LMQL

LMQL（Language Model Query Language）是一门面向大语言模型交互的编程语言，官网把它定义为「Robust and modular LLM prompting using types, templates, constraints and an optimizing runtime」——用类型、模板、约束与一个带优化能力的运行时来写提示词。它把提示词从「拼字符串」升级为「写程序」：先描述清楚期望的输出，再交给运行时去执行，从而让模型输出更可控、更稳健、更可复用。代码风格类似 Python 装饰器——在函数上用 @lmql.query 声明一段带约束的查询，约束可以是长度、枚举或任意 Python 表达式，随后直接调用；提示与逻辑天然组织在一起，便于复用与版本管理。优化运行时会在生成过程中按约束裁剪搜索空间，而不是生成后再校验，这是它与普通模板提示在机制上的关键差异，也是输出稳定的来源。

核心能力

• 约束式生成：对生成结果施加类型与格式约束（如长度、枚举、正则等），从源头减少解析失败与乱答，不必依赖正则与重试兜底。
• 模板与模块化提示：提示词可以拆成带类型的模块，大型提示逻辑可维护、可复用，团队协作时不再靠复制粘贴与版本混乱。
• 嵌套查询（Nested Queries）：官方称之为「把过程式编程带进提示词编写」，允许一个查询内嵌套调用另一个查询，组合出更复杂的多步行为。
• 跨后端运行：同时支持 llama.cpp、OpenAI、Transformers 等后端，本地模型与云端 API 用同一套语言描述，迁移成本低。
• 执行轨迹（Execution Trace）：记录提示词的实际执行过程，便于调试「模型为什么这样输出」，把提示词调优从玄学变成可观察的过程。

适合谁

要在生产系统里稳定调用大模型的工程师，尤其是需要严格控制输出结构、又不想靠正则兜底的团队；做提示词工程研究、教学或实验的个人也适合。项目开源，Docs、Blog、Research 与 Playground 齐全，官方还通过开发者调查驱动下一版本的方向，社区参与度高。

注意事项

• 引入了新的语法与概念，学习成本高于纯字符串提示，团队引入需要投入时间。
• 不同后端对约束的支持程度不同，跨后端迁移时个别特性可能失效，需要实测验证。
• 它定位是编程语言与运行时，不是托管服务，模型与算力仍要自己准备。
• 项目处于活跃演进期，接口可能变化，生产使用前请锁定版本，升级前先跑一遍现有查询做回归，避免约束行为变化。

使用建议

先用官方 Playground 试写一条带约束的查询，感受它与纯字符串提示的差异；从「约束输出格式」的小场景切入，跑通后再逐步引入模板与嵌套查询。遇到边界行为先查官方文档再写代码，能省掉不少试错；项目还在征集社区反馈推进下一大版本，关注官方博客与调查，能提前了解接口演进方向。