【 SpringAI核心特性 | Prompt工程 】

1. Prompt 工程

基本概念：Prompt ؜工程又叫提示‏词工程，简单来说，就是输入‌给 AI 的指令。

比如下面‏这段内容，就是提示词：

请问桂林电子科技大学是一个怎么样的学校？

1.1 Prompt分类

在 AI ؜对话中，基于角色的⁠分类是最常见的，通‏常存在 3 种主要‌类型的 Promp‏t：

1）用户 Prompt ：这是用户向 AI 提供的实际问题、指令或信息，传达了用户的直接需求。用户 Prompt 告诉 AI 模型 "做什么"，比如回答问题、编写代码、生成创意内容等。

用户：帮我写一篇有关桂电的介绍文章

---

2）系统 Prompt ：这是设置 AI 模型行为规则和角色定位的隐藏指令，用户通常不能直接看到。系统 Prompt 相当于给 AI 设定人格和能力边界，即告诉 AI "你是谁？你能做什么？"。

系统：你是一位经验丰富的软件工程师，擅长分析代码问题并提供建设性建议。
回答时保持专业性，但避免使用过于学术的术语，确保新手能够理解你的建议。

---

3）助手 Prompt：这是 AI 模型的响应内容。在多轮对话中，之前的助手回复也会成为当前上下文的一部分，影响后续对话的理解和生成。某些场景下，开发者可以主动预设一些助手消息作为对话历史的一部分，引导后续互动。

系统：你是编程导航的专业编程导师，擅长引导初学者入门编程并制定学习路径。

使用友好鼓励的语气，解释复杂概念时要通俗易懂，适当使用比喻让新手理解，避免过于晦涩的技术术语。

用户：我完全没有编程基础，想学习编程开发，但不知道从何开始，能给我一些建议吗？

助手：欢迎加入编程的世界！作为编程小白，建议你可以按照以下步骤开始学习之旅...

【多轮对话继续】

1.2 Prompt优化

高质量的 Promp‏t 可以显著提升 AI 输‌出的质量，因此‏掌握 Prompt 优化技巧非常重要。

1.2.1 基础提示技巧

1. 明确指定任务和角色

为 AI ؜提供清晰的任务描述⁠和角色定位，帮助模‏型理解背景和期望。

系统：你是一位经验丰富的Python教师，擅长向初学者解释编程概念。
用户：请解释 Python 中的列表推导式，包括基本语法和 2-3 个实用示例。

---

2. 提供详细说明和具体示例

提供足够的؜上下文信息和期望的⁠输出格式示例，减少‏模型的不确定性。

请提供一个社交媒体营销计划，针对一款新上市的智能手表。计划应包含:
1. 目标受众描述
2. 三个内容主题

示例格式:
目标受众: [描述]
内容主题: [主题1], [主题2], [主题3]

---

3. 明确输出格式要求

指定输出的格式、长度、风格等要求，获得更符合预期的结果。

撰写一篇关于气候变化的科普文章，要求:
- 使用通俗易懂的语言，适合高中生阅读
- 包含5个小标题，每个标题下2-3段文字
- 总字数控制在800字左右
- 结尾提供3个可行的个人行动建议

1.2.2 进阶提示技巧

1. 分步骤指导（Step-by-Step）

将复杂任务分解为可管理的步骤，确保模型完成每个关键环节。

请帮我创建一个简单的网站落地页设计方案，按照以下步骤:

步骤1: 分析目标受众(考虑年龄、职业、需求等因素)
步骤2: 确定页面核心信息(主标题、副标题、价值主张)
步骤3: 设计页面结构(至少包含哪些区块)
步骤4: 制定视觉引导策略(颜色、图像建议)
步骤5: 设计行动召唤(CTA)按钮和文案

---

2. 少样本学习（Few-Shot Learning）

通过提供几؜个输入-输出对的示⁠例，帮助模型理解任‏务模式和期望输出。

我将给你一些情感分析的例子，然后请你按照同样的方式分析新句子的情感倾向。

输入: "这家餐厅的服务太差了，等了一个小时才上菜"
输出: 负面，因为描述了长时间等待和差评服务

输入: "新买的手机屏幕清晰，电池也很耐用"
输出: 正面，因为赞扬了产品的多个方面

现在分析这个句子:
"这本书内容还行，但是价格有点贵"

核心：任务越复杂，就越要给 Prompt 补充更多细节

2. SpringAI 核心特性

2.1 多轮对话实现

要实现具有 "记忆力" 的 AI 应用，让 AI 能够记住用户之前的对话内容并保持上下文连贯性，我们可以使用Spring AI 框架的 对话记忆能力。

2.1.1 ChatClient

之前我们是直接使用 Spring Boot 注入的 ChatModel 来调用大模型完成对话，而通过我们自己构造的 ChatClient，可实现功能更丰富、更灵活的 AI 对话客户端，也更推荐通过这种方式调用 AI。

通过示例代码，؜能够感受到 ChatMode⁠l 和 ChatClient 的‏区别。ChatClien‌t 支持更复杂灵活的链式调用‏（Fluent API）：

// 基础用法(ChatModel)
ChatResponse response = chatModel.call(new Prompt("你好"));

