发帖
雷达卡
Hadley Wickham（R 语言首席科学家、tidyverse 之父，现任 Posit 首席科学家）这两年在 AI 话题上相当高调，观点也很成体系。以下是对其核心观点的梳理。
他提出的问题本身就是态度："Why code when AI?"
2025 年他在美国统计学会（ASA）统计学习与数据科学分会的网络研讨会上做了一个演讲，标题直白地叫 "Why code when ai?"（既然有 AI，为什么还要写代码？）——这不是反问，而是他把整个 R 社区当前面临的最根本问题摆到了台面上。他的答案是：AI 应当增强（augment）而不是取代（replace） R 用户的工作流，AI 是"思考伙伴"，不是用户的替代品。
useR! 2025 主题演讲：直接用 LLM 写了一场演讲来回答这个问题
他这场演讲的标题很挑衅——"I wrote this talk with an LLM"（我用 LLM 写了这场演讲）。整个演讲的大纲、幻灯片、代码示例都与 LLM 共同创作，连摘要都是 Claude 生成后他自己轻改的，他还公开了自己的 prompt。这本身就是一个行为实验：亲身验证 AI 协作的边界在哪里。他的结论大致是：
AI 擅长的：快速原型、生成文档、创意构思（rapid prototyping, documentation generation, creative ideation） 人类不可替代的：统计判断与领域专业能力——他对 AI 的"承诺与局限"都做了坦诚的反思 留给社区的开放问题：AI 将如何重塑 R 的教学？哪些新技能最重要？如何保证工具对所有人都可及？
落到行动上：他在把 R 变成"构建 AI 应用的语言"
这点最有意思——他不只是评论 AI，而是在造工具：
ellmer包：他主导开发的 tidyverse 系列包，让 R 可以直接调用各种 LLM API（OpenAI、Claude、Gemini 等），用于在 R 里构建 AI 助手和 AI 驱动的应用。配套还有面向社区的 2 小时官方 workshop。Posit Assistant 实战演示：他亲自录视频演示用 Posit 的 AI 助手在 RStudio 里分析 TidyTuesday 数据集。 与 Joe Cheng（Shiny 作者）联合演讲："Making the most of artificial and human intelligence for data science"，探讨 LLM 复杂且常常自相矛盾的特性。 他甚至专门复活的 Substack（Tidy Design Principles）就是为了讨论 AI，称 LLM 重新点燃了他的好奇心；还推荐社区跟着 Simon Couch 的文章了解用 LLM 生成 R 代码的最新模型动态。
以下就引出了我们的主角**ellmer包**
ellmer：在 R 中与大语言模型对话
定位与背景
ellmer 是 tidyverse 家族中专门用于从 R 调用大语言模型（LLM）的包，由 Hadley Wickham（维护者）、Joe Cheng（Shiny 作者）、Aaron Jacobs、Garrick Aden-Buie、Barret Schloerke 共同开发，Posit 公司持有版权，MIT 协议开源。当前 CRAN 版本 0.4.2（仍在活跃迭代，API 偶有变动）。
它的核心定位是：把各家 LLM 提供商统一到一个一致的 R 接口背后，并提供流式输出、工具/函数调用、结构化数据提取、异步请求、图像输入等能力。用一句话概括：让统计学家用熟悉的 R 语法构建 AI 应用，而不是为了用 LLM 去学一套新的工程栈。
安装：
install.packages("ellmer")
核心概念：有状态的 Chat 对象
ellmer 的中心抽象是 chat 对象——一个有状态的 R6 对象，自动保留对话上下文，所有方法通过 $ 调用：
library(ellmer)
# 第一个参数是 system prompt（设定模型角色），model 指定具体模型
chat <- chat_openai("Be terse", model = "gpt-4o-mini")
# 最简单的用法：流式输出到控制台，并invisible返回结果
chat$chat("R语言主要受哪些语言影响？")
# 交互式聊天：在控制台或浏览器里持续对话
live_console(chat)
live_browser()
如果是在函数里编程式调用（不想在控制台刷屏），用 echo = "none"，$chat() 就安静地返回字符串：
my_function <- function() {
chat <- chat_openai("Be terse", model = "gpt-4o-mini", echo = "none")
chat$chat("What is 6 times 7?")
}
my_function()
#> [1] "6 times 7 is 42."
