填空提示

提示工程 - 填空式提示

填空式提示 (Fill-in-the-Blank prompting) 是一种技术，您向大语言模型 (LLM) 提供一个不完整的句子或模板，模型的任务是补全缺失的部分。这种方法对于生成特定信息、完善想法或引导 LLM 生成结构化输出非常有效。

在本章中，我们将探讨填空式提示的概念，以及如何利用它与 ChatGPT 等 LLM 进行有针对性和可控的交互。

什么是填空式提示？

填空式提示涉及构建包含显式占位符（例如 [BLANK]、____ 或 <INSERT_HERE>）的提示，或通过在一个句子中途结束来隐式指示模型应提供缺失信息的位置。LLM 利用周围的上下文生成连贯且相关的补全内容。

填空式提示的优势

控制输出：让您对 LLM 响应的结构和内容有更多的控制权。
上下文补全：允许 LLM 基于您提供的精确上下文填充信息，从而获得更相关的答案。
特定信息提取：对于提取特定信息片段或生成符合预定义模式的文本很有用。
效率：如果您知道期望答案的结构，这种方法可能比写一个完整的问题要快。

实现填空式提示

要实现填空式提示，您需要构建提示，明确指示缺失信息应放置的位置。以下是一些示例：

简单补全：

User: Complete the sentence: "The primary colors are red, yellow, and [BLANK]."
Assistant: The primary colors are red, yellow, and blue.

上下文补全：

User: In the field of artificial intelligence, a neural network is inspired by the structure of the human [BLANK].
Assistant: In the field of artificial intelligence, a neural network is inspired by the structure of the human brain.

创意补全：

User: My dream vacation involves relaxing on a beach in [COUNTRY_NAME] and exploring ancient [TYPE_OF_RUINS].
Assistant: My dream vacation involves relaxing on a beach in Greece and exploring ancient temples.

注意：虽然像 [BLANK] 这样的占位符有助于人类理解任务，但 LLM 主要依赖于句子的不完整性以及周围的上下文来生成填充内容。

填空式提示的应用

数据提取：“ExampleCorp 的 CEO 是 [NAME]。” -> LLM 填充姓名。
内容生成：创建产品描述：“我们的新款 [PRODUCT_TYPE] 非常适合想要 [BENEFIT] 的 [TARGET_AUDIENCE]。”
教育练习：语言学习：“翻译成法语：‘Good morning’ 是 ‘[FRENCH_PHRASE]’。”
少样本提示 (Few-Shot Prompting)：以填空格式提供示例可以帮助 LLM 快速理解新任务。

填空式提示的最佳实践

为了充分利用填空式提示，请考虑以下最佳实践：

提供足够的上下文：周围的文本应提供清晰的线索，说明需要填入哪种类型的信息。
占位符要具体（可选但有益）：虽然对 LLM 并非绝对必要，但描述性占位符（例如 [CITY_NAME]、[YEAR]）可以使提示对人类用户更清晰，有时也能更精确地引导 LLM。
保持自然：即使有空白，句子结构也应流畅自然。生硬的措辞可能会混淆 LLM。
测试和迭代：尝试不同的措辞和上下文量，看看哪种方法对您的特定任务产生最佳结果。

示例应用：Python 实现

让我们探索一个使用 OpenAI API 来完成句子的 Python 示例。

from openai import OpenAI

client = OpenAI(api_key='YOUR_API_KEY') # 确保 API 密钥已设置

def complete_the_blank(prompt_with_blank):
    try:
        response = client.chat_completions.create(
            model="gpt-3.5-turbo",
            messages=[
                {"role": "system", "content": "You are an AI assistant that completes sentences and fills in blanks."},
                {"role": "user", "content": prompt_with_blank}
            ],
            max_tokens=50,  # 根据需要调整
            temperature=0.5, # 适中的 temperature 值以获得合理的补全
            n=1,
            stop=None
        )
        # 响应可能就是补全后的完整句子。
        # 或者它可能只提供填充内容。这里我们假设它会完成整个句子。
        return response.choices[0].message.content.strip()
    except Exception as e:
        return f"An error occurred: {e}"

# 示例 1: 简单空白
user_prompt_1 = "User: Complete this: The chemical symbol for water is [BLANK]."
# 对于 API，我们可能将指令和句子分开发送或组合发送。
# 我们假设我们要求模型完成它接收到的句子。
api_prompt_1 = "The chemical symbol for water is"

# 示例 2: 更多上下文
user_prompt_2 = "User: Fill in the blank: To make a website interactive, developers often use JavaScript, which is a [BLANK] programming language."
api_prompt_2 = "To make a website interactive, developers often use JavaScript, which is a"

# 在此示例中，为了 API 调用的清晰起见，我们将发送完整的用户指令。
full_user_instruction = "Complete the following sentence: To make a website interactive, developers often use JavaScript, which is a ____ programming language."

completed_sentence = complete_the_blank(full_user_instruction)
print(f"Prompt: {full_user_instruction}")
print(f"Completed: {completed_sentence}")

示例输出

使用 Python 示例中的 full_user_instruction：

Prompt: Complete the following sentence: To make a website interactive, developers often use JavaScript, which is a ____ programming language.
Completed: To make a website interactive, developers often use JavaScript, which is a client-side scripting programming language.

（注意：具体的填充内容可能有所不同。其他有效的补全可能包括“多用途的”、“流行的”、“高级的”等。提供更多上下文或更具体的占位符可以缩小范围。）

结论

填空式提示是提示工程中一种多功能且强大的技术。通过策略性地让提示的部分内容不完整，您可以引导 LLM 生成特定、上下文相关的信息，从而提高交互效率并更好地控制输出。这是利用 LLM 理解和补全模式能力的基础方法。