TRANSLATE 提示

Prompt Engineering - 语言翻译的 Prompt 设计

Prompt engineering 使我们能够利用大型语言模型（Large Language Models, LLMs），例如 ChatGPT，的多样化能力，其中包括强大的语言翻译功能。在本章中，我们将探讨如何精心设计有效的 prompt 来指导 LLMs 准确地将文本从一种语言翻译成另一种语言。

通过在你的 prompt 中清晰地指定源文本和期望的目标语言，你可以利用 LLMs 进行多语言沟通、内容本地化以及各种语言翻译任务。

指导 LLM 进行翻译

要执行翻译，你的 prompt 需要清晰地说明要翻译的文本和目标语言。LLMs 通常很擅长自动检测源语言，但指定源语言有时可以提高准确性，特别是对于不太常见的语言或有歧义的文本。

一个基本的翻译 prompt 结构很简单：

User: Translate the following English text to French: "Hello, how are you?"

LLM: Bonjour, comment ça va ?

另一个例子：

User: Please translate this sentence into Spanish: "The weather is beautiful today."

LLM: El tiempo está hermoso hoy.

在这些示例中，用户清晰地提供了源文本并指定了目标语言。然后 LLM 提供了翻译结果。

翻译 Prompt 的最佳实践

要使用 LLMs 获得最佳翻译结果：

清晰指定目标语言：务必说明期望的目标语言（例如，“翻译成德语”，“…翻译成日语”）。
提供完整的源文本：确保要翻译的完整文本包含在 prompt 中，通常用引号括起来或用分隔符隔开以增加清晰度，特别是对于较长的文本。
指定源语言（可选但有帮助）：虽然 LLMs 通常会自动检测源语言，但指定它可以防止歧义（例如，“将以下英文文本翻译成普通话中文：…”）。
考虑上下文以解决歧义：如果一个单词或短语有多种含义，在源文本中提供一点上下文可以帮助 LLM 选择正确的翻译。
请求正式程度或语气（进阶）：对于某些语言，你可能可以指定期望的正式程度（例如，“翻译成正式的法语”）。这更具实验性，但也可能有效。
迭代和改进以获得细微差别：即使是高级 LLMs，机器翻译也并非总能完美捕捉到所有细微之处。对于关键翻译，请检查并可能改进 prompt 或输出。如果第一次翻译不太准确，你可以要求提供替代翻译。

应用示例：Python 实现

让我们看一个使用 Python 脚本结合 OpenAI API 请求 LLM 翻译的实际示例。

import openai
import os

# 推荐：通过环境变量设置你的 API 密钥。
# openai.api_key = os.getenv("OPENAI_API_KEY")
# 在本教程中，使用占位符。请替换为你实际的密钥。
openai.api_key = 'YOUR_API_KEY'

def translate_text(source_text, target_language, source_language="auto"):
    if source_language.lower() == "auto":
        prompt_content = f"Translate the following text to {target_language}:\n\n\"{source_text}\""
    else:
        prompt_content = f"Translate the following {source_language} text to {target_language}:\n\n\"{source_text}\""

    messages = [
        {"role": "system", "content": "You are a highly skilled language translator."},
        {"role": "user", "content": prompt_content}
    ]

    try:
        response = openai.chat.completions.create(
            model="gpt-3.5-turbo", # 或使用更新的模型，例如 gpt-4o-mini
            messages=messages,
            max_tokens=len(source_text) * 2 + 50, # 根据源文本长度估算
            temperature=0.3, # 较低的 temperature 值可获得更准确的翻译
            n=1,
            stop=None
        )
        return response.choices[0].message.content.strip()
    except Exception as e:
        return f"An error occurred: {e}"

# 示例用法：
text_to_translate = "Hello, how are you? I hope your day is going well!"
target_lang = "French"

translated_text = translate_text(text_to_translate, target_lang, source_language="English")
print(f"Original ({'English'}): {text_to_translate}")
print(f"Translated ({target_lang}): {translated_text}")

text_to_translate_2 = "Wie geht es Ihnen heute?"
target_lang_2 = "English"
translated_text_2 = translate_text(text_to_translate_2, target_lang_2, source_language="German")
print(f"Original ({'German'}): {text_to_translate_2}")
print(f"Translated ({target_lang_2}): {translated_text_2}")

在此 Python 脚本中，translate_text 函数构建了一个清晰说明源文本和目标语言（以及可选的源语言）的 prompt。然后它使用 OpenAI API 来获取翻译结果。

预期输出

运行脚本时，你将收到 LLM 返回的翻译文本。第一个示例的输出如下：

Original (English): Hello, how are you? I hope your day is going well!
Translated (French): Bonjour, comment ça va ? J'espère que votre journée se passe bien !

第二个示例的输出如下：

Original (German): Wie geht es Ihnen heute?
Translated (English): How are you today?

结论

在本章中，我们探讨了如何有效地为 LLMs 设计 prompt 来执行语言翻译任务。通过提供清晰的指令，包括源文本和目标语言，你可以利用现代 LLMs 强大的翻译能力。

我们讨论了最佳实践，例如指定语言、提供上下文以及迭代以获得细微差别的翻译。Python 示例展示了一种将基于 LLM 的翻译集成到应用程序中的实用方法。这项技能对于处理多语言内容或受众的任何人来说都是基础的。