在人工智能快速发展的今天，各种AI开发框架层出不穷。LangChain因其强大的功能而广受欢迎，dspy则以其简洁的API吸引了不少开发者。但是，这些框架真的能满足所有AI开发需求吗？让我们一起来看看为什么革命性的ell库可能是你一直在寻找的解决方案。

现有框架的局限性LangChain的挑战1. API过于复杂：需要大量样板代码，增加了学习成本。2. 灵活性不足：强制使用特定的工作流程，限制了开发者的创造力。3. 版本控制困难：难以跟踪和管理不同版本的提示。4. 性能开销大：复杂的架构可能带来额外的性能负担。5. 定位不清晰：功能过多，啥都往里面塞，用过的人都懂。dspy的不足

虽然dspy提供了更简洁的API，但它仍然存在一些局限性：

1. 功能相对有限：在处理复杂的多步骤任务时可能不够灵活。2. 不合理的框架：通过自动识别类信息的方式构建提示词，隐藏了过多细节，微调能力不够3. 生态系统较小：社区和生态系统还在发展中。4. 版本控制功能欠缺：没有内置的版本控制功能，这在大型项目中可能成为问题。ell：融合优点，突破局限

ell的诞生，正是为了解决这些问题。它由前OpenAI研究科学家William H. Guss创造，融合了他在语言模型和提示工程方面的深厚经验。让我们通过一系列实例来深入了解ell的核心优势。

1. 提示即程序：超越简单字符串

ell将提示视为完整的程序，而不仅仅是字符串。这允许开发者利用Python的全部功能来构建复杂的提示逻辑。

写法1import ell@ell.simple(model="gpt-4o-mini")def answer_question(question: str): """你是一个知识渊博的助手""" # 系统提示 return f"请回答以下问题：{question}" # 用户提示result = answer_question("法国的首都是哪里？")写法2import ellimport random@ell.simple(model="gpt-4o-mini")def creative_story_generator(theme: str, mood: str): adjectives = ["神奇的", "惊人的", "不可思议的", "震撼人心的"] def get_random_adjective(): return random.choice(adjectives) system_prompt = f"你是一个{get_random_adjective()}故事创作者。" user_prompt = f"请以'{theme}'为主题，创作一个'{mood}'基调的短篇故事。" return [ ell.system(system_prompt), ell.user(user_prompt) ]story = creative_story_generator("时空旅行", "神秘")print(story)

这个例子展示了如何在提示中使用Python函数和逻辑，生成动态的系统提示和用户提示。你可以轻松地融入复杂的逻辑，使你的提示更加灵活和强大。

2. 自动版本控制和序列化：轻松优化你的提示

ell提供了强大的自动版本控制功能，这是LangChain和dspy都不具备的：

ell.init(store='./my_prompts', autocommit=True)@ell.simple(model="gpt-4o-mini")def translate(text: str, target_language: str): """你是一个精通多国语言的翻译专家。""" return f"将以下文本翻译成{target_language}：\n{text}"# 第一个版本result1 = translate("Hello, world!", "中文")print("版本1:", result1)# 修改函数，创建新版本@ell.simple(model="gpt-4o-mini")def translate(text: str, target_language: str): """你是一个精通多国语言的翻译专家，专注于保留原文的语气和风格。""" return f"请将以下文本翻译成{target_language}，注意保持原文的语气和风格：\n{text}"# 第二个版本result2 = translate("Hello, world!", "中文")print("版本2:", result2)

每次修改和运行这个函数，ell都会自动保存一个新版本。你可以轻松地管理和比较不同版本的提示，这在优化过程中非常有用。

3. 监控、版控和可视化工具：科学化你的提示工程

ell提供了强大的工具来监控和分析你的提示工程过程：

ell.init(store='./my_prompts', autocommit=True, verbose=True)@ell.simple(model="gpt-4o-mini")def sentiment_analysis(text: str): """你是一个专业的情感分析专家。""" return f"分析以下文本的情感倾向(正面/负面/中性)：\n{text}"result = sentiment_analysis("今天的天气真是太棒了！")print(result)# 运行这段代码后，你可以使用ell-studio来可视化和分析结果# 在命令行中运行: ell-studio --storage ./my_prompts

