本文为个人学习笔记整理,仅供交流参考,非专业教学资料,内容请自行甄别。
文章目录
前言
本篇主要介绍Spring AI alibaba Prompt的概念,以及如何模板化配置,自定义Advisor拦截器。
一、Prompt
Prompt是提示词,简单来说,每次使用AI,在对话框中输入的提问内容,对于大模型来说就是提示词。
提示词也可以进行细分,主要可分为以下三种类型:
- 用户提示词:即用户每次向大模型进行提问的内容。
- 系统提示词:在进行AI应用开发时,开发者给大模型预先设置的
规则和角色定位
。例如:"扮演深耕编程领域的专家。开场向用户表明身份,告知用户可倾诉编程学习方面的难题。引导用户详述事情经过、对方反应及自身想法,以便给出专属解决方案。"通常不同领域的AI应用,预设的角色都是不同的,这一点要开发者根据实际业务需求进行定制。 - 助手提示词:是每次大模型在处理完用户的提问后,响应的内容。在多轮对话中,助手提示词也会作为上下文的一部分,影响后续的互动。
这三类提示词在代码中的体现,都实现了Message
接口:
二、Prompt模板化配置
在AI应用开发中,需要定义系统提示词。可以将提示词作为常量定义,或者保存在数据库中。Spring AI的官方提供了模板化配置的功能。模板化配置
Spring AI 中快速模板化的一个关键组件是PromptTemplate类,旨在方便创建结构化提示,然后发送到人工智能模型进行处理。
Spring AI 提供了PromptTemplate
的不同实现类,对应不同角色的消息:
- SystemPromptTemplate:系统消息
- AssistantPromptTemplate:助手消息
同时Spring AI 支持从模板文件中读取Prompt信息,并且动态替换占位符的功能,首先在项目的resources目录下定义一个文件:system-message.st
,文件中的内容带有占位符:
"扮演深耕{field}领域的专家。开场向用户表明身份,告知用户可倾诉{type}难题。引导用户详述事情经过、对方反应及自身想法,以便给出专属解决方案。"
因为上述的文案,是给AI大模型预设的,所以应该构造一个SystemPromptTemplate
,并且将读取到的文件内容赋值给它:
java
@Value("classpath:/promts/system-message.st")
Resource systemResource;
//.....
SystemPromptTemplate systemPromptTemplate = new SystemPromptTemplate(systemResource);
然后使用SystemPromptTemplate
的createMessage
API,进行占位符填充,并获取最终的提示词。
java
String text = systemPromptTemplate.createMessage(Map.of("field", "JAVA编程", "type", "学习方向")).getText();
三、Advisor
Spring AI中的Advisor,相当于Spring 的AOP切面,允许用户在调用大模型前后,执行一些操作,getOrder()方法决定多个Advisor组成的责任链的执行顺序(较低的值首先被执行),而getName()则是提供一个自定义的名称。
它有两个实现类,分别是CallAroundAdvisor
和StreamAroundAdvisor
。代表了不同的模式(流式或非流式)。用户在自定义实现时最好两个都要实现。
和Spring 的 AOP切面一样,多个Advisor会组成责任链,责任链和大模型之间的交互:
- Spring AI从用户的Prompt提示词,创建一个
ChatClientRequest
,并且创建一个context
上下文对象,用于在整个责任链中进行消息传递。 - 链中的每个Advisor都会处理请求,并可能对请求的内容进行修改。也可以直接拦截请求,不向下一个Advisor传递,并且构造响应,返回结果。
- 由框架提供的最终Advisor将请求发送至大模型。
- 模型的响应随后通过责任链进行传递并转化为
ChatClientResponse
(包含了context
上下文对象),每个后置的Advisor也可以对响应进行处理。 - 最终的
ChatClientResponse
通过提取ChatCompletion
返回客户端。
Spring AI提供了一些内置的Advisor,对功能进行扩展:
日志拦截器,在请求和响应时打印日志,但是级别是debug
敏感词拦截器,拦截用户自定义的敏感词,如果发现用户提问包含敏感词,就直接拦截,构造响应返回给用户,响应内容也是可以用户自定义的
可以通过ChatClient
的defaultAdvisors
API,加入自定义的拦截器。
java
chatClient = ChatClient.builder(
dashScopeChatModel
).defaultSystem(text)
//基于数据库的会话记忆保存
.defaultAdvisors(new MessageChatMemoryAdvisor(dbBasedChatMemory),
//自定义日志拦截器
new MyLogAdvisor(),
//敏感词检测
new SensitiveWordCheckAdvisor())
.build();
四、自定义Advisor
用户自定义Advisor,最好需要同时实现CallAroundAdvisor
, StreamAroundAdvisor
两个接口,分别重写流式和非流式的相关方法,例如自定义的日志拦截器:
java
/**
* 自定义日志拦截器
*/
@Slf4j
public class MyLogAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {
@Override
public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {
//前置增强
log.info("自定义日志拦截器,AI request:{}",advisedRequest.userText());
//调用下一个拦截器
AdvisedResponse advisedResponse = chain.nextAroundCall(advisedRequest);
//后置增强
log.info("自定义日志拦截器,AI response:{}",advisedResponse.response().getResult().getOutput().getText());
return advisedResponse;
}
@Override
public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {
//前置增强
log.info("自定义日志拦截器,AI request:{}",advisedRequest.userText());
Flux<AdvisedResponse> advisedResponseFlux = chain.nextAroundStream(advisedRequest);
return new MessageAggregator().aggregateAdvisedResponse(advisedResponseFlux, new Consumer<AdvisedResponse>() {
@Override
public void accept(AdvisedResponse advisedResponse) {
//后置增强
log.info("自定义日志拦截器,AI response:{}",advisedResponse.response().getResult().getOutput().getText());
}
});
}
@Override
public String getName() {
return this.getClass().getSimpleName();
}
@Override
public int getOrder() {
return 0;
}
}
自定义Re2拦截器,其实现方式是取出用户的提问词,然后重复发给AI。但是每次用户的对话是需要消耗token的,这样的做法相当于消耗了双倍的token。
java
/**
* 自定义 Re2 Advisor
* 可提高大型语言模型的推理能力
*/
public class ReReadingAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {
private AdvisedRequest before(AdvisedRequest advisedRequest) {
Map<String, Object> advisedUserParams = new HashMap<>(advisedRequest.userParams());
advisedUserParams.put("re2_input_query", advisedRequest.userText());
return AdvisedRequest.from(advisedRequest)
.userText("""
{re2_input_query}
Read the question again: {re2_input_query}
""")
.userParams(advisedUserParams)
.build();
}
@Override
public AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {
return chain.nextAroundCall(this.before(advisedRequest));
}
@Override
public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {
return chain.nextAroundStream(this.before(advisedRequest));
}
@Override
public int getOrder() {
return 0;
}
@Override
public String getName() {
return this.getClass().getSimpleName();
}
}