支持的提供商
官方维护（约 12 家）：chat_anthropic()（Claude）、chat_openai()、chat_google_gemini()、chat_aws_bedrock()、chat_azure_openai()、chat_databricks()、chat_deepseek()、chat_ollama()、chat_snowflake()、chat_github()、chat_posit() 等。
社区维护：Cloudflare、Groq、Hugging Face、LM Studio、Mistral、OpenRouter、Perplexity、vLLM 等。
几个官方给出的选型建议：
入门首选 chat_openai()或chat_anthropic()——文档特别提到 Claude Sonnet 写 R 代码尤其好（和我们之前讨论"语料质量"时的社区共识一致）；chat_google_gemini()有免费额度（但数据可能被用于训练）；chat_ollama()可以本地运行开源模型，免费且数据不出本机——对处理敏感数据（如临床、金融数据）的场景很关键。
认证方面：OpenAI/Anthropic 走 API 密钥（建议存环境变量）；云平台（AWS、Azure、Databricks、Snowflake）会自动探测 OAuth/IAM 凭据，包括 Posit Workbench/Connect 托管的凭据——企业部署友好。
两大杀手锏之一：结构化数据提取
这是 ellmer 最有"R 味"的功能。与其让模型吐一段"希望是合法"的 JSON，不如直接给它一个类型规约（type specification），保证输出形状，并自动转换成 R 对象：
chat <- chat_openai()
chat$chat_structured(
"My name is Susan and I'm 13 years old",
type = type_ob ject(
name = type_string(),
age = type_number()
)
)
#> $name "Susan" $age 13
类型系统分三组，可以嵌套组合：
| 组别 | 函数 | 类比 |
|---|---|---|
| 标量 | type_boolean(), type_integer(), type_number(), type_string(), type_enum() |
长度 1 向量 / factor |
| 数组 | type_array() |
向量 / 列表 |
| 对象 | type_ob ject() |
命名列表 |
转换规则非常贴合 R 直觉：标量数组变向量、对象变命名列表、对象数组直接变 tibble。想从一段文本里挖表格，就把结构定义为"对象数组"：
type_people <- type_array(
type_ob ject(
name = type_string(),
age = type_integer(),
height = type_number("in m")
)
)
几个实战要点：
每个类型的第一个参数是给 LLM 看的字段描述，写清楚单位、格式（如日期格式）能显著提高抽取质量； 字段默认 required = TRUE，会导致模型编造值（幻觉）；设required = FALSE则返回NA——做数据抽取时几乎总该加上；parallel_chat_structured()可以把抽取并行应用到大批 prompt，返回一个 tibble——这实际上就是用 LLM 做非结构化数据的批处理 ETL；支持图像输入：可以从截图里直接抽表格数据（ content_image_url()/content_image_file()）。
两大杀手锏之二：工具/函数调用（Tool Calling）
让 LLM 能"调用"你的 R 函数。关键机制：模型从不执行代码，只是请求调用——它决定何时调用、传什么参数、如何使用结果，实际执行永远在你的 R 进程里，安全可控。
定义工具三步走：
# 1. 写普通 R 函数（roxygen 注释会被用来生成工具定义）
#' @param tz The time zone to get the current time in.
get_current_time <- function(tz = "UTC") {
format(Sys.time(), tz = tz, usetz = TRUE)
}
# 2. 用 tool() 包装，附上模型需要的元数据
get_current_time <- tool(
get_current_time,
desc ription = "Returns the current time.",
arguments = list(
tz = type_string("Time zone", required = FALSE)
)
)
# 3. 注册并对话
chat <- chat_openai(model = "gpt-4o")
chat$register_tool(get_current_time)
chat$chat("阿姆斯特朗登月是多久以前？")
执行时是一个三轮循环：用户提问 → 模型返回 [tool request]: get_current_time(tz = "UTC") → ellmer 在 R 里执行并把 [tool result] 送回 → 模型给出最终答案。模型可能多轮调用，也可能批量调用（比如一次传入多个城市名）。
两个亮点：
create_tool_def()会用 LLM 帮你生成工具定义代码（需人工审核）——用 AI 写接 AI 的胶水代码；工具的返回值可以是图像/PDF：比如截图工具返回 content_image_file()，模型"看到"截图后再回答。结合 Shiny，工具还能直接设置 reactive 值，触发响应式更新——AI 驱动的 Shiny 应用就是这么搭的。
其他能力
流式输出：响应边生成边打到控制台（ echo参数控制）；异步 API：非阻塞请求，适合 Shiny 应用和批量任务（配合 coro协程）；图像输入：把 logo、图表、截图的 URL 或本地文件直接丢给模型提问。
生态系统：ellmer 只是拼图的第一块
Posit 围绕它建了一整套配套包，这暴露了他们的真实野心：
| 包 | 用途 |
|---|---|
shinychat |
用 Shiny 快速搭聊天机器人 UI |
ragnar |
RAG（检索增强生成）框架 |
vitals |
LLM 输出质量评估 |
mcptools |
接入 MCP（Model Context Protocol） |
chatlas |
Python 等价物（跨语言复用思路） |
我的评价
ellmer 的设计处处透着 tidyverse 的哲学：一致的 API 屏蔽掉 12 家提供商的差异（就像 dbplyr 屏蔽数据库差异）、类型规约对应 R 的数据结构直觉、工具调用把"执行权"留在用户手里。它把"在 R 里用 LLM"从拼 HTTP 请求的苦活，变成了符合 R 习惯的声明式编程。
对你而言，如果想在分析流程里嵌入 LLM（比如批量清洗非结构化文本、从报表截图提取数据、给分析报告加个问答界面），ellmer + chat_structured() + Shiny 是目前 R 生态里最正统的组合。需要注意的两点：一是它版本迭代快，API 可能有变动，写正式代码前查一下当前版本的函数名；二是敏感数据务必走 Ollama 本地模型或企业级部署。
京公网安备 11010802022788号
