Prompt4py, 程序化提示词模板框架

现有提示词模板多采用 “定义 - 渲染” 的一次性流程，模板结构（如角色、指令、约束）一旦定义，便形成固定框架。在需要动态调整提示逻辑的场景中（例如多轮对话中根据模型反馈逐步强化指令、或在复杂任务中分阶段解锁新要求），开发者往往需要重新定义整个模板或手动拼接字符串，难以实现 “模块化增量修改”. 例如，在一个知识问答任务中，若首轮提示未获取足够信息，需要追加 “请补充 XX 领域细节” 的指令，现有模板无法仅对 “INSTRUCTION” 部分进行增量更新，而需重新渲染包含新增指令的完整提示，既冗余又易出错. 而 Prompt4Py 是一个专为 Python 设计的程序化提示模板工具，旨在简化与大语言模型（LLM）交互时的提示工程流程。该项目通过提供结构化的模板定义方式，允许开发者以编程方式配置提示的角色、目标、指令、约束、上下文等核心要素，并支持动态变量替换与格式化输出，从而高效生成规范、一致的提示文本.

Repo: Prompt4py - Github

基础用法

Prompt4Py 的核心是通过 GeneralTemplate 类实现提示词的结构化定义与动态渲染，基础使用流程围绕 “模板定义 - 变量填充 - 生成提示” 三个步骤展开，适合快速构建标准化提示词.

安装与导入:

通过 pip 安装后，直接导入核心类即可开始使用：
```
 pip install -U prompt4py
```
导入核心 API
```
 from prompt4py import GeneralTemplate
```

定义提示模板

 from prompt4py import GeneralTemplate

 # Create your prompt template
 prompt_template = GeneralTemplate()
 prompt_template.role = 'An NER machine'
 prompt_template.objective = 'Extract all \ from CONTEXT.'
 prompt_template.instruction = {
     1: 'Think deeply on every entities in CONTEXT',
     2: 'Extract all \',
     3: 'Output the entities you have extracted'
 }
 prompt_template.constraint = 'Do not include any markdown grams'
 prompt_template.capability = 'Extract entities'
 prompt_template.context = '\, \, \'
 prompt_template.output_dtype = 'str'
 prompt_template.output_format = 'jsonl'
 prompt_template.output_example = str([
     {
         'entity_type': '\',
         'entity_text': '\'
     }
 ])

渲染提示模板得到提示词

在运行的过程中, 我们可以反复渲染提示词, 以实现提示词的动态改动, 可以实现: 记忆增强, 检索增强, Reprompt, 提示词压缩等等高级提示词工程技术.

 # Render the template
 prompt = prompt_template.render(entity_type='PERSON', ent_1='John Lennon', ent_2='Joe Biden', ent_3='Charlemagne',
                                 example_entity_type_1='PERSON', example_entity_text_1='Elizabeth')
 print(prompt)

我们会得到以下提示词:

 ## _TIMESTAMP
 [82159.8475038]
 ## ROLE
 An NER machine
 ## OBJECTIVE
 Extract all PERSON from CONTEXT.
 ## INSTRUCTION
 - **1**: Think deeply on every entities in CONTEXT 
 - **2**: Extract all PERSON 
 - **3**: Output the entities you have extracted 
 ## CONSTRAINT
 Do not include any markdown grams
 ## CAPABILITY
 Extract entities
 ## CONTEXT
 John Lennon, Joe Biden, Charlemagne
 ## OUTPUT_DATATYPE
 str
 ## OUTPUT_FORMAT
 jsonl
 ## OUTPUT_EXAMPLE
 [{'entity_type': 'PERSON', 'entity_text': 'Elizabeth'}]

使用以上提示词调用大模型, 我们会得到

 {"entity_type": "PERSON", "entity_text": "John Lennon"}
 {"entity_type": "PERSON", "entity_text": "Joe Biden"}
 {"entity_type": "PERSON", "entity_text": "Charlemagne"}