Einführung von APPL: Eine neue Sprache für LLM-Integration

Dieses Papier stellt APPL vor, eine Prompt-Programmierungssprache, die dafür gedacht ist, traditionelle Programmierung und grosse Sprachmodell-Prompts (LLM) zu verbinden. Das Ziel ist es, Entwicklern zu helfen, Workflows zu erstellen und zu verwalten, die LLMs einbeziehen, während Klarheit und Effizienz erhalten bleiben.

APPL erlaubt es Nutzern, Prompts in Python-Funktionen einzubetten und umgekehrt. Es hat eine einfache Syntax, die mit Python übereinstimmt, was es vielen Entwicklern zugänglich macht. APPL führt Prozesse auch parallel aus, was hilft, Aufgaben schneller zu erledigen, indem LLM-Aufrufe asynchron verwaltet werden. Das bedeutet, die Nutzer müssen sich nicht selbst um die Synchronisation kümmern, was die Umsetzung erleichtert.

Die Sprache enthält Werkzeuge für das Tracing und Debugging, was es einfacher macht, Probleme zu identifizieren und Aufgaben ohne zusätzliche Kosten wieder abzuspielen. Experimente zeigen, dass APPL die Leistung von Programmen, die unabhängige LLM-Aufrufe nutzen, erheblich verbessern kann.

Das Papier diskutiert, wie LLMs immer mächtiger werden und als neue Plattformen für verschiedene Anwendungen gesehen werden. Allerdings kann die Integration dieser Modelle mit traditioneller Programmierung komplex sein. APPL geht diese Komplexität durch seine Designeigenschaften an, die Lesbarkeit und Wartbarkeit priorisieren.

Die Hauptmerkmale von APPL sind:

1. Lesbarkeit und Flexibilität: APPL erhält die Lesbarkeit von natürlichen Sprachprompts, während es die Funktionen von Python nutzt.
2. Automatische Parallelisierung: LLM-Aufrufe werden asynchron geplant, was die Leistung optimiert und nur wenig zusätzlichen Code vom Nutzer erfordert.
3. Sanfter Übergang zwischen Datentypen: Die Sprache erleichtert es, Programmobjekte in Prompts umzuwandeln und sicherzustellen, dass Ausgaben den angegebenen Formaten entsprechen.

APPL hat zum Ziel, die Entwicklung von anspruchsvollen Anwendungen mit LLMs zu vereinfachen und gleichzeitig mit bestehenden Python-Tools und -Bibliotheken kompatibel zu sein. Künftige Arbeiten werden sich mit der Verfeinerung dieser Sprache und ihrer Laufzeit beschäftigen, um die KI-gesteuerte Entwicklung weiter zu verbessern.

Das Papier erkennt die Beiträge verschiedener Forscher und die finanzielle Unterstützung an, die diese Arbeit möglich gemacht haben. Es lädt zur Zusammenarbeit und zur Weiterentwicklung auf diesem Gebiet ein, um die Grenzen von KI-Anwendungen zu erweitern.