AI时代写Prompt应该用APPL：为Prompt工程打造的编程语言，来自清华姚班的博士

在人工智能快速发展的今天，大语言模型(LLM)已经成为改变世界的重要力量。然而，如何高效地编写、管理和维护提示词(Prompt)仍然是一个巨大的挑战。传统的提示词工程往往依赖于手工编写和维护大量的文本模板，这不仅效率低下，而且难以进行版本控制和复用。

APPL(A Prompt Programming Language)的出现，为这个问题提供了一个优雅而强大的解决方案。作为连接程序和大语言模型的桥梁，APPL允许在Python函数中无缝嵌入提示词，同时也支持将提示词转换为结构化的程序代码。这种双向转换能力让开发者能够充分利用两个世界的优势：程序的精确控制和大语言模型的灵活创造力。

APPL是一个扩展了Python的提示词编程语言，它提供了一种自然、直观、便捷且高效的方式来在程序中使用大语言模型。作为一个专门面向Prompt工程师的工具，APPL不仅简化了提示词的编写和管理过程，还引入了一系列创新性的特性，从根本上改变了我们与大语言模型交互的方式。

APPL的第一作者：董宏华博士，本科毕业于清华大学交叉信息研究院（姚班），目前是多伦多大学在读博士。他带领团队开发了这个创新性的工具。作为专注于大语言模型应用的研究者，他们团队深入理解了当前Prompt工程师在日常工作中面临的挑战，并将这些洞察融入到APPL的设计中。他希望通过APPL，能够为广大的Prompt工程师提供一个更加高效、专业的开发工具，使他们能够更好地发挥创造力，构建更加复杂和强大的AI应用。

注意：本文以下示例代码由董宏华博士亲自修订。

资源

网页文档：https://appl-team.github.io/appl

上手教程：https://appl-team.github.io/appl/tutorials/ 

代码：https://github.com/appl-team/appl

论文：https://arxiv.org/abs/2406.13161

安装：

pip install -U applang

核心特性: 重塑提示词工程的范式

1. 提示词上下文系统的深度解析

APPL的核心创新在于其提示词上下文(Prompt Context)系统。这个系统不仅仅是简单的文本管理，而是一个复杂的状态管理机制：

1. 上下文生命周期管理

• new: 默认的模式，创建全新上下文，用于独立任务

• same: 复用当前上下文，适合连续的提示词构建

• copy: 创建上下文副本，用于并行处理

• 创建阶段：每个APPL函数被调用时自动创建独立上下文

• 传递阶段：支持三种上下文传递模式

• 销毁阶段：追踪调用情况，方便用于后续调试

• 提示词捕获机制

• 表达式语句自动捕获：将Python表达式转换为提示词片段

• 动态内容注入：支持变量插值和表达式计算

• 条件性捕获：可根据运行时条件决定是否将内容加入提示词

• 上下文状态追踪

• 完整的调用链记录

• 提示词构建过程的可视化

• 运行时状态的监控

示例代码展示提示词的简洁用法：

from appl import ppl, gen

@ppl(docstring_as="system")
def simple_prompt(name: str):
"""This is a system prompt"""

f"Hello, my name is {name}!"
return gen()

simple_prompt("APPL")的提示词如下

system: This is a system prompt
user: Hello, my name is APPL

这被用于gen()函数来调用大语言模型。




示例代码展示上下文管理的高级用法：

import appl
from appl import SystemMessage, convo, ppl, gen

@ppl
def complex_prompt(data: dict, mode: str = "default"):
# 基础上下文设置
SystemMessage("Processing data analysis request")

# 条件性提示词构建
if mode == "detailed":
f"Analysis mode: Detailed examination"
f"Required aspects: All data fields"
else:
f"Analysis mode: Quick overview"
f"Required aspects: Key metrics"

# 动态数据注入
f"Input data summary:"
for key, value in data.items():
f"- {key}: {value}"

# 使用Python控制流动态构建提示词
if "errors" in data:
f"Special attention: Error analysis required"
f"Error details: {data['errors']}"

return convo() # convo即conversation，表示当前的对话提示词

print(complex_prompt({"name": "John", "age": 30, "errors": "Syntax error"}))

