Promptulate：让 AI Agent 开发回归 Pythonic 的本质

想象这样一个场景：你是一个产品经理，想要快速验证一个想法——让 AI 自动帮你查询 arXiv 论文、总结摘要并整理成报告。传统的做法是先学 LangChain，再用各种适配器拼接，最后写一堆胶水代码。等你跑通流程，一上午已经过去了。

Promptulate 解决的就是这个问题。它由独立开发者 Zeeland（Cogit Lab）打造，核心理念是：用最少的代码，做最多的事。一个 pne.chat() 函数，封装了所有你需要的大模型调用能力。

社区中有一个形象的比喻：Promptulate 是给 LangChain 做减法的产品——保留了精华，去掉了冗余，让开发者不再需要为框架本身操心。

Promptulate 框架 banner

图1：Promptulate 框架 banner（来源：官方 GitHub 仓库）

背景故事：一个受够了 LangChain 的开发者的作品

Promptulate 的诞生，源自作者 Zeeland 在实际项目中使用 LangChain 时的挫败感。LangChain 功能强大，但学习曲线陡峭、版本迭代频繁、文档与代码经常不同步，每次升级都可能带来 Breaking Change。更重要的是，很多日常任务其实根本不需要 LangChain 的全部能力——几行代码就能搞定的事，为什么要引入整个框架？

Zeeland 从 2023 年开始开发 Promptulate，目标很明确：做一款足够用但不过度的大模型应用框架。他广泛参考了 LangChain、AutoGen、Semantic Kernel 等框架的设计思路，提炼共性、统一接口，最终形成了 Promptulate 的核心设计哲学。

项目采用 Apache-2.0 开源协议，代码仓库目前已积累 511 颗 GitHub Stars，吸引了来自全球的开发者在 Issues 中讨论使用心得。值得注意的是，作者 Zeeland 还创建了多个相关项目，包括 AI 代码助手 gcop、多模态机器人框架 Athena、以及一个模型对比 playground，形成了以 Promptulate 为核心的开发者工具生态。

核心架构：分层模块化设计

从目录结构来看，Promptulate 采用了清晰的分层架构：

promptulate/
├── agents/          # Agent 核心模块
│   ├── base.py      # Agent 基类
│   ├── tool_agent/  # 工具型 Agent（ToolAgent）
│   ├── web_agent/   # 网页交互 Agent（WebAgent）
│   └── planner/     # 规划型 Agent（Planner）
├── llms/            # 大模型接口层
│   ├── base.py      # LLM 基类
│   ├── factory.py   # 模型工厂
│   └── _litellm.py  # LiteLLM 集成（核心）
├── tools/           # 内置工具集（14+ 工具）
│   ├── arxiv/       # 论文搜索
│   ├── duckduckgo/  # 搜索
│   ├── wikipedia/   # 百科
│   ├── python_repl/ # Python 执行
│   └── human_feedback/  # 人工介入
├── memory/          # 对话记忆
│   ├── buffer.py    # 缓冲式记忆
│   └── file.py     # 持久化记忆
├── hook/            # 生命周期钩子
└── client/          # 命令行客户端

这个架构的设计亮点在于：每个模块都是可插拔的。你可以只用一个 pne.chat() 快速调用模型，也可以深入到 Agent 层面构建复杂的 ReAct 循环，还可以注册自定义的 Hook 在推理过程中插入日志、监控或干预逻辑。

Promptulate 架构图

图2：Promptulate 架构图（来源：官方文档）

核心功能：不仅仅是封装 OpenAI SDK

1. 统一的 pne.chat() 接口

Promptulate 最大的卖点是这个极简的 pne.chat() 接口。只需三行代码，你就可以调用几乎所有主流大模型：

import promptulate as pne

resp = pne.chat(
    model="gpt-4",
    messages=[{"role": "user", "content": "解释量子纠缠"}]
)
print(resp)

模型名称遵循 provider/model_name 的格式，比如 ollama/llama2、claude/claude-3-opus、gemini/gemini-pro，与 LiteLLM 保持一致。这意味着：换模型只需要改一个字符串。

2. 多 Agent 协同

Promptulate 提供了多种专业 Agent：

ToolAgent：将 Python 函数直接转化为 Agent 可调用的工具，支持 DuckDuckGo 搜索、arXiv 论文查询、Wikipedia 百科、数学计算等 14+ 内置工具。
WebAgent：专门处理网页交互任务的 Agent，可以自动搜索、点击、填表、提取信息。
Planner：原子化规划组件，用于将复杂任务分解为子任务序列。
AssistantAgent：通用对话 Agent。

