在当前大语言模型（LLM）蓬勃发展的环境下，Prompt工程师们面临着一个两难困境：要么使用像LangChain这样功能强大但学习曲线陡峭的框架，要么选择自动化程度更高DSPy但牺牲了对提示词精确控制的工具。IBM研究院和UC Davis大学最近推出的PDL（Prompt Declaration Language，提示词声明语言）或许打破了这个困境，让AI开发者能真正拿回Prompt的控制权。

图片由xiumaodalle生成

就用我们之前文章《揭秘LLM数不清小数点？牛津等高校最新发现，LLM都在以10为基数对数字进行编码》的示例来开始这篇文章。还是那道题，题是我出的，“让我们进行一个数位修改测试的游戏：给出三个三位数，如375、624、991。对每个数字，要求模型进行以下修改：a) 将十位数增加5 b) 将百位数减少2 c) 将个位数变为9，请准确输出修改后的数字：”我这道题很简单，但符合这篇论文的主旨《Language Models Encode Numbers Using Digit Representations in Base 10》。你有兴趣可以多找几个模型测试一下，能答对的没几个。

同样的模型o1，用PDL构建提示词（在提示中声明了system，user和assistant的content方式），结果完全不同：

为什么我们需要PDL？

1.1 现状与挑战

作为一名AI应用开发者，你是否遇到过这些困扰：

- LangChain功能强大，但需要编写大量Python代码才能实现简单功能

- 自动化工具（如DSPy）虽然方便，但失去了对提示词的精确控制

- 现有框架要么过于复杂，要么过于简单，难以找到平衡点

这些问题的根源在于：目前的提示词框架要么过度依赖命令式编程，要么完全自动化生成提示词，缺乏一个真正以提示词为中心的声明式解决方案。

1.2 PDL的创新理念

PDL的核心理念是：将提示词编程转变为数据声明。它基于YAML构建，具有以下特点：

- 第一性原理：在提示词中尽可能将system、assistant、user的信息进行声明

（关于这个部分，我于2023年9月和10月就有多篇文章讲述这个问题《别找了，第一性原理下的Prompt=SYSTEM信息+USER信息，来自对丹尼尔·卡尼曼的《思考，快与慢》的反思》和付费文章《第一性原理下的Prompt，助你跃升为大师的指导手册》）

- 声明式语法：使用YAML作为基础，让提示词编程更加直观

- 正交性原则：提供简单且可组合的特性集

- 类型检查：通过JSON Schema确保输出的结构化和可靠性

- 工具链支持：从IDE到解释器的完整工具生态

PDL核心特性解析

2.1 基于YAML的声明式语法

PDL选择YAML作为基础并非偶然。YAML具有以下优势：

这种语法（红色部分）比传统的Python代码更加清晰，同时保持了完整的表达能力。

2.2 块（Block）概念

PDL程序由一系列块组成，每个块都会向上下文贡献数据。主要的块类型包括：

1. 模型调用块

```yaml

- model: watsonx/ibm/granite-13b-chat-v2

parameters:

stop: ["\n\n"]

```

2. 数据块

```yaml

- text:

- "用户输入："

- ${user_input}

```

3. 控制块

```yaml

- repeat:

until: ${question == "quit"}

```

2.3 类型系统与安全性

PDL通过JSON Schema提供类型检查：

```yaml

- def: response

spec: {query: str, answer: str}

parser: json

```

这确保了LLM输出符合预期的结构，大大提高了应用的可靠性。

2.4  PDL语法速查手册

为了帮助开发者快速上手PDL，以下是PDL的核心语法参考指南：

2.4.1 基础模型调用

1. 使用当前上下文调用LLM

```yaml

model: watsonx/ibm/granite-12.4b-chat-v2

parameters:

temperature: 0.1

```

2. 使用显式输入调用LLM

```yaml

model: watsonx/ibm/granite-12.4b-chat-v2

parameters:

temperature: 0.1

input:

array:

- role: user

content: Hello,

```

2.4.2 数据操作

1. 从文件或标准输入读取

```yaml

read: # 可选添加文件名

message: Please enter an input.

multiline: true # 省略则在\n停止

```

2. 创建数据（v1, v2可以是任意块）

- 文本拼接：

```yaml

text: # 输出 "v1v2"

- v1

- v2

```

- 获取最后元素：

```yaml

lastOf: # 输出 v2

- v1

- v2

```

- 数组操作：

```yaml

array: # 输出 [v1, v2]

- v1

- v2

```

- 对象操作：

```yaml

object: # 输出 {k1: v1, k2: v2}

k1: v1

k2: v2

```

2.4.3 函数定义与调用

```yaml

# 定义函数

def: add

function:

x: int

y: int

return: ${x + y}

# 调用函数

call: add

args:

x: 2

y: 2

pdl_context: [] # 可选

