当前位置：首页 > ai >正文

大模型提示词工程实践：大语言模型文本转换实践

ai 2025/8/12 10:37:34

大模型文本转换

学习目标

在本课程中，我们将探究如何使用大语言模型来完成文本转换任务，例如语言翻译、拼写和语法检查、语气调整以及格式转换。

学习内容

1. 大模型文本转换

文本转换的核心定义与范畴文本转换是指通过技术手段对文本的语言、格式、风格、结构等维度进行系统性改造，使其适应不同场景需求的过程。基于大语言模型（LLM）的文本转换，本质是利用模型对自然语言的理解与生成能力，实现语义在不同形式间的精准映射。其核心范畴包括：

语言维度：跨语种翻译（如中英互译、小语种转换）、方言与标准语转换；
格式维度：非结构化文本与结构化数据互转（如JSON转HTML表格）、代码格式转换（Markdown转LaTeX）；
风格维度：语气调整（口语→书面语、正式→非正式）、文体转换（新闻稿→诗歌、技术文档→科普文案）；
语义维度：语法纠错、拼写修正、语义优化（如增强说服力、简化复杂句式）。
文本转换的核心应用场景

跨语言沟通与全球化业务

电商客服工单翻译：实时将法语、西班牙语等多语言客户反馈译为中文，辅助客服快速响应；
跨境营销内容本地化：将英文产品描述转为符合日本文化习惯的日语文案（如调整敬语等级、规避敏感词汇）。

内容创作与传播优化

多平台适配：将一篇深度报道转换为短视频脚本（提炼核心观点+口语化表达），或转为微博话题文案（添加话题标签+情绪化表达）；
学术成果通俗化：将论文摘要转换为面向公众的科普短文（如将“量子纠缠”解释为“跨越时空的粒子联动”）。

企业级文档处理

格式标准化：将员工提交的非结构化需求文档转换为统一的JSON格式，便于系统解析；
合规性改造：将包含敏感信息的合同文本进行脱敏处理（如隐藏身份证号、银行账号），同时保持语义完整。

教育与语言学习

个性化学习材料生成：将同一篇英文文章转换为不同难度的版本（如基础版简化句式、进阶版增加专业术语）；
语言教学辅助：自动批改学生作文，标注语法错误并提供修改建议（如“此处应使用过去完成时”）。

1.1 准备工作

安装依赖
httpx 是一个用于进行 HTTP 请求的库，我们可以使用它来向大模型发送请求并获取响应。
openai 库提供了统一的接口来调用大模型。
redlines 是一个用于文本对比和高亮显示差异的 Python 库，主要功能是将两个文本版本之间的修改以直观的方式呈现出来，类似文档编辑中的 “修订模式” 或代码版本控制中的 diff 功能。

%pip install httpx
%pip install openai
%pip install redlines

初始化参数

import os
import httpx
from openai import OpenAI# 此课程基于DeepSeek-R1运行，学员可自行前往官网进行api申请
client = OpenAI(base_url=<BASE_URL>,api_key=<API_KEY>,http_client=httpx.Client(verify=False),
)

定义 get_completion 函数，用于调用大模型生成文本。
- 这个函数通过 OpenAI 客户端调用指定模型，根据输入的提示词生成回复，并处理可能存在的思维标记，返回最终的回复内容。
- get_completion函数用于向模型发送单个用户提示，并获取模型的响应。它将提示封装在 messages列表中，然后调用 client.chat.completions.create方法与模型进行交互，最后调用 extract_after_think函数处理响应。

参数	说明
model	指定使用的大语言模型，决定生成文本的能力和风格
messages	对话历史列表，仅包含用户提示词，引导模型生成回复
stream	是否以流式方式返回结果。为 False 时，模型生成完整内容后一次性返回；为 True 时逐字返回
temperature	控制输出的随机性和创造性。值接近 0 时输出更具确定性，结果更保守、准确；值接近 1 时输出更随机，可能增加创意但也可能有胡言乱语风险
max_tokens	限制生成内容的最大 token 数量（含输入和输出）。超过此限制模型输出会被截断，token 约4个字符或1个汉字，设置过小可能回复不完整
top_p	核采样参数，控制词汇选择的概率分布范围。值为 0.95 时模型只考虑累积概率达 95% 的词汇，过滤低概率词汇，减少随机性

#请根据实际替换model_name
def get_completion(prompt, model=<model_name>):mess = [{"role": "user", "content": prompt}]response = client.chat.completions.create(model=model,messages=mess,stream=False,temperature=0.6, # 这就是该模型输出结果的随机程度。 max_tokens=2048,top_p=0.95)return response.choices[0].message.content.split("</think>\n\n")[-1]

