LangGPT：面向大语言模型的自然语言编程框架

摘要：LangGPT 是 Language For GPT 的简称，中文名为结构化提示词。我们的愿景是让人人都能写出高质量提示词。我们希望揭开提示工程的神秘面纱，为大众提供一套可操作、可复现的提示词方法论、工具和交流社群。结构化提示词由云中江树提出，最早于 2023 年 5.4 青年节开源发布（GPT-4 发布后约一个月多）为 LangGPT 项目，一经发布便成为 GitHub 开源社区全球趋势热榜前十项目，并且撰写了学术论文开源发表。LangGPT 提出的结构化提示词已被百度、智谱、字节、华为等国内主流大模型智能体平台使用，当前已经发展成为国内最具影响力的高质量提示词工程师学习交流社群。

1. 引言

大语言模型（LLMs）如ChatGPT在多个领域展示了出色的性能。然而，如何制定高质量的提示以充分发挥这些模型的能力，对于非AI专家来说是一大挑战。现有的研究虽然提出了一些优化提示的原则和方法，但通常缺乏系统性和可复用性。本文提出了LangGPT框架，旨在通过双层结构化设计提高提示的通用性和可复用性，同时降低学习成本。

2. 相关工作

提示工程关注于如何设计和优化提示以指导LLMs执行任务。现有研究集中于经验性的优化技巧和基于历史数据的优化方法，但这些方法往往局限于特定任务或领域，且可复用性低。

3. LangGPT框架

3.1 整体双层结构

LangGPT采用双层结构，包括内置模块和扩展模块，以系统化地设计符合规则的提示。内置模块包括Constraint、Goal、Profile等，每个模块代表LLM的一个方面。扩展模块和自定义元素支持用户根据自己的领域和任务设计合适的提示。

3.2 内置模块的构造

LangGPT为常见的应用场景定义了内置模块，并提供了Markdown和JSON格式的支持，以便用户学习和使用。

3.3 内部基本元素

提示的内部元素模拟了编程语言中的属性或函数，通过明确的语句来传达信息或指令。

3.4 扩展模块和自定义元素

为了提高提示的通用性和复用性，LangGPT支持用户定义扩展模块和自定义元素，以匹配更多应用场景。

4. 实验与评估

我们通过实验验证了LangGPT在引导LLM执行任务方面的性能，并通过用户调查评估了LangGPT的易用性和可复用性。结果表明，LangGPT优于现有方法，并得到了用户的认可。

5. 结论

LangGPT作为一个面向LLMs的自然语言编程框架，通过其双层结构化设计，成功地提高了提示的通用性和可复用性，降低了学习成本。实验和用户调查结果证明了LangGPT的有效性和实用性。未来，我们将进一步优化LangGPT的设计，并扩展其应用范围。

伦理声明

LangGPT的设计及本文的写作过程遵循伦理准则，避免了可能出现的伦理问题。