多个 Agent 可以协同工作，形成类似 AutoGen 的多 Agent 协作模式。example 目录中包含了丰富的工作示例，涵盖 ToT（思维树）、Gradio/Streamlit 聊天机器人、arXiv 工具调用、数学应用构建等场景。

3. 结构化输出（Pydantic 集成）

Promptulate 与 Pydantic 无缝集成，支持通过 output_schema 参数指定输出格式：

from pydantic import BaseModel
import promptulate as pne

class Recipe(BaseModel):
    name: str
    ingredients: list[str]
    steps: list[str]

recipe: Recipe = pne.chat(
    "给我一个番茄炒蛋的食谱",
    output_schema=Recipe
)

4. 生命周期钩子（Hook 系统）

Promptulate 提供了细粒度的生命周期管理，覆盖 Agent、Tool、LLM 三个层面的完整执行链路。你可以在任意阶段插入自定义逻辑——比如记录 token 消耗、实时监控推理过程、或在特定条件下中断执行。

5. 对话记忆

内置 BufferMemory 和 FileMemory，支持在多轮对话中维护上下文。FileMemory 还支持持久化存储，让 Agent 在重启后仍能保留历史对话。

6. 命令行客户端

通过 pne 或 pne-chat 命令行工具，开发者可以直接在终端调试 Prompt，无需启动完整应用：

pne-chat --model gpt-4 --prompt "你好"

技术栈分析

维度	分析
编程语言	Python（>=3.8.1），使用 Poetry 管理依赖
核心依赖	LiteLLM（统一大模型调用）、Pydantic（数据验证）、Click（CLI）、broadcast-service（事件广播）、cushy-storage（存储抽象）
AI 框架	基于 LiteLLM 的统一模型抽象层，非 LangChain 分支
代码质量	使用 Ruff 做 lint，pytest 完整测试，pre-commit 规范化
测试覆盖	集成测试单独分组，包含 langchain、arxiv、duckduckgo 等真实 API 依赖测试
文档	使用 VitePress 构建，英文 + 中文双语文档

AI 框架判断：Promptulate 基于 LiteLLM（非 LangChain），LiteLLM 本身是一个统一的大模型调用封装库，支持 100+ 模型。Promptulate 在 LiteLLM 基础上构建了自己的 Agent、Tool、Memory 和 Hook 系统。

适用场景

快速原型开发：产品经理或后端开发者想快速验证 AI 能力，用 pne.chat() 几分钟就能跑通。
多模型对比：通过统一接口轻松切换不同模型，测试哪家模型最适合特定任务。
工具型 Agent：需要让 AI 调用搜索、计算、文件操作等工具的场景。
自动化工作流：结合 Planner 和多 Agent 协同，构建复杂的多步骤自动化任务。

局限与争议

不支持流式输出的 Web UI：项目本身不提供 Web 服务端点，Web 界面需自行通过 Streamlit/Gradio 包装（example 中有参考代码）。
Agent 能力相对基础：相比 LangChain 的丰富生态，Promptulate 的 Agent 系统较为简洁，复杂的多 Agent 协作场景支持有限。
LiteLLM 间接依赖：底层依赖 LiteLLM，任何 LiteLLM 的 Breaking Change 都可能影响 Promptulate。
非生产级保证：作者一人维护为主，缺乏企业级的 SLA 支持。

行业意义

Promptulate 的出现代表了 AI 应用开发框架的一个趋势：从大而全走向小而美。随着大模型 API 越来越标准化，开发者真正需要的不是另一个功能堆砌的框架，而是一套简洁、一致、可靠的抽象层。Promptulate 正是这种思路的践行者。

同时，项目的中文文档和活跃的 Telegram 社区（中文开发者群体）也为国内用户降低了使用门槛。相比 LangChain 的英文文档和复杂的概念体系，Promptulate 用更少的概念覆盖了 80% 的日常需求。

快速上手

pip install -U pne

然后在 Python 中：

import promptulate as pne
resp = pne.chat("1+1等于几？", model="gpt-4o")
print(resp)

