Spring AI 06 提示词（Prompt）全场景实战：从基础到高级模板用法

程序员小郭832026-03-25 15:21

在 Spring AI 开发中，Prompt（提示词） 是与大模型交互的核心，灵活的提示词设计能直接决定AI回答的质量。本文基于你提供的完整代码，详细讲解 Spring AI 中基础提示词、系统提示词、动态参数提示词、模板化提示词、外部文件提示词的全套用法，让你轻松掌握提示词的高级编排技巧。

一、前置说明

本文基于 Spring AI + Ollama 环境，使用我们上文中配置好的 ollamaChatClient 实现流式响应，所有接口均支持中文、无乱码、可直接运行测试。

核心依赖（确保已引入）：

xml 复制代码 
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
</dependency>

二、完整代码 + 逐接口详解

1. 基础提示词（最简单调用）

直接传入用户问题，无任何额外配置，最基础的AI调用方式。

java 复制代码 
/**
 * 1. 基础提示词：直接传入用户问题
 */
@GetMapping(value = "/chat1", produces = "text/stream;charset=utf-8")
public Flux<String> chat1() {
    String userInput = "今天的天气怎么样？";
    return ollamaChatClient.prompt()
            .user(userInput)
            .stream()
            .content();
}

✅ 适用场景：简单问答、无角色设定、无格式要求的场景。

2. 系统提示词（设定AI角色）

使用 .system() 给AI设定固定角色/风格，优先级高于全局配置。

java 复制代码 
/**
 * 2. 系统提示词：设定AI回答风格（优先级高于全局）
 */
@GetMapping(value = "/chat2", produces = "text/stream;charset=utf-8")
public Flux<String> chat2() {
    String userInput = "今天的天气怎么样？";
    return ollamaChatClient.prompt()
            .system("以小朋友的风格来回答") // 系统提示词：角色设定
            .user(userInput)
            .stream()
            .content();
}

✅ 效果：AI会用可爱、简单、口语化的小朋友语气回答天气问题。

3. 动态参数系统提示词（变量传参）

系统提示词支持动态参数 ，通过 .param() 传入变量，灵活切换角色。

java 复制代码 
/**
 * 3. 动态参数系统提示词：前端传入角色，动态生成提示词
 */
@GetMapping(value = "/chat3", produces = "text/stream;charset=utf-8")
public Flux<String> chat3(String role) {
    String userInput = "今天的天气怎么样？";
    return ollamaChatClient.prompt()
            .system(spec -> spec.text("以{role}的语气风格回答问题").param("role", role))
            .user(userInput)
            .stream()
            .content();
}

✅ 测试示例：

  • 请求：/prompt/chat3?role=天气预报员
  • AI效果：以专业天气预报员的身份回答问题

4. PromptTemplate 模板提示词

使用 PromptTemplate 标准化构建提示词，支持变量渲染。

java 复制代码 
/**
 * 4. PromptTemplate模板：标准化构建提示词
 */
@GetMapping(value = "/chat4", produces = "text/stream;charset=utf-8")
public Flux<String> chat4(String weather) {
    // 定义模板
    PromptTemplate template = new PromptTemplate("今天是{weather}吗？");
    // 渲染变量
    Prompt prompt = template.create(Map.of("weather", weather));

    return ollamaChatClient.prompt(prompt)
            .stream()
            .content();
}

✅ 测试 ：传入 weather=晴天，最终提示词为：今天是晴天吗？

5. 自定义分隔符模板（<> 替代 {}）

默认模板使用 {} 分隔变量，可自定义分隔符（如 <>）避免冲突。

java 复制代码 
/**
 * 5. 自定义模板分隔符：使用<>代替{}，避免语法冲突
 */
@GetMapping(value = "/chat5", produces = "text/stream;charset=utf-8")
public Flux<String> chat5(String weather) {
    PromptTemplate promptTemplate = PromptTemplate.builder()
            // 自定义分隔符 < >
            .renderer(StTemplateRenderer.builder()
                    .startDelimiterToken('<')
                    .endDelimiterToken('>')
                    .build())
            .template("""
                    今天是<weather>吗？
                     """)
            .build();
    // 渲染变量
    String prompt = promptTemplate.render(Map.of("weather", weather));

    return ollamaChatClient.prompt(prompt)
            .stream()
            .content();
}

