解析 Prompt 工程中的四大核心角色

在大语言模型（LLM）交互中，Prompt 工程的本质是通过明确角色分工实现 "人机协作" 的高效闭环。无论是简单问答还是复杂的工具调用场景，都离不开四大核心角色的协同：系统角色（System） 、用户角色（User） 、工具角色（Tool） 和响应处理角色（Response Handler）。这四大角色共同构成了 LLM 应用的交互骨架，决定了 AI 行为的边界、交互的流畅度和结果的可用性。

代码地址

一、系统角色（System）：定义 AI 的 "行为准则"

系统角色是 LLM 的 "隐形指挥官"，通过预设指令定义 AI 的身份、能力边界和输出规范。它决定了 AI"是什么样的存在"，直接影响交互的专业性和可靠性。

核心职责

• 明确 AI 的身份定位（如法律助手、翻译官）
• 划定能力边界（如 "只回答法律问题"）
• 规范输出格式（如 "以 HTML 格式返回"）
• 设定交互风格（如 "简洁明了"、"详细严谨"）

代码实现与解析

在 Spring AI 中，系统角色通过SystemMessage或prompt().system()方法定义，是 Prompt 中优先级最高的指令。

// 场景1：法律助手角色定义（链式API）
@GetMapping("/prompt/chat")
public Flux<String> chat(String question) {
    return deepseekChatClient.prompt()
            // 系统角色：明确身份和边界
            .system("你是一个法律助手，只回答法律相关问题。" +
                    "回答需基于中国现行法律条文，避免模糊表述。" +
                    "若问题超出法律范围，直接回复'该问题不属于法律范畴'")
            .user(question)  // 用户输入
            .stream()
            .content();
}

// 场景3：格式约束的系统角色（手动构建Prompt）
@GetMapping("/prompt/chat3")
public Flux<String> chat3(String question) {
    // 系统角色：强制输出格式
    SystemMessage systemMessage = new SystemMessage(
        "你是内容排版助手，需将用户问题的答案以HTML格式返回。" +
        "要求：标题用<h3>，段落用<p>，重点用<strong>，列表用<ul><li>"
    );
    UserMessage userMessage = new UserMessage(question);
    Prompt prompt = new Prompt(userMessage, systemMessage);  // 组合系统指令与用户输入
    // ...
}

关键设计原则

• 指令具体化：避免模糊表述（如不说 "回答专业"，而说 "基于中国现行法律条文"）
• 边界清晰化：明确 "不能做什么"（如 "超出法律范围直接拒绝"）
• 格式标准化：对输出格式的约束要可执行（如明确 HTML 标签规则）

二、用户角色（User）：交互的 "发起者与需求方"

用户角色是交互的源头，通过输入传递需求。它的核心价值是清晰、准确地表达意图，为 AI 提供足够的上下文信息。

核心职责

• 传递原始需求（如 "解释《民法典》第 1043 条"）
• 提供必要上下文（如 "我是企业 HR，想了解劳动合同解除的条件"）
• 反馈交互结果（如 "请用更通俗的语言解释"）

代码实现与解析

用户角色的输入通过UserMessage或prompt().user()方法传递，在多轮对话中还需要携带历史上下文。

// 单轮对话：简单用户输入
@GetMapping("/prompt/chat4")
public String chat4(String question) {
    // 用户角色输入直接通过user()方法传递
    AssistantMessage assistantMessage = deepseekChatClient.prompt()
            .user(question)  // 用户需求：question参数
            .call()
            .chatResponse()
            .getResult()
            .getOutput();
    return assistantMessage.getText();
}

// 多轮对话：携带上下文的用户角色（伪代码）
public String multiTurnChat(String newQuestion, List<Message> history) {
    // 构建包含历史的Prompt：历史消息+新用户输入
    List<Message> messages = new ArrayList<>(history);
    messages.add(new UserMessage(newQuestion));  // 新的用户需求
    Prompt prompt = new Prompt(messages);
    
    return qwenChatModel.call(prompt)
            .getResult()
            .getOutput()
            .getText();
}

最佳实践

• 上下文完整性：复杂问题需提供背景（如 "我公司员工连续旷工 3 天，能否解除合同？" 比 "如何解除合同" 更有效）
• 需求明确化：避免歧义（如不说 "解释这个法律条文"，而说 "解释《民法典》第 1043 条在婚姻纠纷中的应用"）
• 渐进式提问：复杂需求分步骤提出（先问 "什么是劳动合同"，再问 "解除条件"）

三、工具角色（Tool）：AI 的 "能力扩展器"

工具角色是 LLM 突破自身知识局限的 "外挂"，通过调用外部系统（如 API、数据库、计算器）获取实时信息或执行复杂操作，让 AI 从 "纯文本交互" 升级为 "实际问题解决者"。

核心职责

• 提供实时数据（如天气查询、股票行情）
• 执行计算逻辑（如财务计算、数据分析）
• 操作外部系统（如发送邮件、查询数据库）
• 将工具结果格式化回传给 AI

代码实现与解析

Spring AI 通过ToolResponseMessage封装工具调用结果，实现 "AI - 工具 - AI" 的闭环。

@GetMapping("/prompt/chat5")
public String chat5(String city) {
    // 1. 第一步：AI判断是否需要调用工具（模拟场景）
    String initialAnswer = deepseekChatClient.prompt()
            .user(city + "未来3天天气情况如何?")  // 用户问天气（AI无实时数据）
            .call()
            .chatResponse()
            .getResult()
            .getOutput()
            .getText();
    // （实际场景中，AI会返回工具调用指令，如{"tool":"weatherApi","params":{"city":"北京"}}）
    
    // 2. 第二步：调用工具获取数据（模拟天气API调用）
    String weatherData = mockWeatherApiCall(city);  // 工具角色：返回实时天气
    