得到的输出如下：

system: Processing data analysis request
user: Analysis mode: Quick overview
Required aspects: Key metrics
Input data summary:
- name: John
- age: 30
- errors: Syntax error
Special attention: Error analysis required
Error details: Syntax error

2. 并行化调度系统的技术实现

APPL的并行化系统远比表面看到的要复杂。它实现了一个智能的任务调度器，能够自动识别和优化并行执行机会。在实际测试中，APPL展现出了显著的性能优势：

• 在Chain-of-Thought with Self-Consistency(CoT-SC)任务中，实现了接近10倍的加速比

• 在Skeleton-of-Thought(SoT)生成任务中，达到了2.79倍的加速效果

• 在层次化摘要任务中，获得了3.07倍的性能提升

这些性能提升主要得益于以下技术实现：

1. 异步执行，在独立线程中运行大模型任务

2. 自动检测大模型任务之间的数据依赖

除此之外，APPL还提供了以下高级特性：

• 线程池实现大模型调用数量的限流

• 结果缓存

• 失败恢复机制

高级并行处理示例：

@ppl
def parallel_processing(documents: list[str]):
SystemMessage("You are a document analysis tool.")

# 并行执行每个文档的分析任务
results = [analyze_document(doc) for doc in documents]

# 结果汇总
f"Analysis Summary:"
for doc_id, result in enumerate(results):
f"Document {doc_id}: {result}"
print(convo()) # DEBUG，打印用于生成(gen)的对话提示词
return gen()

@ppl(ctx="copy")# 使用独立的上下文副本
def analyze_document(doc: str):
"Analyze the following document:"
doc
return gen()

docs = ["first document ...", "second document ..."] # placeholder
print(f"\n=== Analysis Summary ===\n{parallel_processing(docs)}")

得到的输出如下：

system: You are a document analysis tool.
user: Analysis Summary:
Document 0: This document ... # (分析结果)
Document 1: This document ... # (分析结果)

=== Analysis Summary ===
These documents ... # (汇总的分析结果)

3. 工具调用系统的深度集成

APPL的工具调用系统通过自动化的方式，将Python函数转换为大语言模型可以理解和使用的工具。这个过程包括：

1. 函数签名分析

• 自动提取Python函数参数和返回值类型

• 解析函数文档字符串(docstring)

• 工具Schema生成

• 自动生成包含参数描述和约束条件的JSON Schema

• 支持复杂的嵌套Pydantic结构

• 调用结果处理

• 将结果转化为函数调用，集成工具的运行

• 可方便地并行运行多个工具执行

这种自动化的工具集成机制大大简化了开发流程，使得开发者可以专注于业务逻辑的实现，而不需要手动处理繁琐的工具规范定义和参数转换。

示例代码：

# 常规的Python函数定义，参数类型可以是Pydantic模型
def is_lucky(x: int) -> bool:
"""Determine whether the input number is a lucky number.

Args:
x (int): The input number to be checked.

Returns:
bool: True if the number is a lucky number, False otherwise.
"""
return sympy.isprime(x + 3)


@ppl
def func(x):
f"Is {x} a lucky number?"

# 将 `is_lucky` 直接作为可用的工具，APPL会自动从函数签名和文档字符串中提取信息
# 结果是一个AssistantMessage，可以直接加入到提示词中
(actions := gen(tools=[is_lucky]))

if actions.is_tool_call:# LLM的选择是调用工具
# 运行工具，运行结果是ToolMessage的列表，可直接加入提示词中
(results := actions.run_tool_calls())
# results[0].content包含第一个工具调用的结果

# 让LLM根据结果生成文本答案，选择不使用工具
answer = gen(tools=[is_lucky], tool_choice="none")
else:# LLM选择直接生成答案
answer = actions.message

return answer

n = 2024
ans = func(n)
print("The answer is:", ans)

包含工具调用的对话的示例如下：

| Role | Message |
| -------------- | ------------------------------------------------------------- |
| User | Is 2024 a lucky number? |
| Assistant| [ToolCall(id='call_...', name='is_lucky', args='{"x":2024}')] |
| Tool(is_lucky) | True|

输出示例如下：

Yes, 2024 is a lucky number!

