ell

ell 是一个轻量级的提示工程库，把提示词当成函数来写。区别在于：拼字符串时提示词散落在代码各处，而 ell 用装饰器把系统提示词和用户提示词一起封装成一个函数，这个函数被称为语言模型程序（LMP）。调用函数即发起模型调用，返回字符串或消息列表。由于提示词成了函数的返回值，版本管理、存储和复用都可以围绕函数来做。

官网示例中出现的模型包括 gpt-4o-mini 和 gpt-4o，自动生成提交信息的默认模型也是 gpt-4o-mini，Config 类里有模型注册表（registry）用来把模型名映射到各自的配置。文档没有列出完整的支持清单，其他模型是否可用需要以官方页面为准。

存在本地。通过 ell.init(store='./logdir') 指定本地存储目录，ell 会保存每个 LMP 的源码以及该次调用的源码，并可选地保存每一次语言模型调用。官网把这套机制类比为机器学习训练循环里的 checkpoint，区别是它不需要任何特殊 IDE 或编辑器，全部靠普通 Python 代码完成，因此记录可留在本机。

Ell Studio 是一个本地、开源的工具，用于提示词的版本控制、监控和可视化。给出的启动命令是 ell-studio --storage ./logdir，指向你存放记录的目录。它的用途是把提示优化过程变成可以持续观察的对象，从而在回归造成问题之前发现它。有了这类工具，提示工程可以从「暗黑艺术」变成一门科学。

的说法是「需要复杂度时有复杂度，不需要时保持简单」。因为 LMP 就是函数，可以把问题做函数式拆解，再用多个 LMP 组合。举的例子是：先用 n=10、temperature=1.0 生成十份故事草稿，再用 temperature=0.1 的编辑函数从十份里挑出最好的一份，实现 best of 10 采样。这类 test-time compute 技巧在函数拆解下更容易写得可读。