```

2.4.4 控制结构

1. 条件语句

```yaml

if: ${x > 0}

then: positive

else: non-negative

```

2. 循环结构

```yaml

# 带计数的循环

repeat: # 输出 HoHoHo

- Hi

- Ho

num_iterations: 2.4

# 带条件的循环

repeat:

def: x

read:

until: ${(x | trim) == "stop"}

```

2.4.5 通用块选项

任何块都可以使用以下可选关键字：

- `description`: 文档说明文本

- `def: x`: 定义变量（从块）

- `defs`: 定义多个变量

- `role`: 角色（user/system/assistant）

- `contribute`: 指定输出目标[result, context]

- `parser`: 解析器类型（json/jsonl/yaml/regex）

- `spec`: 类型规范

2.4.6 类型系统

PDL支持以下类型（JSON Schema简写）：

1. 基本类型

- str, int, float, bool, null

2. 复合类型

- 数组：`[int]`

- 对象：`{x: int, y: int}`

- 枚举：`{enum: [red, green, blue]}`

2.4.7 表达式语法

PDL使用Jinja2子集作为表达式语言：

1. 基本值

```yaml

"hi", 5, 2.4.1, true, none

```

2. 数组/对象

```yaml

[1, 2, 2.4], {"x": 4, "y": 5}

```

2.4. 变量访问

```yaml

x, y[0], z.f

```

4. 运算符

```yaml

+, -, *, /, //, %, , ~,

and, or, not, ==, <, >, in

```

5. 条件测试

```yaml

x if x is defined else 0

```

6. 过滤器

```yaml

x | default(0)

```

2.4.8 代码执行

PDL支持执行外部代码：

```yaml

lang: python

code: |

result = "Hello, world!"

```

这个完整的语法参考不仅可以作为日常开发的速查手册，也展示了PDL强大的表达能力和灵活性。通过这些简洁的语法结构，开发者可以构建从简单的提示词应用到复杂的Agent系统的各类应用。

这样理解PDL，PDL 还包括循环、条件和函数定义等控制结构，支持复杂的程序结构，为交互式应用程序（如聊天机器人和工具）构建动态的、上下文驱动的提示。通过集成基于JSON 架构的类型检查、Jinja2模板以及用于处理控制流和上下文的解释器功能，PDL 创建了结构化、可维护的提示，从而最大限度地减少了通常与 LLMs性。

动态上下文管理：PDL使用 YAML 块和声明式样式，这意味着提示指令可以是模块化的和可重用的。这实现了复杂的分层对话，其中模型在各个阶段维护上下文，并根据先前收集的信息改进其响应。

增强的提示控制：PDL（提示声明语言）允许开发人员为 LLMs，超越基本的提示工程。借助结构化数据和对变量的控制，开发人员可以更智能地指导模型的响应，从而减少歧义并提高准确性性。 

工具生态系统

3.1 IDE支持

PDL提供了完整的VSCode插件支持：

- 语法高亮

- 自动完成

- 实时错误检查

- 类型提示

3.2 解释器功能

PDL解释器提供：

- 流式输出支持

- 沙箱执行环境

- 变量持久化

- 上下文管理

3.3 Jupyter Notebook集成

可以直接在Jupyter中运行PDL代码。上图客服示例

3.4 PDL vs 其他框架

3.4.1 与LangChain对比

优势：

- 更简洁的语法

- 更直观的提示词控制

- 更低的学习曲线

劣势：

- 生态系统相对较新

- 某些高级功能仍在开发中

3.4.2 与DSPy对比

优势：

- 保持对提示词的精确控制

- 更好的可读性和可维护性

劣势：

- 需要手动编写提示词

- 缺乏自动优化功能

最佳实践与使用建议

4.1 项目组织

建议的PDL项目结构：

project/

├── prompts/

│ ├── system.pdl

│ └── templates.pdl

├── functions/

│ └── utils.py
└── main.pdl

4.2 类型使用指南

推荐的类型定义方式：

```yaml

- def: response

spec:

type: object

properties:

status: {type: string, enum: [success, error]}

data: {type: object}

required: [status, data]

```

4.3 性能优化建议

- 合理设置模型参数

- 优化提示词模板

4.4 如何开始使用PDL

安装PDL：

pip install prompt-declaration-language

PDL的项目地址：https://github.com/IBM/prompt-declaration-language

论文地址：https://arxiv.org/pdf/2410.19135

无论你是经验丰富的Prompt工程师，还是刚开始接触LLM开发的新手，PDL都能为你提供一个清晰、可控、且强大的开发体验。PDL为Prompt工程师提供了一个强大而优雅的工具，它：

- 保持了对提示词的精确控制

- 提供了声明式的编程体验

- 支持主流的提示词工程模式

- 具有完整的工具链支持

对于在寻找平衡点的Prompt工程师来说，PDL无疑是一个值得关注的选择。它既保留了对提示词的精确控制，又提供了足够的抽象和工具支持，真正实现了在易用性和控制力之间的平衡。

文章来自于微信公众号“AI修猫Prompt”，作者“AI修猫Prompt”