    // 3. 第三步：工具结果封装为ToolResponseMessage回传给AI
    ToolResponseMessage toolResponse = new ToolResponseMessage(
        List.of(new ToolResponseMessage.ToolResponse(
            "weather_api_123",  // 工具调用ID（用于多工具区分）
            "获取天气数据",     // 工具描述
            weatherData         // 工具返回结果
        ))
    );
    
    // 4. 第四步：AI基于工具结果生成最终回答
    String finalAnswer = deepseekChatClient.prompt()
            .messages(
                new UserMessage(city + "未来3天天气情况如何?"),
                new AssistantMessage(initialAnswer),  // 历史：AI的初步响应
                toolResponse                          // 工具返回结果
            )
            .call()
            .chatResponse()
            .getResult()
            .getOutput()
            .getText();
    
    return finalAnswer;
}

// 模拟天气工具（工具角色的具体实现）
private String mockWeatherApiCall(String city) {
    return city + "未来3天天气：晴/25℃，多云/23℃，小雨/20℃";
}

工具调用流程

1. 触发判断：AI 接收用户需求后，判断是否需要工具（基于自身知识局限性）
2. 工具调用：应用程序解析 AI 的工具调用指令，调用对应外部系统
3. 结果回传 ：将工具返回的原始数据用ToolResponseMessage封装，作为新消息传入 Prompt
4. 二次处理：AI 基于工具结果生成自然语言回答

四、响应处理角色（Response Handler）：结果的 "最终塑造者"

响应处理角色负责将 AI 的原始输出转换为应用所需的形式，确保结果可用、易用。它是连接 AI 输出与用户体验的关键环节。

核心职责

• 格式转换（如将纯文本转为 HTML、JSON）
• 流式处理（实时返回长文本结果）
• 结果过滤（去除敏感信息、修正格式错误）
• 元数据处理（提取 token 统计、调用耗时等信息）

代码实现与解析

在 Spring AI 中，响应处理通过响应式操作（如map、filter）或同步处理实现，适配不同的交互场景。

// 场景2：获取完整元数据（响应处理：保留原始信息）
@GetMapping("/prompt/chat2")
public Flux<ChatResponse> chat2(String question) {
    SystemMessage systemMessage = new SystemMessage("你是一个讲故事的助手，擅长创作童话");
    UserMessage userMessage = new UserMessage(question);
    Prompt prompt = new Prompt(userMessage, systemMessage);
    
    // 响应处理：直接返回完整ChatResponse（包含元数据）
    return deepseekChatModel.stream(prompt);
    // ChatResponse包含：模型名称、token使用量、响应时间、完整消息等
}

// 场景3：格式转换（响应处理：提取并转换文本）
@GetMapping("/prompt/chat3")
public Flux<String> chat3(String question) {
    // ... 省略Prompt构建 ...
    
    // 响应处理：从ChatResponse中提取文本，并通过map转换
    return deepseekChatModel.stream(prompt)
            .map(response -> {
                String rawText = response.getResults().get(0).getOutput().getText();
                // 额外处理：去除可能的格式错误（如多余的HTML标签）
                return rawText.replaceAll("<[^>]*>", ""); 
            });
}

// 场景1：流式响应（响应处理：实时推送）
@GetMapping("/prompt/chat")
public Flux<String> chat(String question) {
    // ... 省略Prompt构建 ...
    
    // 响应处理：通过stream()实现流式返回，前端可逐段渲染
    return deepseekChatClient.prompt()
            .system(...)
            .user(question)
            .stream()  // 触发流式处理
            .content(); // 提取文本内容
}

响应处理策略

• 实时性优先 ：长文本场景用流式响应（Flux），避免用户等待
• 结构化优先：需存储或二次处理的场景，转换为 JSON/XML 等格式
• 透明性优先：调试或成本监控场景，保留完整元数据（token 数、模型信息）

四大角色的协同逻辑：从需求到结果的闭环

四大角色并非孤立存在，而是形成了完整的交互链路：

用户角色（提需求）→ 系统角色（定规则）→ AI（初处理）
→ [工具角色（补能力）→ AI（再处理）] → 响应处理角色（塑结果）→ 用户（获答案）

• 系统角色贯穿全程，为 AI 提供 "行为指南"
• 用户角色是起点，需求的质量决定交互效率
• 工具角色是扩展，解决 AI"做不到" 的问题
• 响应处理角色是终点，决定用户最终体验

例如在 "法律查询 + 案例检索" 场景中：

1. 用户角色提出 "劳动合同解除的赔偿标准"（需求）
2. 系统角色定义 "法律助手，需引用法条和案例"（规则）
3. AI 初步回答法条内容，但发现需要最新案例（触发工具调用）
4. 工具角色调用 "裁判文书网 API" 获取案例（扩展能力）
5. 响应处理角色将法条 + 案例整合成 HTML 格式（结果塑造）
6. 用户获得结构化的法律参考（最终体验）

总结：角色设计是 Prompt 工程的核心

四大角色的设计质量直接决定 LLM 应用的效果：系统角色定义 AI 的 "专业性"，用户角色决定交互的 "准确性"，工具角色扩展 AI 的 "能力边界"，响应处理角色保障结果的 "可用性"。

在实际开发中，需根据业务场景灵活调整角色权重：

• 客服场景：强化系统角色的 "服务语气" 和响应处理的 "实时性"
• 数据分析场景：强化工具角色的 "计算能力" 和响应处理的 "结构化"
• 创作场景：弱化系统角色的约束，强化用户角色的 "创意引导"

理解并掌握这四大角色的协同逻辑，是从 "简单调用 LLM" 到 "构建企业级 LLM 应用" 的关键一步。