Promptulate：让 AI Agent 开发回归 Pythonic 的本质

社区中有一个形象的比喻：Promptulate 是给 LangChain 做减法的产品——保留了精华，去掉了冗余，让开发者不再需要为框架本身操心。

Promptulate 框架 banner

图1：Promptulate 框架 banner（来源：官方 GitHub 仓库）

背景故事：一个受够了 LangChain 的开发者的作品

核心架构：分层模块化设计

从目录结构来看，Promptulate 采用了清晰的分层架构：

promptulate/
├── agents/          # Agent 核心模块
│   ├── base.py      # Agent 基类
│   ├── tool_agent/  # 工具型 Agent（ToolAgent）
│   ├── web_agent/   # 网页交互 Agent（WebAgent）
│   └── planner/     # 规划型 Agent（Planner）
├── llms/            # 大模型接口层
│   ├── base.py      # LLM 基类
│   ├── factory.py   # 模型工厂
│   └── _litellm.py  # LiteLLM 集成（核心）
├── tools/           # 内置工具集（14+ 工具）
│   ├── arxiv/       # 论文搜索
│   ├── duckduckgo/  # 搜索
│   ├── wikipedia/   # 百科
│   ├── python_repl/ # Python 执行
│   └── human_feedback/  # 人工介入
├── memory/          # 对话记忆
│   ├── buffer.py    # 缓冲式记忆
│   └── file.py     # 持久化记忆
├── hook/            # 生命周期钩子
└── client/          # 命令行客户端

Promptulate 架构图

图2：Promptulate 架构图（来源：官方文档）

核心功能：不仅仅是封装 OpenAI SDK

1. 统一的 pne.chat() 接口

Promptulate 最大的卖点是这个极简的 pne.chat() 接口。只需三行代码，你就可以调用几乎所有主流大模型：

import promptulate as pne

resp = pne.chat(
    model="gpt-4",
    messages=[{"role": "user", "content": "解释量子纠缠"}]
)
print(resp)

2. 多 Agent 协同

Promptulate 提供了多种专业 Agent：

ToolAgent：将 Python 函数直接转化为 Agent 可调用的工具，支持 DuckDuckGo 搜索、arXiv 论文查询、Wikipedia 百科、数学计算等 14+ 内置工具。
WebAgent：专门处理网页交互任务的 Agent，可以自动搜索、点击、填表、提取信息。
Planner：原子化规划组件，用于将复杂任务分解为子任务序列。
AssistantAgent：通用对话 Agent。

3. 结构化输出（Pydantic 集成）

Promptulate 与 Pydantic 无缝集成，支持通过 output_schema 参数指定输出格式：

from pydantic import BaseModel
import promptulate as pne

class Recipe(BaseModel):
    name: str
    ingredients: list[str]
    steps: list[str]

recipe: Recipe = pne.chat(
    "给我一个番茄炒蛋的食谱",
    output_schema=Recipe
)

4. 生命周期钩子（Hook 系统）

5. 对话记忆

内置 BufferMemory 和 FileMemory，支持在多轮对话中维护上下文。FileMemory 还支持持久化存储，让 Agent 在重启后仍能保留历史对话。

6. 命令行客户端

通过 pne 或 pne-chat 命令行工具，开发者可以直接在终端调试 Prompt，无需启动完整应用：

pne-chat --model gpt-4 --prompt "你好"

技术栈分析

维度	分析
编程语言	Python（>=3.8.1），使用 Poetry 管理依赖
核心依赖	LiteLLM（统一大模型调用）、Pydantic（数据验证）、Click（CLI）、broadcast-service（事件广播）、cushy-storage（存储抽象）
AI 框架	基于 LiteLLM 的统一模型抽象层，非 LangChain 分支
代码质量	使用 Ruff 做 lint，pytest 完整测试，pre-commit 规范化
测试覆盖	集成测试单独分组，包含 langchain、arxiv、duckduckgo 等真实 API 依赖测试
文档	使用 VitePress 构建，英文 + 中文双语文档

适用场景

快速原型开发：产品经理或后端开发者想快速验证 AI 能力，用 pne.chat() 几分钟就能跑通。
多模型对比：通过统一接口轻松切换不同模型，测试哪家模型最适合特定任务。
工具型 Agent：需要让 AI 调用搜索、计算、文件操作等工具的场景。
自动化工作流：结合 Planner 和多 Agent 协同，构建复杂的多步骤自动化任务。

局限与争议

不支持流式输出的 Web UI：项目本身不提供 Web 服务端点，Web 界面需自行通过 Streamlit/Gradio 包装（example 中有参考代码）。
Agent 能力相对基础：相比 LangChain 的丰富生态，Promptulate 的 Agent 系统较为简洁，复杂的多 Agent 协作场景支持有限。
LiteLLM 间接依赖：底层依赖 LiteLLM，任何 LiteLLM 的 Breaking Change 都可能影响 Promptulate。
非生产级保证：作者一人维护为主，缺乏企业级的 SLA 支持。

行业意义

快速上手

pip install -U pne

然后在 Python 中：

import promptulate as pne
resp = pne.chat("1+1等于几？", model="gpt-4o")
print(resp)