4. Tree of Thought实现

Tree of Thought(ToT)是一种强大的思维推理框架，它通过构建思维树并进行搜索来解决复杂问题。APPL为ToT提供了优雅而高效的实现支持，下面以24点游戏求解器为例展示APPL的强大能力：

@ppl
def propose(current_numbers: str):
f"Propose at most {args.n_propose_sample} possible next steps without explanation"
for example in PROPOSE_EXAMPLES:
for k, v in example.items():
display(k, v)
f"Input: {current_numbers}"
f"Possible next steps:"
return gen()

@ppl
def evaluate(current_numbers: str):
"Evaluate if given numbers can reach 24 (sure/likely/impossible)"
for example in VALUE_EXAMPLES:
for k, v in example.items():
display(k, v)
f"Input: {current_numbers}"
"Thoughts:"
return gen()

@traceable
def solve(input_numbers: str, steps: int = 3):
current_candidates = [
Game24Candidate(
start_numbers=input_numbers, 
left_numbers=input_numbers, 
steps=[]
)
]
for _ in range(steps):
# 生成可能的下一步
new_candidates = get_all_proposals(current_candidates)

# 评估每个候选解
new_candidates = get_all_values(new_candidates)

# 选择最佳候选解
current_candidates = sorted(
new_candidates, 
key=lambda x: x.value, 
reverse=True
)[: args.n_select_sample]

这个代码片段展示了APPL如何优雅地处理ToT的核心组件：

1. 提案生成(propose)：

• 基于当前状态生成可能的下一步操作

• 利用few-shot示例提升生成质量

• 支持批量生成多个候选方案

• 评估(evaluate)：

• 对每个候选解进行可行性评估

• 使用分级评分机制(sure/likely/impossible)

• 支持并行化评估提升效率

• 搜索(solve)：

• 实现宽度优先搜索策略

• 动态调整搜索深度

• 通过评分进行最优解选择

APPL的特性使得ToT实现具有以下优势：

• 代码结构清晰，逻辑简洁

• 提示词和代码互相解释

• 自动并行化提升性能

• 完整的执行追踪能力

• 灵活的提示词管理

在实际测试中，这个实现展现出了优秀的性能：

• 并行运行使得解决单个24点问题的时间缩短为了原来的1/6。

• 代码量显著减少 ，核心代码减少至120行左右。

5. OPRO Prompt优化

OPRO(Optimization of PROmpts)是谷歌DeepMind提出的一种创新的prompt优化技术，它通过迭代优化来提升prompt的效果，我之前有文章专门介绍过。

仅用十几行代码，APPL就能实现一个OPRO的简化版本，为类似算法提供了简洁而强大的实现支持：

@ppl
def optimize_prompt(question: str, prompt: str, output: str):
"I want to optimize the prompt for the question."
"The question is:"
question
"The current prompt is:"
prompt
"The output for the current prompt is:"
output
"The optimized prompt is:"
return gen()

@ppl
def evaluate_prompt(prompt: str):
prompt
return gen()

# 迭代优化过程
question = "Which number is larger, 9.11 or 9.9?"
prompt = "please think carefully."
for i in range(3):
# 评估当前prompt
output = evaluate_prompt(prompt)
# 生成优化后的prompt
prompt = optimize_prompt(question, prompt, output)

