Promptify： 用于 LLM 提示管理的 Python 库

Promptify 这个 Python 库拥有提示器、LLM 集成和管道，只需几行代码就能完成数小时的提示调整工作。

在本文中，云朵君将与大家分享 Promptify 为何能让处理 NLP 的人如沐春风，并通过代码示例进行简单解释。

Promptify 是什么？

你有一大段文字，比如一份医学报告或一个故事片段，你需要提取关键细节、对主题进行分类或提出其他一般类问题。通常情况下，你需要花费大量时间为 GPT 或 PaLM 等LLM精心设计近乎完美的提示。

Promptify 改变了这一切。

它是一个Python库，将prompter（用于制作提示）、LLM（如OpenAI的模型）和pipeline配对起来，以简化NLP任务。

今天列举的几个案例，Promptify 都能让人感觉毫不费力--不是因为你在作弊，而是因为这是一种智能编码。

我为什么喜欢它？

答案很简单： 预置模板（或自定义模板）意味着你不需要成为prompt向导。

灵活： 可处理命名实体识别（NER）、分类或问题生成等任务。

与你现有的系统一起工作： 支持 Python 3.7 以上版本、OpenAI 0.25 以上版本和多个 LLM。

接下来云朵君和大家一起看一些示例，以便去深入理解其中奥妙。

设置 Promptify

安装 Promptify 非常简单。如在 Python 3.8 设置上运行了它：

pip3 install promptify

想要最新版本？从 GitHub 获取：

pip3 install git+https://github.com/promptslab/Promptify.git

安装完成后，就可以开始大展拳脚了。你需要一个 LLM 的 API 密钥（我用的是 OpenAI 的），稍后再详述。

Promptify 实验

当我第一次试用 Promptify 时，我持怀疑态度--它真的能简化我在 NLP 方面的困难吗？我用三个任务对它进行了测试：从医疗记录中提取实体、对健康状况进行分类以及从故事中生成问题。结果如下。

示例 1：提取医疗实体（NER）

假设你在某家医疗保健单位工作，你需要解析一份杂乱无章的病历：

The patient is a 93-year-old female with a medical history of chronic right hip pain, osteoporosis, hypertension, depression, and chronic atrial fibrillation admitted for evaluation and management of severe nausea and vomiting and urinary tract infection

翻译成中文：患者是一位 93 岁的女性，有慢性右髋关节疼痛、骨质疏松症、高血压、抑郁症和慢性心房颤动病史，因严重恶心、呕吐和尿路感染入院接受评估和治疗。

此时需要提取年龄、病情和症状。以下是 Promptify 如何做到这一点的：

from promptify import Prompter, OpenAI, Pipeline
# 患者记录
sentence = """The patient is a 93-year-old female with a medical history of chronic right hip pain, osteoporosis, hypertension, depression, and chronic atrial fibrillation admitted for evaluation and management of severe nausea and vomiting and urinary tract infection""""
# 设置 OpenAI（交换 API 密钥）
model = OpenAI("your_api_key_here")
# 选择 NER 模板
prompter = Prompter('ner.jinja')
# 创建管道
pipe = Pipeline(prompter, model)
# 运行
result = pipe.fit(sentence, domain="medical", labels=None)
# 检查结果
print(result)

结果

[
    {"E": "93-year-old", "T": "Age"},
    {"E": "chronic right hip pain", "T": "Medical Condition"},
    {"E": "osteoporosis", "T": "Medical Condition"},
    {"E": "hypertension", "T": "Medical Condition"},
    {"E": "depression", "T": "Medical Condition"},
    {"E": "chronic atrial fibrillation", "T": "Medical Condition"},
    {"E": "severe nausea and vomiting", "T": "Symptom"},
    {"E": "urinary tract infection", "T": "Medical Condition"},
    {"Branch": "Internal Medicine", "Group": "Geriatrics"}
]

