基于任务的NLP引擎，支持Pydantic结构化输出、内置评估功能，并以LiteLLM作为通用大模型后端。可将其视为“用于大模型驱动NLP的scikit-learn”。

安装

使用pip

需要Python 3.9+。

pip install promptify

或者

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

若需评估指标支持：

pip install promptify[eval]

快速入门

三行代码实现命名实体识别

from promptify import NER

ner = NER(model="gpt-4o-mini", domain="medical")
result = ner("该患者为93岁女性，有慢性右侧髋部疼痛、骨质疏松、高血压、抑郁症和慢性心房颤动病史，因严重恶心呕吐及尿路感染入院接受评估与治疗。")

输出：

NERResult(entities=[
    Entity(text="93岁", label="AGE"),
    Entity(text="慢性右侧髋部疼痛", label="CONDITION"),
    Entity(text="骨质疏松", label="CONDITION"),
    Entity(text="高血压", label="CONDITION"),
    Entity(text="抑郁症", label="CONDITION"),
    Entity(text="慢性心房颤动", label="CONDITION"),
    Entity(text="严重恶心呕吐", label="SYMPTOM"),
    Entity(text="尿路感染", label="CONDITION"),
])

分类

from promptify import Classify

clf = Classify(model="gpt-4o-mini", labels=["positive", "negative", "neutral"])
result = clf("超棒的产品！我买过的最棒的购物体验。")
# Classification(label="positive", confidence=0.95)

问答

from promptify import QA

qa = QA(model="gpt-4o-mini")
answer = qa("爱因斯坦于1879年出生在乌尔姆。", question="爱因斯坦出生在哪里？")
# Answer(answer="乌尔姆", evidence="爱因斯坦出生于乌尔姆", confidence=0.98)

自定义任务，使用任意Pydantic模式

from promptify import Task
from pydantic import BaseModel

class MovieReview(BaseModel):
    sentiment: str
    rating: float
    key_themes: list[str]

task = Task(model="gpt-4o", output_schema=MovieReview, instruction="分析这条影评。")
review = task("诺兰的最佳作品。视觉效果惊艳，但剧情拖沓。")
# MovieReview(sentiment="大部分正面", rating=7.5, key_themes=["视觉效果", "节奏"])

任意提供商——只需更改模型字符串

ner_openai = NER(model="gpt-4o-mini")
ner_claude = NER(model="claude-sonnet-4-20250514")
ner_local  = NER(model="ollama/llama3")

批量处理

results = ner.batch(["文本1", "文本2", "文本3"], max_concurrent=10)

异步支持

result = await ner.acall("患者患有糖尿病")

内置评估

from promptify.eval import evaluate

scores = evaluate(task=ner, dataset=labeled_data, metrics=["precision", "recall", "f1"])
# {"precision": 0.92, "recall": 0.88, "f1": 0.90}

特性

• 仅需2-3行代码即可完成任何NLP任务——无需训练数据
• Pydantic结构化输出——类型安全的结果，而非原始字符串
• 任意大模型提供商通过LiteLLM——OpenAI、Anthropic、Google、Ollama、Azure等100多种
• 内置任务——命名实体识别、二分类、多分类、多标签分类、问答、摘要、关系抽取、SQL生成等
• 自定义任务——可使用自己的Pydantic模式实现任意结构化输出
• 少样本示例——轻松添加示例以提升准确率
• 领域专精——传递domain="medical"或其他领域以获得上下文感知提示
• 批量处理——后台异步并发处理多条文本
• 异步支持——原生await支持，配合acall()
• 评估框架——精确率、召回率、F1值、准确率、完全匹配、ROUGE指标
• 安全解析器——对于不支持原生结构化输出的提供商，提供JSON补全作为备选方案（无需eval()）
• 成本追踪——内置Token用量与成本监控，通过get_cost_summary()实现

支持的NLP任务

任务	类	输出模式
命名实体识别	NER	NERResult（实体列表）
二分类	Classify	Classification
多分类	Classify	Classification
多标签分类	Classify(multi_label=True)	MultiLabelResult
问答	QA	Answer
摘要	Summarize	Summary
关系抽取	ExtractRelations	ExtractionResult
表格抽取	ExtractTable	ExtractionResult
问题生成	GenerateQuestions	问题列表
SQL生成	GenerateSQL	SQLQuery
文本规范化	NormalizeText	规范化后的文本
主题建模	ExtractTopics	主题列表
自定义任务	Task	任意Pydantic BaseModel

社区

@misc{Promptify2022,
  title = {Promptify: LLM结构化输出},
  author = {帕尔，安基特},
  year = {2022},
  howpublished = {\url{https://github.com/promptslab/Promptify}},
  note = {用于Python中NLP任务的Prompt工程组件}
}

💁 贡献

我们欢迎任何对开源项目的贡献，包括新功能、基础设施改进以及更全面的文档。 请查看贡献指南

Promptify 快速上手指南

环境准备

• Python 3.9 或更高版本
• 推荐使用国内镜像源加速安装：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

pip install promptify

如需评估指标支持（如 F1、召回率等）：

pip install promptify[eval]

或从 GitHub 直接安装最新版：

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

基本使用

命名实体识别（NER）——3行代码完成

from promptify import NER

ner = NER(model="gpt-4o-mini", domain="medical")
result = ner("The patient is a 93-year-old female with chronic atrial fibrillation.")

输出示例：

NERResult(entities=[
    Entity(text="93-year-old", label="AGE"),
    Entity(text="chronic atrial fibrillation", label="CONDITION"),
])

文本分类

from promptify import Classify

clf = Classify(model="gpt-4o-mini", labels=["positive", "negative", "neutral"])
result = clf("Amazing product! Best purchase I've ever made.")
# Classification(label="positive", confidence=0.95)

自定义结构化输出（Pydantic）

from promptify import Task
from pydantic import BaseModel

class MovieReview(BaseModel):
    sentiment: str
    rating: float
    key_themes: list[str]

task = Task(model="gpt-4o", output_schema=MovieReview, instruction="Analyze this movie review.")
review = task("Nolan's best work. Stunning visuals but the plot drags.")
# MovieReview(sentiment="mostly positive", rating=7.5, key_themes=["visuals", "pacing"])

支持任意模型提供商（无需改代码）

ner_openai = NER(model="gpt-4o-mini")        # OpenAI
ner_claude = NER(model="claude-sonnet-4-20250514")  # Anthropic
ner_local  = NER(model="ollama/llama3")       # 本地 Ollama

所有任务均支持异步调用：await ner.acall("text") 和批量处理：ner.batch([text1, text2], max_concurrent=10)