前言

上次我们发了一篇文章，很好的解决了 Prompt 的使用问题：

最好的Prompt管理和使用依然是 Class 和 Function - 继续让LLM和编程语言融合

相比其他方案，具有非常大的优势，完全融入到了现有的编程语言里，而不是大段的文本变量或者文件来做管理。

阅读本文前，建议大家先阅读上面的文章获得一个基础认知，再来看看我们如何进一步简化其使用。

问题

我们来看下面一段代码：

import ray
import functools
import inspect
import byzerllm
import pydantic
from byzerllm.utils.client import ByzerLLM


ray.init(address="auto",namespace="default",ignore_reinit_error=True)  


data = {
    'name': 'Jane Doe',
    'task_count': 3,
    'tasks': [
        {'name': 'Submit report', 'due_date': '2024-03-10'},
        {'name': 'Finish project', 'due_date': '2024-03-15'},
        {'name': 'Reply to emails', 'due_date': '2024-03-08'}
    ]
}




class RAG():
    def __init__(self):        
        self.llm = ByzerLLM()
        self.llm.setup_template(model="sparkdesk_chat",template="auto")
        self.llm.setup_default_model_name("sparkdesk_chat")        
    
    @byzerllm.prompt(lambda self:self.llm,render="jinja2")
    def generate_answer(self,name,task_count,tasks)->str:
        '''
        Hello {{ name }},


        This is a reminder that you have {{ task_count }} pending tasks:
        {% for task in tasks %}
        - Task: {{ task.name }} | Due: {{ task.due_date }}
        {% endfor %}


        Best regards,
        Your Reminder System
        '''


t = RAG()


response = t.generate_answer(**data)
print(response)


## output:Hello! Is there anything else I can assist you with?

RAG 是一个 prompt class, 里面有个 prompt function generate_answer, 

可以看到这个方法是一个传统意义上的空方法，但是里面的 doc 则是一段jinja 模板代码。prompt function 的执行器实际上是大模型，所以这段doc 会作为代码给到大模型，然后返回一个结果。

但是这个prompt 函数有两个地方比较复杂：

1. prompt 注解需要传一个 lambada 表达式，这个是为了获得 llm 实例。
   

2. 我们用到了jinja2 的for循环等

实际用起来，我们往往还是希望能够对会绑定到 doc 里的参数做一些处理的，这样可以使得模板更简单一些。

解决方案

现在你可以这么做：

@byzerllm.prompt(lambda self:self.llm,render="jinja2")
    def generate_answer(self,name,task_count,tasks)->str:
        '''
        Hello {{ name }},


        This is a reminder that you have {{ task_count }} pending tasks:
            
        {{ tasks }}


        Best regards,
        Your Reminder System
        '''
        
        tasks_str = "\n".join([f"- Task: {task['name']} | Due: { task['due_date'] }" for task in tasks])
        return {"tasks": tasks_str}

这次，我们提供了方法体，这个方法体实际上是对参数做一次预处理，然后再返回一个字典，这个新的字典会覆盖方法的参数的值，比如此时 tasks 值从原来的一个对象变成了一个字符串，可以直接放到 jinja2 doc 里渲染了。

此外，这也意味着你可以可能还可以做一些逻辑判断，来决定实际渲染到doc里的值是什么样子的，而不是在代码里做模板拼接。

这是第一个变化，prompt function 也允许有方法体，可以对入参做一些二次处理。只是你的方法体返回的值必须是一个字典。

其次，

@byzerllm.prompt(llm=lambda self:self.llm,render="jinja2")

中的 llm 目前可以接受三种值了：

1.  lambda 表达式，获取当前对象的llm 实例。
   

2. 字符串，也就是模型的名字，系统会自动构建一个llm实例用于某次调用。

3. llm 实例， 你可以直接传递一个llm实例。

比如：

@byzerllm.prompt(llm="kimi_chat")

系统会自动寻找名字为 kimi_chat的模型。

此外，在这次新版本（0.1.58）我们将 render 默认值改成 jinja2 而非simple。

总结

Byzer-LLM 是一个比较特殊的存在，它的终极愿景是让大家更好的使用大模型，而实现这一愿景主要是通过让变成语言和大模型更好的做融合，为此我们提供了非常多的能力，包括大模型无关的function calling, response class 和 function impl 等功能，也包括 prompt function 和prompt class。 

为了能够让这些能力变得好用，Byzer-LLM 还支持主流的开源模型和SaaS模型的对接，并且能够很好的适应生产环境，可以让大家只引入一个库就解决主要问题。