这个结果着实不错。没一会儿的功夫，我们就得到了一个清晰的实体列表，而且还能将病例归类到内科和老年病科。这必能为你节省了单位数据库手动标记的时间。

示例 2：医疗条件分类

接下来，我们对同一记录中的病症进行标记，并按医学领域进行分组。以下是推荐使用的代码：

from promptify import OpenAI, Prompter
# 同一患者记录
sentence = """The patient is a 93-year-old female with a medical history of chronic right hip pain, osteoporosis, hypertension, depression, and chronic atrial fibrillation admitted for evaluation and management of severe nausea and vomiting and urinary tract infection""""
# 初始化模型
model = OpenAI("your_api_key_here")
# 设置提示器
nlp_prompter = Prompter(model)
# 运行多标签分类
result = nlp_prompter.fit('multilabel_classification.jinja', domain='medical', text_input=sentence)
# 查看结果
print(result)4

输出

[
    {
'1': 'Medicine',
'2': 'Osteoporosis',
'3': 'Hypertension',
'4': 'Depression',
'5': 'Atrial fibrillation',
'6': 'Nausea and vomiting',
'7': 'Urinary tract infection',
'branch': 'Health',
'group': 'Clinical medicine',
'main class': 'Health'
    }
]

这是整理数据的救星。每种情况都有一个清晰的标签，更广泛的 Health 和 Clinical medicine 标签帮助团队对记录进行分类以便分析。老实说，当我看到输出结果如此清晰时，我非常震惊。

示例3：生成故事问题

为了更进一步探索该库的潜在能力，我尝试用 Promptify 来完成一项创意任务。给它输入了《爱丽丝漫游奇境记》中的一句话：

The rabbit hole went straight on like a tunnel for some way, and then dipped suddenly down, so suddenly that Alice had not a moment to think about stopping herself before she found herself falling down a very deep well.

翻译成中文：兔子洞像隧道一样直走了一段路，然后突然向下倾斜，如此突然，以至于爱丽丝在发现自己掉进一口很深的井里之前，根本来不及考虑如何阻止自己。

假设我们需要为读书俱乐部的测验出题。下面是推荐出的题目：

from promptify import OpenAI, Prompter
# 故事片段
sentence = """The rabbit hole went straight on like a tunnel for some way, and then dipped suddenly down, so suddenly that Alice had not a moment to think about stopping herself before she found herself falling down a very deep well."""
# 设置模型
model = OpenAI("your_api_key_here")
# 挑选问答模板
nlp_prompter = Prompter(model)
# 生成问题
result = nlp_prompter.fit('qa_gen.jinja', domain='story_writing', text_input=sentence)
# 检查输出
print(result)

输出

[
    {'A': 'Alice found herself falling down a very deep well.', 'Q': 'What happened when Alice went down the rabbit-hole?'},
    {'A': 'Very deep.', 'Q': 'How deep was the well?'},
    {'A': 'No, she did not have a moment to think.', 'Q': 'Did Alice have time to think about stopping herself?'},
    {'A': 'It went straight on like a tunnel.', 'Q': 'What direction did the rabbit-hole go?'},
    {'A': 'No, she did not expect it.', 'Q': 'Did Alice expect to fall down a well?'}
]

如果你在一个读书俱乐部中使用了这些问题，我想极有可能会引发了一场精彩的讨论！我们使用Promptify 便能毫不费力地将一句话变成了一个小测验。

为什么 Promptify 能赢得我的青睐？

这么多年来，云朵君写过很多年关于科技工具的文章。而 Promptify 吸引我的原因是，它就像一个智能助手，能处理无聊的事情。以下是它值得你使用的原因：

节省脑力： 几行代码就能取代数小时的提示工程。

适应你： 使用内置模板，或针对特定任务调整自己的模板。

用途广泛： 医疗数据？创意写作？它都能帮你搞定。

与LLM完美契合： 在 OpenAI、Hugging Face或其他系统之间切换自由。

准备好试用 Promptify了吗？以下是我整理速成指南，看到这里，能否点个赞呢？🥰

• 使用 pip3 install promptify 安装。
• 获取一个 API 密钥（OpenAI 是一个很好的开始）。
• 挑选一个模板，如 ner.jinja 或自己编写。
• 使用 Pipeline 或 Prompter 处理文本。
• 随心所欲地处理输出--它非常灵活。