// 高级用法(ChatClient)
ChatClient chatClient = ChatClient.builder(chatModel)
    .defaultSystem("你是恋爱顾问")
    .build();
    
String response = chatClient.prompt().user("你好").call().content();

---

2.1.2 构建方式‌

方式 1：构造器注入（Spring 项目专用）

服务类代码

@Service
public class CodeService {  // 类名贴合编程场景
    private final ChatClient chatClient;  // 配置好的AI编程工具
    
    // Spring自动传入建造者，只需配置编程助手身份
    public CodeService(ChatClient.Builder builder) {
        this.chatClient = builder
            .defaultSystem("你是编程助手，擅长Java、Python代码解答，会解释原理")  // 设定AI身份
            .build();  // 生成工具
    }
    
    // 对外提供编程问题查询方法
    public String askCodeQuestion(String question) {
        return chatClient.send(question);  // 调用工具发送问题
    }
}

控制器使用示例

@RestController
public class CodeController {
    @Autowired  // Spring自动注入CodeService
    private CodeService codeService;
    
    @GetMapping("/ask-code")
    public String askCode(String question) {
        // 调用服务获取AI的编程解答
        return codeService.askCodeQuestion(question);
    }
}

方式 2：建造者模式（非 Spring 项目用）

public class CodeDemo {
    public static void main(String[] args) {
        // 1. 准备基础AI模型（工具内核）
        ChatModel chatModel = new ChatModel("你的APIKey");
        
        // 2. 用建造者模式组装工具（设定编程助手身份）
        ChatClient chatClient = ChatClient.builder(chatModel)
            .defaultSystem("你是编程助手，会写代码、查bug")
            .build();
        
        // 3. 调用工具提问
        String answer = chatClient.send("Python怎么读取Excel文件？");
        System.out.println(answer);  // 输出AI的解答
    }
}

---

2.1.3 响应格式

// ChatClient支持多种响应格式
// 1. 返回 ChatResponse 对象（包含元数据如 token 使用量）
ChatResponse chatResponse = chatClient.prompt()
    .user("Tell me a joke")
    .call()
    .chatResponse();

// 2. 返回实体对象（自动将 AI 输出映射为 Java 对象）
// 2.1 返回单个实体
record ActorFilms(String actor, List<String> movies) {}
ActorFilms actorFilms = chatClient.prompt()
    .user("Generate the filmography for a random actor.")
    .call()
    .entity(ActorFilms.class);

// 2.2 返回泛型集合
List<ActorFilms> multipleActors = chatClient.prompt()
    .user("Generate filmography for Tom Hanks and Bill Murray.")
    .call()
    .entity(new ParameterizedTypeReference<List<ActorFilms>>() {});

// 3. 流式返回（适用于打字机效果）
Flux<String> streamResponse = chatClient.prompt()
    .user("Tell me a story")
    .stream()
    .content();

// 也可以流式返回ChatResponse
Flux<ChatResponse> streamWithMetadata = chatClient.prompt()
    .user("Tell me a story")
    .stream()
    .chatResponse();

---

2.1.4 Advisors

Spring AI 使用 Advisors（顾问）机制来增强 AI 的能力，可以理解为一系列可插拔的拦截器，在调用 AI 前和调用 AI 后可以执行一些额外的操作，比如：

• 前置增强：调用 AI 前改写一下 Prompt 提示词、检查一下提示词是否安全
• 后置增强：调用 AI 后记录一下日志、处理一下返回的结果

关键组件解析

组件	作用	开发场景
Prompt	原始用户输入	开发者直接处理用户输入
AdvisedRequest	增强的请求对象	添加上下文/角色设定（如defaultSystem("恋爱顾问")）
AroundAdvisor	拦截器（AOP 思想）	核心扩展点 ： • 日志记录 • 请求改写 • 权限校验 • 敏感词过滤
Chat Model	AI 模型接口	对接 OpenAI/Anthropic 等大模型
ChatResponse	原始 AI 响应	包含元数据（token 用量等）
AdvisedResponse	增强的响应对象	结果格式化/业务逻辑封装

开发重点：AroundAdvisor（拦截器）

这是最强大的扩展点，可自定义处理逻辑：

1.动态角色设定

// 在 Before 拦截器中
if(request.getUser().isPremium()) {
    request.setSystemRole("高级情感顾问");
} else {
    request.setSystemRole("基础情感助手");
}

2.敏感词过滤

// 在 After 拦截器中
if(response.contains("暴力内容")) {
    return response.filterSensitiveWords();
}

3.业务逻辑集成

// 调用前注入业务数据
request.addContext("用户订单历史: " + orderService.getHistory());

---

3. 总结

本文介绍了 Prompt 工程与 SpringAI 核心特性。Prompt 工程包括基本概念、三类 Prompt（用户、系统、助手）及优化技巧（明确任务角色、分步骤指导等）。SpringAI 核心特性涵盖多轮对话实现（ChatClient 的构建与使用）、多种响应格式，以及 Advisors 机制（通过拦截器增强 AI 能力），还解析了关键组件和开发重点，助力构建更高效的 AI 应用。

---

大功告成！

出处：编程导航