在上图中，我列出了当前的提示工程工具和LLM API构建框架。LLM构建框架的复杂性和可用性各不相同，但大多数框架都基于相同的链、提示、无代码到低代码和任务分解原则。在这些工具中，我认为PromptChainer是最先进和最完整的。
考虑到PromptChainer开发接口
随着LLMs在生产和产品环境中的采用，出现了两个术语，第一个是提示链，第二个是模板。
有些人将模板称为实体注入或提示注入。
LLMs已经导致了自然语言应用程序的快速原型，但是当应用程序包括复杂的对话、决策制定等时，单个提示是不够的。
因此，在各种框架中有一种概念，将多个LLM运行或提示链接在一起。目标是利用LLM的灵活性，以及可编程性和可控制的复杂性来完成更复杂的任务。
为了在商业应用程序中快速扩展生产采用，需要有一个无代码到低代码的环境来普及LLM和ai注入的应用程序。
上图展示了迄今为止我见过的最完整、最全面的LLM应用程序开发gui之一。
A:链视图创建链，添加，删除，管理节点连接。
B:节点视图允许隔离地测试节点(提示)。
C:对话可以运行。
D:链条可以添加，编辑和更多。
如下图所示:
会话流被分解为链接在一起的节点。选中中间节点，右侧显示“LLM任务编辑器”。您可以在模板界面上看到输入和输出。
模板提示的优点是:
LLM提示符可以重用、共享和编程。
1. 生成提示的模板允许提示的可编程性、存储和重用。
2. 模板，它充当文本文件，但会插入变量和表达式的占位符。
3. 占位符在运行时被替换为值。
4. 提示可以在上下文中使用，并且是控制生成内容的一种度量方法。
如上所示，通过右边的代码窗口(B)，创建了一个JavaScript节点(a)来连接两对结果。
最终的想法
在LLM构建工具和大型语言模型之间也有一种新兴的抽象。
这允许Build Tools根据手头的任务使用一个或多个LLM。
这也提供了基于价格、性能、功能等从一个LLM迁移到另一个LLM的可能性。
使用简单的混合NLU和NLG方法将传统的基于意图的逻辑与动态LLM响应混合在一起，这是一个尚未开发的机会。
这种方法通过利用已开发的NLU模型，为现有的聊天机器人框架提供支持。
虽然LLM的生成能力不可否认，但在许多情况下，其预测能力可与NLU引擎相媲美。考虑成本、可访问性、训练数据、性能等等。
将LLM生成能力与传统NLU相结合似乎存在未开发的可能性。
