LLM 喜欢赞美，如果你在提示词中夸奖它是个「才华横溢的专家（genius expert）」，它就更可能为你生成更好的答案。
当然，OpenAI 的这位前研究科学家 William H. Guss 分享的这个技巧并不是新闻，之前就有不少研究者发现 AI 喜欢鼓励和赞美。
刚不久前，Huss 宣布发布了一款自称是「提示词工程的未来」工具 ell。具体来说，ell 是一款轻量级的函数式语言模型编程软件库，其优势包括自动化的版本控制和跟踪、丰富的本地开源视觉化工具、原生支持多模态数据。
项目地址：https://github.com/MadcowD/ell该项目发布后反响热烈，网友们纷纷点赞。比如有一位网友表示一直在期待这样的工具，这将成为他构建 AI 软件栈的一个基础部分。
该项目上线一周时间就收获了 2600 多 star。
ell 是一个轻量级的函数式提示词工程框架，其设计思路基于以下几项核心原则。提示词不只是字符串，也是发送给语言模型的代码。ell 的一个设计思路是将语言模型看作是名为「语言模型程序（LMP）」的离散子程序。
这个观点并不新鲜，比如谷歌研究者 Heiko Hotz 就表示过一样的想法，参阅文章《还在人工炼丹？自动提示工程指南来了，还带从头实现》。Huss 表示，提示词工程的执行过程涉及到多次迭代，这就类似于机器学习中的优化过程。由于这里将 LMP 视为函数，因此 ell 可为该过程提供丰富的工具。
ell 支持对提示词进行自动版本控制和序列化，这需要用到动态和静态分析以及 gpt-4o-mini 自动生成的 commit 消息。这个过程类似于机器学习训练流程中的检查点管理。但它无需任何特定的 IDE 或编辑器 —— 全都可通过常规的 Python 代码实现。一开始的时候，提示词工程看起来就像是一种玄学。但其实只要有合适的工具，玄学也能变成科学。Ell Studio 是一种支持提示词版本控制、监控和可视化的本地开源工具。使用此工具，提示词优化的过程可以变得有迹可循，在有必要时也能很好地回溯到之前的版本。
我们关心的数据通常不止文本，还包括图像、音频、视频等，但使用 LLM 处理这些数据往往会更麻烦。Huss 希望在使用 LLM 时，我们能像使用文本一样轻松地使用多模态数据。这也融合进了 ell 的设计理念。ell 支持多种形式的多模态输入和输出。
如果你也正需要一个这样的提示词工程工具，那就赶紧：
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