✅ 适用场景 ：提示词中本身包含大括号{}，避免变量解析错误。

6. 外部文件加载提示词（text.st）

最实用的企业级用法：将提示词写在外部文件中，无需修改代码即可更新提示词。

java 复制代码 
/**
 * 6. 外部文件提示词：从本地.st文件加载系统提示词
 */
@GetMapping(value = "/chat6", produces = "text/stream;charset=utf-8")
public Flux<String> chat6(String weather) {
    // 加载本地提示词文件
    var systemResource = new FileSystemResource("C:\\Users\\user\\OneDrive\\桌面\\text.st");
    // 构建系统提示模板
    SystemPromptTemplate systemPromptTemplate = new SystemPromptTemplate(systemResource);
    // 渲染变量
    String prompt = systemPromptTemplate.create(Map.of("weather", weather)).getContents();

    return ollamaChatClient.prompt(prompt)
            .stream()
            .content();
}
📄 外部文件 text.st 内容示例：
复制代码 
你是一个专业的天气助手，只回答天气相关问题。
用户问题：{weather}
请用简洁、专业的语言回答。

✅ 优势：提示词与代码解耦，支持热更新、多人协作编辑。

三、完整 Controller 代码（可直接复制）

java 复制代码 
package com.easyai;

import jakarta.annotation.Resource;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.chat.prompt.PromptTemplate;
import org.springframework.ai.chat.prompt.SystemPromptTemplate;
import org.springframework.ai.template.st.StTemplateRenderer;
import org.springframework.core.io.FileSystemResource;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;
import reactor.core.publisher.Flux;

import java.util.Map;

@RestController
@RequestMapping("/prompt")
@Slf4j
public class PromptController {

    @Resource
    private ChatClient ollamaChatClient;

    // 1. 基础提示词
    @GetMapping(value = "/chat1", produces = "text/stream;charset=utf-8")
    public Flux<String> chat1() {
        String userInput = "今天的天气怎么样？";
        return ollamaChatClient.prompt()
                .user(userInput)
                .stream()
                .content();
    }

    // 2. 固定系统提示词
    @GetMapping(value = "/chat2", produces = "text/stream;charset=utf-8")
    public Flux<String> chat2() {
        String userInput = "今天的天气怎么样？";
        return ollamaChatClient.prompt()
                .system("以小朋友的风格来回答")
                .user(userInput)
                .stream()
                .content();
    }

    // 3. 动态参数系统提示词
    @GetMapping(value = "/chat3", produces = "text/stream;charset=utf-8")
    public Flux<String> chat3(String role) {
        String userInput = "今天的天气怎么样？";
        return ollamaChatClient.prompt()
                .system(spec -> spec.text("以{role}的语气风格回答问题").param("role", role))
                .user(userInput)
                .stream()
                .content();
    }

    // 4. PromptTemplate模板
    @GetMapping(value = "/chat4", produces = "text/stream;charset=utf-8")
    public Flux<String> chat4(String weather) {
        PromptTemplate template = new PromptTemplate("今天是{weather}吗？");
        Prompt prompt = template.create(Map.of("weather", weather));

        return ollamaChatClient.prompt(prompt)
                .stream()
                .content();
    }

    // 5. 自定义分隔符模板
    @GetMapping(value = "/chat5", produces = "text/stream;charset=utf-8")
    public Flux<String> chat5(String weather) {
        PromptTemplate promptTemplate = PromptTemplate.builder()
                .renderer(StTemplateRenderer.builder().startDelimiterToken('<').endDelimiterToken('>').build())
                .template("""
                        今天是<weather>吗？
                         """)
                .build();
        String prompt = promptTemplate.render(Map.of("weather", weather));

        return ollamaChatClient.prompt(prompt)
                .stream()
                .content();
    }

