文章核心总结与翻译一、主要内容文章聚焦大语言模型（LLMs）切换场景下的“模型漂移（Model Drifting）”问题——为某一模型优化的提示词直接迁移到其他模型时性能显著下降，提出了训练无关的跨模型提示词迁移框架PromptBridge。该框架通过校准任务获取模型专属最优提示词，学习跨模型提示词映射规则，实现未见过任务的零样本提示词适配，在单智能体、多智能体场景及编码、规划等多个任务中均验证了有效性，大幅降低模型迁移时的提示词重优化成本。二、核心创新点首次明确提出并量化“模型漂移”问题， formalize其定义为源模型最优提示词在目标模型上的性能与目标模型自身最优提示词性能的差距，揭示了该问题在不同模型家族、任务类型中的普遍性。提出Model-Adaptive Reflective Prompt Evolution（MAP-RPE）方法，通过反射式反馈、量化评估和岛式种群进化，为特定模型和任务生成最优提示词，同时支撑漂移测量与框架校准。设计训练无关的PromptBridge框架，基于校准任务学习跨模型提示词转换映射，无需为每个新模型或任务重新优化，即可实现零样本提示词迁移适配。多场景验证有效性，涵盖单/多智能体、编码/非编码任务、不同模型类型（高性能、低成本、开源），证明框架在复杂LLM系统中的实用性。三、关键部分翻译（Markdown格式）Abstr