブタスクは、同じLMの異なる「専門家」インスタンスによって処理され、各インスタンスは特定のカスタマイズされた指示に従って動作します。このプロセスの核心は、指揮者としてLM自体であり、これらの専門家モデルの出力間のシームレスなコミュニケーションと効果的な統合を確保します。また、その固有の批判的思考力と強力な検証プロセスを活用して、最終結果を洗練させ、検証します。この協調的なプロンプティング手法により、単一のLMが包括的な指揮者と多様な専門家チームの両方を同時に務めることができ、さまざまなタスクにおけるパフォーマンスを大幅に向上させます。メタプロンプティングのゼロショット、タスク非依存の性質は、詳細なタスク固有の指示を必要とせずに、ユーザーとのやり取りを大幅に簡素化します。さらに、私たちの研究は、Pythonインタープリターなどの外部ツールとメタプロンプティングフレームワークをシームレスに統合できることを示しており、その適用性と有用性を拡大します。GPT-4による厳格な実験を通じて、メタプロンプティングは従来の足場手法よりも優れていることを証明しました。24ゲーム、ワンステップチェス、Pythonプログラミングパズルなど、すべてのタスクの平均をとると、Pythonインタープリター機能を使用したメタプロンプティングは、標準プロンプトよりも17.1％、専門家（動的）プロンプトよりも17.3％、マルチパーソナリティプロンプトよりも15.2％高いパフォーマンスを示しました。