【Prompt提示词】

摘要：

本文简单了SpringAI框架中的提示词Prompt，提示词是与AI模型交互的核心组件，其设计直接影响模型输出质量。消息分为User、System、Assistant和Tool四种角色，分别对应不同交互场景。高效提示词应包含清晰指令、上下文、用户输入和输出格式要求。框架支持通过占位符实现动态数据替换。Token是模型处理文本的基础单元，其数量限制和计费方式对应用开发至关重要。开发者需合理控制Token使用量以优化成本和性能。

Spring官方定义 ：

提示词是引导 AI 模型生成特定输出的输入，其设计和措辞显著影响模型响应。

在 Spring AI 与 AI 模型的基础交互层中，提示词的处理方式类似于 Spring MVC 中的 "View" 管理，即创建包含动态内容占位符的扩展文本，随后根据用户请求或应用代码替换这些占位符。另一种类比是包含表达式占位符的 SQL 语句。

一，角色（Role）

1，定义

每条消息被分配特定角色，这些角色对消息进行分类，向 AI 模型阐明提示每个片段的上下文和目的。这种结构化方法通过让提示的每个部分在交互中扮演明确角色，增强了与 AI 沟通的精细度和有效性。

2，User角色（用户提示词）

代表用户的输入 --- 包括问题、命令或对 AI 的陈述。该角色构成 AI 响应的基础，具有根本重要性。

    public Flux<String> service(String prompt){
        return serviceChatClient
                .prompt()
                .user(prompt)// 传入user提示词
                .stream()
                .content();
    }

3，System角色（系统提示词）

指导 AI 的行为和响应风格，设定 AI 解释和回复输入的参数或规则，类似于在开始对话前向 AI 提供指令。

（1）默认的系统提示词（全局）

    @Bean
    public ChatClient gameChatClient(OpenAiChatModel model, ChatMemory chatMemory) {
        return ChatClient
                .builder(model)
                .defaultSystem(SystemConstants.GAME_SYSTEM_PROMPT)
                .defaultAdvisors(
                        new SimpleLoggerAdvisor(),
                        new MessageChatMemoryAdvisor(chatMemory)
                )
                .build();
    }

（2）会话的系统提示词（当前会话）

    public Flux<String> service(String prompt){
        return serviceChatClient
                .prompt()
                .user(prompt)// 传入user提示词
                .system("system prompt") // 会话系统提示词
                .stream()
                .content();
    }

4，Assistant 角色

AI 对用户输入的响应，不仅是答案或反应，更对维持对话流至关重要。通过追踪 AI 之前的响应（其 "Assistant Role" 消息），系统确保连贯且上下文相关的交互。

助手消息也可能包含函数工具调用请求信息 --- 这是 AI 的特殊功能，在需要时执行计算、获取数据等超越对话的特定任务。

5，Tool/Function 角色

专注于响应工具调用类助手消息，返回附加信息，本质就是Tool Calling 工具调用，对自定义的函数进行响应。

    @Bean
    public ChatClient serviceChatClient(
            AlibabaOpenAiChatModel model,
            ChatMemory chatMemory,
            CourseTools courseTools) {
        return ChatClient.builder(model)
                .defaultSystem("系统提示词")
                .defaultAdvisors(
                        new MessageChatMemoryAdvisor(chatMemory),
                        new SimpleLoggerAdvisor())
                .defaultTools(courseTools)  // 自定义的Tools
                .build();
    }

二，提示词工程

在生成式 AI 中，提示词创建是开发者的关键任务。这些提示词的质量和结构显著影响 AI 输出的有效性。投入时间精心设计提示词可大幅提升 AI 生成结果。

1，创建高效提示词

（1）指令：向 AI 提供清晰直接的指示，类似于与人沟通的方式。这种明确性对帮助AI "理解" 预期目标至关重要。

（2）外部上下文：必要时包含相关背景信息或对 AI 响应的具体指导。这种 "外部上下文" 构建了提示框架，帮助 AI 理解整体场景。

（3）用户输入：这是直接部分 --- 用户构成提示核心的明确请求或问题。

（4）输出指示器：它需要指定 AI 响应的期望格式（如 JSON），但需注意 AI 可能不会严格遵循该格式。例如，它可能在实际 JSON 数据前添加 "这是您的JSON" 等短语，或有时生成不准确的类 JSON 结构（不建议）。

你是房屋租赁平台的智能客服"小居"，负责为用户提供租房全流程的贴心服务。
你的核心职责是用和蔼亲和的语气，自然流畅地解答用户租房相关问题，让用户感受到专业又温暖的支持。

面对用户咨询时，需主动理解需求：若用户找房，需询问预算、户型、位置等关键信息并精准匹配；
若涉及签约流程，需清晰说明合同条款、押金规则、租期要求等细节；
若反馈房屋问题，要耐心记录故障情况并指引报修流程。
交流中多用生活化表达，避免生硬术语，适时使用语气词（如"呀""呢"）增强亲切感。当用户情绪焦虑时，先安抚情绪再解决问题；对不确定的信息，明确告知"我帮你确认后回复"或转接人工，不随意承诺。
始终以"帮用户轻松租房"为目标，让每一次互动都高效又暖心～ 🏠

要求：在涉及增删改（除了查询）的function-call前，必须等用户回复"确认"后再调用tool，全程用中文与用户交流

2，提示词数据替换

（1）提示词中有需要在代码中替换的数据，如：今天的日期，使用占位符{}

今天的日期是 {current_date}

（2）在请求模型时通过.system()的param语句替换

    @GetMapping(value = "/chat", produces = "text/html;charset=UTF-8")
    public Flux<String> chat(String prompt) {
        //请求模型
        return chatClient.prompt()
                .user(prompt)
                .system(p->p.param("current_date", LocalDate.now()))
                .stream()
                .content();
    }

三，模型Token

Token 是 AI 模型处理文本的关键要素，作为桥梁将人类理解的单词转换为模型可处理的格式。该转换分两阶段进行：输入时单词转为 Token，输出时 Token 再转回单词。

1，Token化

（1）Token 化（将文本分解为 Token 的过程）是 AI 模型理解和处理语言的基础。模型通过这种 Token 化格式来理解并响应提示词。

（2）理解 Token，可将其视为单词的组成部分。通常一个 Token 相当于单词的约四分之三，例如莎士比亚全集约 90 万单词，会转换为约 120 万Token。

2，模型Token限制

（1）计费：AI 模型服务通常按 Token 使用量计费。输入（提示词）和输出（响应）均计入总 Token 数，因此更短的提示词更具成本效益。

（2）模型限制：不同 AI 模型拥有不同的 Token 限制，即其 "上下文窗口" --- 单次可处理的最大信息量。例 如GPT-3 限制为 4K Token。

（3）上下文窗口：模型的 Token 限制决定了其上下文窗口大小。超过该限制的输入不会被处理。关键在于仅发送最小必要有效信息集。

（4）响应元数据：AI 模型响应的元数据包含使用的 Token 数，这是管理使用量和成本的关键信息。