设计理念#

从一开始，AdalFlow就遵循三个基本原则。

原则1：简单优于复杂#

我们在设计AdalFlow时设定了这三条严格的规则：

每一层抽象都需要进行调整，总体上我们不允许超过3层抽象。
我们最小化代码行数，而不是最大化代码行数。
深入和广泛地探索以简化。我们达到的清晰度并不是因为事情容易。

原则2：质量优于数量#

核心构建块的质量胜过集成的数量。

我们的目标是为开发者提供设计良好的核心构建模块，这些模块易于理解，调试透明，并且足够灵活以便定制。这适用于提示、模型客户端、检索器、优化器和训练器。

原则3：优化构建#

我们帮助用户构建任务管道，但我们更希望帮助进行优化。

我们设计我们的构建模块时，心中有着优化的理念。这意味着我们不仅仅为开发者提供透明度和控制权；我们还提供出色的日志记录、可观察性、可配置性、优化器和训练器，以减轻优化任务管道的现有挫败感。

我们对LLM工作流程的理解#

上述原则是从我们对LLM工作流程的经验和持续学习中提炼出来的。

开发者是最终的英雄

LLMs 就像水一样，它们可以被塑造成任何形式，从 GenAI 应用程序如聊天机器人、翻译、摘要生成、代码生成、自主代理到经典的 NLP 任务如文本分类和命名实体识别。它们通过检索器、记忆和工具（函数调用）与模型内部知识之外的世界进行交互。每个用例在其数据、业务逻辑和独特的用户体验方面都是独一无二的。

构建LLM应用程序是软件工程和建模（上下文学习）的结合。像PyTorch这样的库主要提供基本的构建模块，并在计算优化方面承担繁重的工作。如果所有PyTorch用户中有10%需要自定义层或优化器，那么对于LLM应用程序来说，自定义的机会只会更高。任何旨在提供开箱即用解决方案的库都注定会失败，因为解决每个独特挑战的责任在于开发者。

手动提示工程 vs 自动提示优化

开发者依赖提示通过上下文学习（ICL）将LLMs塑造成他们的用例。然而，LLM提示非常敏感：表现最佳和表现较差的提示之间的准确率差距可能高达40%。这也是一个脆弱的过程，一旦模型发生变化就会崩溃。因此，开发者最终花费10%的时间构建任务管道本身，但另外90%的时间用于优化和迭代提示。从演示到生产之间缩小准确率差距的过程充满了挫折。毫无疑问，LLM应用的未来在于自动提示优化，而不是手动提示工程。然而，研究人员仍在努力理解提示工程，自动化的过程更是处于起步阶段。

了解繁重的工作在哪里

LLM库的核心任务不是为开发者提供开箱即用的提示，也不是集成不同的API提供商或数据库，而是在于：

核心基础类和抽象，帮助开发者处理“枯燥”的事情，如序列化、反序列化、标准化接口、数据处理。
帮助LLMs与世界互动的构建模块。
评估和优化任务管道。

同时，开发者可以完全控制提示和任务流程。