在人工智能领域中，代码先行与模型紧密结合的Prompt Flow 逐渐成为开发者关注的新焦点。今天，我们将共同探索如何快速启动Prompt Flow 项目，深入了解流（flow）的概念，并学习如何使用VS Code Extension 或YAML 来编辑flow，最终在CLI、SDK或VS Code扩展中测试flow。本文将为初学者提供一个清晰的操作指引，即使您是Python新手，也能轻松迈出Prompt Flow之旅的第一步。
掌握语义内核(Semantic Kernel)：如何精进你的提示词工程
设置开发环境：
我们需要一个安装了3.9或更高版本的Python环境，推荐使用Python环境管理器Miniconda。安装好Miniconda后，运行以下命令创建一个Python环境：
conda create --name pf python=3.9conda activate pf
然后，安装Prompt Flow及其工具：
pip install promptflow promptflow-tools
检查安装是否成功：
# 应打印出Prompt Flow的版本，例如："0.1.0b3"pf -v
理解flow的概念：
在Prompt Flow中，flow是通过输入/输出依赖连接起来并基于拓扑结构执行的函数的有向无环图（DAG），表示为YAML文件。
获取flow的demo示例：
克隆样本仓库，检查examples/flows文件夹中的flow：
git clone https://github.com/microsoft/promptflow.git
理解flow目录：
本教程中使用的示例flow是web-classification流，它将URLs归类为几个预定义的类别。分类是一个传统的机器学习任务，而这个样本展示了如何使用GPT及提示进行分类：
cd promptflow/examples/flows/standard/web-classification
flow的目录包含flow的所有内容，结构如下：
-
flow.dag.yaml：flow定义，包括输入/输出、节点、工具和用于编写目的的变体；
-
.promptflow/flow.tools.json：包含在flow.dag.yaml中引用的工具元数据；
-
源代码文件（.py, .jinja2）：用户管理的，被工具引用的代码脚本；
-
requirements.txt：此flow需要的Python包依赖。
要运行特定的flow，您首先需要安装其依赖项：
pip install -r requirements.txt
理解flow的YAML:
flow目录的入口文件是flow.dag.yaml，它描述了flow的DAG结构。以下是flow DAG的一个示例：
其实如果大家之前有接触过 workflow-core、elsa-core之类的工作流引擎，可能对这种YAML的配置并不陌生。
使用VS Code扩展来可视化flow：
注意：强烈建议开发和调试 flow 时使用Prompt Flow的VS Code扩展。
VS Code扩展的前提条件：
-
安装最新稳定版本的VS Code；
-
安装VS Code Python扩展；
-
安装Prompt Flow的VS Code扩展；
-
选择Python解释器；
-
在VS Code中打开dag，您可以将flow.dag.yaml作为yaml文件打开，也可以在可视化编辑器中打开。
我们选中一个节点，然后打开看一下Prompt
系统：请用一段话概括以下内容。100字。不要添加文本中没有的任何信息。用户：文本：{{Text}}摘要：
在此，各位可能开始感到一丝熟悉。的确，此处所述与SK的Prompt模板非常相似。
通过预先配置Prompt flow的步骤，我们能够在正式编码之前对业务逻辑进行核验，同时对Prompt的提示进行验证测试，这样做有助于减少在开发完成后才发现业务逻辑不可行的问题。
开发和测试您的flow：
如何编辑flow：
如果您熟悉结构，可以通过修改默认输入或添加/删除节点来改变flow的布局，并用不同的输入数据测试flow。
$schema: https://azuremlschemas.azureedge.net/promptflow/latest/Flow.schema.jsoninputs: url: type: string # change the default value of input url here default: https://play.google.com/store/apps/details?id=com.twitter.android...
创建必要的连接：
注意：
如果您使用WSL或其他没有默认密钥存储后端的操作系统，可能会遇到StoreConnectionEncryptionKeyError，请参考FAQ解决方案。
connection 有助于安全地存储和管理用于与LLM及其他外部工具（例如Azure内容安全）交互所需的秘密密钥或其他敏感凭据。
样本flow web-classification内部使用了open_ai_connection连接，例如，classify_with_llm节点需要通过连接与llm对话。
如果我们之前未添加连接，我们需要设置它。创建后，连接将存储在本地数据库中，并且可以在任何flow中使用。
1.点击Prompt Flow进入界面
2、创建您的连接。
这里我使用的是Azure OpenAI
测试flow：
注意：
测 试flow不会 创建批次运行记录，因此无法使用诸如pf run show-details之类的命令来获取运行信息。如果您希望保留运行记录，请参见"运行和 评估flow"。
假设您正在工作目录promptflow/examples/flows/standard/中，
在"初始化和测试flow"中查看此主题的更多详情。
单击可视化编辑器顶部的运行流按钮以触发流测试。
后续：
学习更多关于如何：
-
开发flow：详细了解如何通过编写flow yaml从零开始开发流；
-
初始化和测试flow：详细了解如何从头或现有代码开发flow；
-
给flow添加条件控制：如何使用activate配置为flow添加条件控制；
-
运行和评估flow：使用多行数据文件运行和评估flow；
-
部署flow：如何将flow部署为网络应用程序；
-
管理连接：如何管理访问LLMs等外部服务的端点/秘密信息；
-
在Azure AI中的Prompt Flow：在Azure AI中运行和评估flow，您可以更好地与团队合作。
并且您还可以查看官方的示例，尤其是：
-
Prompt Flow入门：该内容涵盖了本文档中介绍的示例的Python SDK体验；
-
教程：与PDF聊天：一个端到端的教程，展示如何使用Prompt Flow构建一个高质量的聊天应用程序，包括flow开发和带指标的评估。
结语：
Prompt Flow 作为连接代码与机器学习的桥梁，为数据科学家和开发者提供了新的工具和视角。通过本文的详细指引及实际操作，相信您已经对Prompt Flow 有了初步的认识和了解。正如掌握了Python编程的您，走上了机器学习之路一样，Prompt Flow 会是您自动化流程、探索智能应用新模式的得力助手。让我们一起迎接智能编程的崭新未来，欢迎继续关注我的后续内容，开启更深入的Prompt Flow实践之旅！