1.2 调用大模型

1.2.1 翻译

大模型是通过多种语言的资料进行训练的。这使得模型具备了进行翻译的能力。以下是一些关于如何运用这一能力的示例。

prompt = f"""
将以下英文文本翻译成中文: \ 
```Hi, I would like to order a blender```
"""
response = get_completion(prompt)
print(response)

prompt = f"""
告诉我这是哪种语言: 
```Combien coûte le lampadaire?```
"""
response = get_completion(prompt)
print(response)

prompt = f"""
将以下文本翻译成法语、西班牙语和英式英语海盗风格表达： \
```I want to order a basketball```
"""
response = get_completion(prompt)
print(response)

prompt = f"""
将以下文本分别翻译成中文的正式形式和非正式形式：
'Would you like to order a pillow?'
"""
response = get_completion(prompt)
print(response)

1.2.2 通用翻译器

设想一下，你在一家大型跨国电子商务公司负责信息技术（IT）工作。用户们用他们各自的母语向你反馈信息技术方面的问题。而你的员工来自世界各地，每个人都只会说自己的母语。此时，你就需要一个通用翻译器！

例如下面的各地语言：

法语（系统的性能比平时要慢。）
西班牙语（我的显示器有一些不发光的像素点。）
意大利语（我的鼠标不工作了。）
波兰语（我的 Ctrl 键坏了。）
英语（我的屏幕在闪烁。）

user_messages = ["La performance du système est plus lente que d'habitude.",  "Mi monitor tiene píxeles que no se iluminan.",              "Il mio mouse non funziona",                                 "Mój klawisz Ctrl jest zepsuty",                             "My screen is flickering."                                   
]

for issue in user_messages:prompt = f"告诉我这是什么语言：```{issue}```"lang = get_completion(prompt)print(f"原始信息： ({lang}): {issue}")prompt = f"""将以下文本翻译成汉语和韩语：```{issue}```"""response = get_completion(prompt)print(response, "\n")

1.2.3 语气转换

写作会因目标受众的不同而有所差异。大模型能够生成不同的语气风格。

prompt = f"""
将以下内容从日常口语转换为商务信函风格：
'各位，这次活动的报名人数比咱们预想的少太多了，得赶紧想想办法推广推广。'
"""
response = get_completion(prompt)
print(response)

1.2.4 格式转换

大模型能够在不同格式之间进行转换。提示语应当对输入格式和输出格式进行描述。

data_json = { "餐厅员工" :[ {"姓名":"杉木", "电子邮箱":"shyamjaiswal@gmail.com"},{"姓名":"薄冰", "电子邮箱":"bob32@gmail.com"},{"姓名":"嘉义", "电子邮箱":"jai87@gmail.com"}]
}
prompt = f"""
将以上Python字典（以JSON格式呈现）转换为带有列标题和标题的HTML表格。仅输出html：{data_json}
"""
response = get_completion(prompt)
print(response)

from IPython.display import display, HTML
display(HTML(response))

1.2.5 拼写及语法语义检查

以下是一些常见的语法和拼写问题的示例，以及大语言模型（LLM）的回复。
要向大语言模型表明你希望它校对文本，你可以指示模型 “进行校对” 或 “进行校对并改正”。

text = [ "The girl with the black and white puppies have a ball.",  # 语法错误，主语 “The girl” 是单数，谓语动词应用 “has” 而非 “have”"Yolanda has her notebook.", # 正确"Its going to be a long day. Does the car need it’s oil changed?",  # 同音异义词错误"This phrase is to cherck Deepseek for speling abilitty"  # 拼写错误
]
for t in text:prompt = f"""校对并改正以下文本，然后重写改正后的版本。\如果你没有发现任何错误，就说“未发现错误”。\不要在文本周围使用任何标点符号：```{t}```"""response = get_completion(prompt)print(response)

text = f"""
这是我给女儿买的生日礼物，因为她老是从我房间里拿走我的东西。\
没错，大人也同样喜欢熊猫。她到哪儿都带着它，而且它超级柔软可爱。\
它的一只耳朵比另一只低一点，我觉得这不是设计成不对称的样子。\
不过就我付的价钱来说，它有点小了。\
我觉得可能还有其他同样价格但更大一些的选择。\
它比预计时间提前一天就到了，所以在我把它送给女儿之前，我自己还玩了一会儿。 
"""
prompt = f"校对并纠正这条评论： ```{text}```"
response1 = get_completion(prompt)
print(response)

from IPython.display import Markdown
from redlines import Redlinesdiff = Redlines(text,response1)
display(Markdown(diff.output_markdown))

prompt = f"""
校对并纠正这条评论，使其更具说服力。
确保遵循APA格式指南，并以资深读者为目标受众。
以Markdown格式输出。
文本：```{text}```
"""
response = get_completion(prompt)
display(Markdown(response))