〇门槛 快速上手

一分钟速成提示工程！

直接 pip install 安装 🌟

从 PyPI 安装：

pip install promplate[openai]

你也可以用任何你喜欢的源（比如以清华源为例）：

pip install promplate[openai] -i https://pypi.tuna.tsinghua.edu.cn/simple

我们只是用 OpenAI 来做演示。实际上，你可以使用任何你想要的LLM。

让LLM生成文本！OpenAI 启动！

首先，打开一个python REPL 💻 （或者ipython或者jupyter都可以。任何你喜欢的python终端都可以）

下面的所有代码都可以直接运行，只要你是一行行复制粘贴过去的，都可以正常得出结果。

>>> from promplate.llm.openai import ChatComplete  # 这个类只是对OpenAI的官方SDK的封装而已
>>> complete = ChatComplete(api_key="...")

在 api_key 填你的 API Key 就行

然后像这样调用：

>>> complete("你好", model="gpt-3.5-turbo-0125")
'你好！有什么可以帮助你的吗？'

你可能懒得每次调用 complete 的时候都要填写 model 参数，那你可以把参数绑定到 complete 上面：

>>> complete = ChatComplete(api_key="...").bind(model="gpt-3.5-turbo-0125")

然后只需用一个字符串来调用它：

>>> complete("你是谁")
'我是一位聊天机器人，可以回答你的问题和进行对话。有什么可以帮助你的吗？'
😭😭 如果你没有 API Key 我有个教育目的的免费代理站，你不用 API Key 也能免费使用。像这样填写 base_url 字段即可： 
>>> from promplate.llm.openai import ChatComplete
>>> complete = ChatComplete(base_url="https://promplate.dev", api_key="").bind(model="gpt-3.5-turbo-0125")
>>> complete("随便说点什么")
'今天的天气真是美好，阳光明媚，让人心情也变得愉快起来。希望每个人都能在这样的日子里感受到幸福和快乐。无论遇到什么困难和挑战，都要坚持积极向前，相信明天会更好。愿大家都拥有一个美好的一天！'
如果你想使用 instruct 模型 🤔 只需简单地将 ChatComplete 替换为 TextComplete： 
>>> from promplate.llm.openai import TextComplete
>>> complete = TextComplete(api_key="...").bind(model="gpt-3.5-turbo-instruct")
>>> complete("我是")
'人也像你\n缘起在那个年代，'
当调用 Complete 实例时，你可以传递参数，比如 temperature，也可以在初始化时修改参数： 
>>> complete("1 + 1 = ", temperature=0, max_tokens=1)
'2'
想迭代流式响应也很简单 👀 只需使用 ChatGenerate，然后用 for 循环去迭代它： 
>>> from promplate.llm.openai import ChatGenerate
>>> generate = ChatGenerate(api_key="...").bind(model="gpt-3.5-turbo-0125")
>>> for i in generate("为什么 1 + 1 = 2"):
...     print(i, end="", flush=True)  # 这会逐渐打印生成的token
...
1 + 1 = 2 是数学中的基本原理，这个等式符合加法运算规则。当我们将一个物体与另一个相同的物体放在一起时，我们就会有两个物体。所以，1个物体加上另一个物体等于2个物体。这是数学中的基本概念之一。

模板！如何使用 Promplate 的模板表示动态的 prompt

在你的提示中必然有一些动态的内容，比如用户输入的问题，从数据库中检索到的数据，网上搜索的结果等。 在 promplate 中，只需使用 {{ }} 就可以插入动态数据。

>>> import time
>>> from promplate import Template
>>> greet = Template("结合当前时间向我请安。现在是 {{ time.asctime() }}")
>>> greet.render(locals())
'结合当前时间向我请安。现在是 Sat Feb 24 19:57:36 2024'

借助刚刚创建的 complete 对象来执行它：

>>> complete(_)  # _ 在 REPL 中就是上一个表达式的值
'您好！现在是2024年2月24日周六晚上7点58分50秒，祝您身体健康，心情愉快！有什么可以帮助您的吗？祝您一切顺利！'

可以看到，它根据我们的当前时间给出了合适的问候语。

实际上，你可以在 {{ }} 里面使用任何python表达式。

问题有点复杂？分解成子问题逐个解决！

有时候需要组合多个 prompt 来完成任务：

  • 如果任务比较复杂，可能很难在一个 prompt 中描述清楚
  • 将大任务分解成小任务分别执行有可能可以减少 token 消耗量
  • 如果你要让模型输出结构化的数据（通过XML或者JSON），往往先生成正常结果再
  • 将任务分解成部分来完成是符合人类直觉的
  • 将大任务分解成子任务可能会增强可解释性，debug 时更容易定位错误
  • …

在 prompate 中，我们使用 Node 来表示一个单一的”任务”。你可以用一个字符串来初始化一个”任务”：

>>> from promplate import Node
>>> greet = Node("{{ time.asctime() }} 是上午还是下午？请用英文回答。", locals())
>>> greet.render()  # 你已经在这个 Node 初始化时传递了上下文
'Sat Feb 24 19:59:41 2024 是上午还是下午？请用英文回答。'

一个 Node 就是一个加了许多实用功能的 Template ：

像魔法一样，你可以直接将两个节点相加，表示先后连接的顺序：

>>> translate = Node('将 """{{ __result__ }}""" 翻译成 {{ target_language }}')
>>> chain = greet + translate  # 这表示了"用中文打招呼"的流程

然后像这样调用：

>>> chain.invoke({"target_language": "zh_CN"}, complete)
>>> _.result
'早上好！'
一些细节

注意 .run() 的返回类型是 ChainContext，这是一个 dict 的子类，但是比 dict 多了一些东西：

  • __result__ 键在 .run() 时被自动分配为上一个 Node 的输出，你可以在模板中用 {{ __result__ }} 访问它；
  • 在模板外部，你可以使用 ChainContext 的 .result 来获取最后的输出。

以下三个表达式应该返回相同的字符串：

>>> template = Template("...")
>>> complete(template.render())
>>> Node("...").invoke()["__result__"]
>>> Node("...").invoke().result

这部分可能有点难理解。但这些都是为了这个框架的灵活性。其实，等你的工程逐渐变大了，你会发现这种封装就是最佳实践。

Agent = LLM + Tools! 给 Chain 注册回调！

有些事情LLM做不了，更适合用代码来完成。例如：

  • LLM只会返回字符串，但我们有时需要将其解析为结构化的数据格式，如 dict 或 list
  • Chain 默认只保留最新的 __result__，而可能也需要保留下来中间的 Node 的输出
  • 后一个 Node 可能不能直接使用前一个 Node 的结果，而是需要进行一些处理
  • …

在 promplate 中，你可以在 LLM 运行前后分别注册一个或多个回调，作为”预处理”和”后处理”

除了手动实现 Callback 接口，你可以直接用装饰器语法来注册回调：

>>> @greet.end_process
... @translate.end_process
... def log_greet_result(context):
...     print(context.result)
...
>>> chain.invoke({"target_language": "zh_CN"}, complete)
It is in the afternoon.
现在是下午。
ChainContext({'target_language': 'zh_CN', '__result__': '现在是下午。'})

上面这是一个将第一个 Node 的结果 print 出来的回调。事实上，你可以在回调中随意读取和写入 context

恭喜你 🎉 你已经学会了使用 promplate 进行提示工程的基本范式。感谢你的阅读！还有很多没有提到的特性在这个速成教程中没有提到。你可以前往其它页面了解更多 🤗 有任何问题，都欢迎在 GitHub Discussions 提问！