ell-studio提供了一个直观的web界面，让你可以轻松查看提示版本、性能指标和使用统计。这使得提示工程变得更加科学和可控。

4. 支持多步骤的语言模型调用：轻松实现复杂任务

ell支持复杂的多步骤提示工程解决方案，让你能够轻松处理需要多个步骤的任务：

@ell.simple(model="gpt-4o-mini")def generate_outline(topic: str): """你是一个擅长创作大纲的作家。""" return f"为主题'{topic}'创建一个简要的文章大纲。"@ell.simple(model="gpt-4o")def expand_section(section: str): """你是一个专业的内容写作者。""" return f"详细展开以下段落，至少300字：\n{section}"@ell.complex(model="gpt-4o-2024-08-06")def write_article(topic: str): # 步骤1: 生成大纲 outline = generate_outline(topic) # 步骤2: 对每个大纲章节进行扩展 sections = outline.split("\n") expanded_sections = [expand_section(section) for section in sections if section.strip()] # 步骤3: 组合成完整文章 full_article = "\n\n".join(expanded_sections) return full_articlearticle = write_article("人工智能的未来发展")print(article)

这个例子展示了如何将一个复杂的任务分解为多个步骤，每个步骤都由一个专门的ell函数处理。这种方法使得处理复杂任务变得简单和直观。

5. 结构化输出和多模态交互：应对各种复杂场景

ell支持结构化输出和多模态输入，使复杂任务变得简单：

from pydantic import BaseModel, Fieldfrom PIL import Imageclass ImageAnalysis(BaseModel): main_subject: str = Field(description="图片的主要主题") colors: list[str] = Field(description="图片中的主要颜色") mood: str = Field(description="图片传达的整体情绪")@ell.complex(model="gpt-4-vision-preview", response_format=ImageAnalysis)def analyze_image(image: Image.Image): return [ ell.system("你是一个精通图像分析的AI助手。请分析提供的图片，并以结构化格式返回结果。"), ell.user(["请分析这张图片:", image]) ]# 假设我们有一个名为 'sunset.jpg' 的图片文件image = Image.open('sunset.jpg')analysis = analyze_image(image).parsedprint(f"主题: {analysis.main_subject}")print(f"颜色: {', '.join(analysis.colors)}")print(f"情绪: {analysis.mood}")

这个例子展示了ell如何轻松处理图像输入和结构化输出。你可以轻松扩展这种方法来处理各种复杂的多模态任务。

6. 简洁设计，易于集成：无缝融入你的项目

ell的设计使其易于集成到现有的Python项目中：

import ell# 在你的项目中定义ell函数@ell.simple(model="gpt-4o-mini")def summarize(text: str): """你是一个擅长总结的AI助手。""" return f"请简要总结以下文本，不超过50字：\n{text}"# 在项目的任何地方使用这个函数def process_document(document): # 其他处理逻辑... summary = summarize(document.content) document.summary = summary # 更多处理...# 示例使用doc = get_document() # 假设这是你项目中的一个函数process_document(doc)print(doc.summary)

这个例子展示了如何将ell函数无缝集成到你的现有项目中。你可以像使用普通Python函数一样使用ell函数，使得AI功能的集成变得异常简单。

为什么选择ell？1. 简化开发：ell的设计理念是"使用语言模型就像调用普通函数一样简单"。这大大降低了开发复杂度。2. 灵活强大：从简单的文本生成到复杂的多步骤交互，ell都能轻松应对。3. 版本控制：内置的版本控制功能让你可以轻松管理和优化你的提示。4. 可视化和分析：强大的监控和分析工具帮助你优化AI性能。5. 多模态支持：轻松处理文本、图像、音频等多种数据类型。6. 结构化输出：精确控制输出格式，适合各种复杂应用场景。7. 易于集成：设计简洁，可以无缝融入现有Python项目。结语

ell不仅仅是另一个AI开发工具，它是重新思考AI开发方式的革命性产品。它汲取了LangChain的强大功能和dspy的简洁设计，同时克服了它们的局限性。无论你是AI开发新手，还是经验丰富的专家，ell都能帮助你更快、更好地构建AI应用。

还在为选择合适的AI开发框架而烦恼吗？试试ell吧！让我们一起拥抱AI开发的新时代，用ell释放你的创造力，打造下一代智能应用！

"在AI开发中，只有懒惰的程序员才会写长长的代码。真正的艺术家用ell创造简洁。" —— 奥斯卡·王尔德

更多细节可以访问ell官网:

https://docs.ell.so/