    // 6. 外部文件加载提示词
    @GetMapping(value = "/chat6", produces = "text/stream;charset=utf-8")
    public Flux<String> chat6(String weather) {
        var systemResource = new FileSystemResource("C:\\Users\\user\\OneDrive\\桌面\\text.st");
        SystemPromptTemplate systemPromptTemplate = new SystemPromptTemplate(systemResource);
        String prompt = systemPromptTemplate.create(Map.of("weather", weather)).getContents();

        return ollamaChatClient.prompt(prompt)
                .stream()
                .content();
    }
}

四、核心知识点总结

  1. 基础提示词 ：.user() 直接传入问题，快速调用
  2. 系统提示词 ：.system() 设定AI角色，优先级最高
  3. 动态提示词 ：使用 {变量} + .param() 实现灵活传参
  4. 模板提示词 ：PromptTemplate 标准化管理提示词
  5. 自定义分隔符：解决模板符号冲突问题
  6. 外部文件提示词：企业级最佳实践，提示词与代码解耦

五、测试建议

  1. 启动项目后，逐个访问接口测试效果
  2. 测试 /chat3 时传入不同角色（天气预报员、诗人、老师）
  3. 创建 text.st 文件测试外部提示词功能
  4. 所有接口均支持流式响应，浏览器访问可看到逐字输出

总结

本文覆盖了 Spring AI Prompt 提示词 100% 常用场景 ，从简单到企业级模板用法全部包含，代码可直接运行、可直接用于项目开发。配合上一篇的 多智能体 + Advisor，你已经完全掌握 Spring AI 核心开发能力！

相关推荐
高洁014 小时前
工业AI部署：模型量化与边缘设备部署实战
人工智能·深度学习·机器学习·数据挖掘·transformer
上海达策TECHSONIC4 小时前
汽车零配件 SAP 转型数字化标杆 上海达策实施 SAP Business One 赋能汽车底盘转向领域
大数据·运维·人工智能·汽车·运维开发·制造
IT_陈寒4 小时前
Vue这个响应式陷阱让我加了两天班
前端·人工智能·后端
泰恒4 小时前
ChatGPT发展历程
人工智能·深度学习·yolo·机器学习·计算机视觉
Omics Pro4 小时前
斯坦福：强化学习生物约束型虚拟细胞建模
人工智能·深度学习·算法·机器学习·计算机视觉·数据挖掘·数据分析
阿坤带你走近大数据4 小时前
什么是数据挖掘
人工智能·数据挖掘
TechWayfarer4 小时前
RSAC 2026启示录：从IP归属到IP风险画像，风控系统如何防御住宅代理与AI攻击？
网络·人工智能·python·tcp/ip·ip
做个文艺程序员4 小时前
Hermes Agent 技术深潜（三）：记忆系统与学习循环的完整源码解析
人工智能
泰恒4 小时前
YOLO如何通过数据集与标签学习特征并完成模型训练
人工智能·深度学习·yolo·机器学习·计算机视觉
分布式存储与RustFS4 小时前
S3 协议兼容性实测：RustFS vs MinIO vs 阿里云 OSS，谁能完美适配 AI 训练与跨云迁移？
人工智能·阿里云·云计算·对象存储·oss·rustfs·minio平替
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02GitHub 镜像站点03一周AI热点速览（2026.03.31-04.06）：GPT-6曝光、谷歌开源Gemma 4、资本狂飙与模型军备竞赛04GPT-6核心能力解析及与现有主流大模型对比05基于 Docker 部署 Hermes Agent 并接入飞书机器人的完整指南06零成本！Ollama本地部署国产大模型全指南（支持Kimi-K2.5/GLM-5/Qwen，新手秒上手）07AI Weekly | 2026年4月第二周 · GitHub热门项目与AI发展趋势深度解析08免费！不限量！用opencode接入英伟达（NVIDIA）大模型，轻松打造你的 AI 编程助手09从限购到畅通：GLM-5.1 Coding Plan接入攻略10CodeBuddy与WorkBuddy深度对比：腾讯两款AI工具差异及实操指南