OPRO的工作原理：

1. 初始prompt评估：

• 测试初始prompt的效果

• 分析输出结果的质量

• 识别需要改进的方面

• 优化策略生成：

• 基于评估结果设计改进方案

• 考虑多个优化维度

• 生成新的prompt版本

• 迭代优化过程：

• 多轮评估和改进

• 动态调整优化策略

• 收敛到最优解

APPL为OPRO提供的支持：

• 提示词上下文的自动管理

• 清晰的代码结构和流程控制

• 方便的结果评估和分析

• 完整的优化过程追踪

• 优化后的prompt更简洁

高级应用场景: 深入APPL的实战应用

1. ReAct智能体实现

APPL特别适合实现基于ReAct范式的智能体系统，它能够自然地结合思考(Thought)、行动(Action)和观察(Observation)：

@ppl
def react_agent(instruction: str, max_steps: int = 5):
SystemMessage("你是一个能够思考和使用工具的AI助手。")
f"用户指令: {instruction}\n"

tools = [finish_task]

for step in range(max_steps):
# 生成思考过程
f"思考: {gen(tools=tools, tool_choice='none')}"

# 选择并执行工具
(actions := gen(tools=tools))

# 运行并将结果加入提示词
(results := actions.run_tool_calls())

# 根据results判断是否完成任务，如果完成则退出循环
...

"生成最终答案："
return gen()

这个实现展示了APPL如何优雅地处理复杂的交互流程，包括：

• 自然语言思考过程

• 工具选择和调用

• 结果分析和决策

2. 高级代码解析

APPL可以方便地将整个文件夹内的代码放入提示词中，用于代码审查、讨论和调试。这种高级代码解析功能可以极大地提升开发效率，特别适用于代码审查、问题排查和团队协作：

以下代码展示了如何将文件目录结构与目录中代码以XML的格式放入提示词中，比如将APPL的examples作为source folder后，里面的所有代码都会进入提示词中，然后就可以跟这些示例进行交流。

@ppl
def chat(source_folder: str, ext: str = ".py"):
with Tagged("directory", attrs={"name": source_folder}):
"The source code is organized as follows:"
sd.seedir(
source_folder,
style="spaces",
printout=False,
exclude_folders=["__pycache__"],
)
with Tagged("source"):
"The contents of the source code are as follows:"
# 遍历目录下的所有文件
for name in glob.glob(
os.path.join(source_folder, "**", f"*{ext}"), recursive=True
):
with Tagged("file", attrs={"name": name}):
"```python"
with open(name, "r", encoding="utf-8") as f:
f.read()# 读取文件内容并放入提示词中
"```"
"Now begin the chat about the project:\n"
print(f"num_tokens: {get_num_tokens(str(convo()))}")

console = Console()
while True:
(query := prompt("User: ")) # 用户输入对话
if query.startswith("exit"):
break
console.print(make_panel(query, title="User"))
logger.info(f"User: {query}")
with AIRole():
(res := str(gen(stream=True).streaming(title="Assistant")))
logger.info(f"Assistant: {res}")




技术评价：APPL的创新与影响

APPL作为一个开创性的提示词编程工具，展现出了显著的技术优势和广阔的应用前景：

1. 技术创新

1. 架构设计：

• 创新的提示词上下文系统

• 高效的并行化调度机制

• 灵活的工具集成框架

• 开发体验：

• 自然的编程范式

• 简洁的库调用设计

• 强大的调试能力

• 性能优化：

• 智能的资源管理

• 高效的并行处理

• 优秀的扩展性

2. 实践价值

1. 开发效率：

• 显著减少代码量

• 加快开发速度

• 降低维护成本

• 应用场景：

• 支持复杂AI系统开发

• 适应多样化的任务需求

• 便于集成现有系统

• 生态潜力：

• 活跃的社区支持

• 丰富的工具生态

• 良好的扩展性

结语: 拥抱提示词工程的新范式

APPL代表了提示词工程的未来发展方向。它通过创新的技术架构和丰富的功能特性，为AI应用开发提供了一个强大而灵活的工具。对于Prompt工程师来说，掌握APPL不仅能够提高开发效率，还能够创造出更加强大和可维护的AI应用。

随着APPL的持续发展和完善，我们可以期待看到更多创新性的应用出现，推动整个AI领域向前发展。现在正是开始学习和使用APPL的最佳时机，让我们一起探索这个充满可能的新领域。如果APPL对您有帮助，请点赞在看和转发。以下文章对您可能也有帮助：