Promptify - 高效解决NLP问题的工具

Promptify 项目介绍

项目概述

Promptify 是一个致力于简化自然语言处理（NLP）任务的项目。它通过使用大语言模型（LLM），如GPT系列和PaLM，帮助用户轻松生成适用于各种流行生成模型的不同NLP任务的提示。Promptify 提供了一种简单高效的方式来解决NLP问题，使其广泛的用户群体能够更好地利用这些先进的语言模型。

主要特性

简洁易用： 用户只需两行代码即可执行NLP任务，比如命名实体识别（NER）和分类，且不需要准备训练数据。
灵活的提示输入： 可以轻松添加单个、两个或多个示例到提示中，以增强模型的响应精度。
灵活处理： 处理LLMs（如GPT、T5等）可能出现的预测超出范围的问题。
结构化输出： 输出始终是易于解析和过滤的Python对象，如列表或字典。这在业务应用中有重大优势，相比于LLMs生成的非结构化原始输出。
自定义支持： 用户可以轻松自定义示例和样本到提示中。
Huggingface模型支持： 能在任何存储于Huggingface Hub的模型上运行推理操作。
优化功能： 正在开发优化的提示以减少OpenAI的token成本。

支持的NLP任务

Promptify 项目支持广泛的基于提示的NLP任务，这些任务包括：

命名实体识别（NER）
多标签文本分类
多类文本分类
二分类文本分类
问答任务
问题生成
关系提取
文本摘要
解释任务
SQL写作
表格数据处理
图像数据处理

快速使用指南

要立即使用LLM模型进行NLP任务，Promptify提供了一个"Pipeline" API。以下是一个示例代码：

from promptify import Prompter, OpenAI, Pipeline

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..."""

model = OpenAI(api_key)  # 可选择‘HubModel()’用于Huggingface基础上的推理，或使用'Azure'等
prompter = Prompter('ner.jinja')  # 选择一个模板或提供自定义模板
pipe = Pipeline(prompter, model)

result = pipe.fit(sentence, domain="medical", labels=None)

该代码演示了如何通过Promptify执行命名实体识别任务，得到的结果会以结构化的形式输出，包括多种实体类别，如年龄、症状和医疗状况等信息。

安装方法

用户可以通过以下命令快速安装Promptify：

pip3 install promptify

或

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

参与及社区

Promptify 欢迎社区成员贡献新的特性、改进基础设施以及撰写更详尽的文档。如果对即时适应和优化提示工程感兴趣，建议加入他们的Discord社区，与同行在Promptify的持续开发中互动和学习。