Spring AI Prompt 实战：System Prompt、User Prompt 与 PromptTemplate

Spring AI 从 0 到 1 系列教程 · 第 03 章

上一章我们完成了 Spring Boot + Spring AI + DeepSeek 的第一次整合，并成功实现了一个 AI 聊天接口。

我们已经可以这样调用 AI：

text 复制代码

用户问题
   ↓
ChatClient
   ↓
DeepSeek
   ↓
AI 回答

但是很快就会发现一个问题：

如果只是把用户的问题原封不动地交给大模型，我们很难控制 AI 应该"怎么回答"。

例如用户输入：

text 复制代码

什么是 Redis？

我们可能希望 AI：

使用中文回答
面向 Java 初学者
先解释概念
再解释原理
最后给出 Java 示例
不要回答与 Redis 无关的问题

这时候，仅仅使用：

java 复制代码

.user(message)

显然不够。

我们需要告诉 AI：

你是谁、应该做什么、应该怎么做。

这就是 Prompt 的作用。

本章我们将系统学习 Spring AI 中的 Prompt，并重点掌握：

text 复制代码

Prompt
    ↓
System Prompt
    ↓
User Prompt
    ↓
Message
    ↓
PromptTemplate
    ↓
动态参数
    ↓
企业级 Prompt 设计

最终，我们会把上一章简单的聊天接口升级成一个真正可控的 AI 聊天接口。

一、什么是 Prompt？

Prompt 可以简单理解成：

我们发送给大模型的指令和上下文。

比如：

text 复制代码

请介绍一下 Spring AI。

这就是一个最简单的 Prompt。

再复杂一点：

text 复制代码

你是一名 Java 高级工程师。

请介绍一下 Spring AI。

要求：
1. 使用中文回答
2. 面向 Java 初学者
3. 先介绍概念
4. 再介绍核心原理
5. 最后给出一个简单代码示例

这同样是 Prompt。

所以：

text 复制代码

Prompt ≈ 给 AI 的任务说明 + 上下文 + 约束

二、为什么需要 Prompt？

上一章我们实现的是：

java 复制代码

return chatClient
        .prompt()
        .user(message)
        .call()
        .content();

如果用户输入：

text 复制代码

介绍一下 Spring AI

Spring AI 基本就是把用户的问题交给模型。

但是在实际业务中，我们往往需要对 AI 进行控制。

例如：

text 复制代码

你是一名 Java 技术专家。

这是角色定义。

又比如：

text 复制代码

必须使用中文回答。

这是输出约束。

再比如：

text 复制代码

回答必须包含：
1. 概念
2. 原理
3. 示例
4. 注意事项

这是输出格式要求。

最终：

text 复制代码

角色
 +
任务
 +
上下文
 +
约束
 =
Prompt

因此：

Prompt 是 AI 应用开发中非常基础，也非常重要的一层。

三、Prompt 不只是"给 AI 的一句话"

很多刚接触大模型的开发者会把 Prompt 理解成：

text 复制代码

prompt = "你好"

其实在实际 AI 应用中，一个完整的 Prompt 通常包含多个部分。

可以简单理解为：

text 复制代码

Prompt
 │
 ├── System Message
 │
 ├── User Message
 │
 ├── Assistant Message
 │
 └── Context

其中最重要的是：

text 复制代码

System
User

我们先重点理解这两个。

四、System Prompt 是什么？

System Prompt 可以理解为：

告诉 AI "你是谁、你的职责是什么、你应该遵守什么规则"。

例如：

text 复制代码

你是一名 Java 高级工程师。
你需要帮助用户解决 Java 后端开发问题。
请使用中文回答。
如果问题与 Java 无关，请告诉用户你主要负责 Java 技术问题。

这就是一个典型的 System Prompt。

它相当于给 AI 设置一个：

角色 + 行为规范。

五、User Prompt 是什么？

User Prompt 就是：

用户当前真正想让 AI 完成的任务。

例如：

text 复制代码

什么是 Spring AI？

或者：

text 复制代码

帮我解释一下 Spring AI 中 ChatClient 的作用。

所以可以简单理解：

text 复制代码

System Prompt
    ↓
规定"你是谁"

User Prompt
    ↓
告诉"你现在要做什么"

例如：

text 复制代码

System：

你是一名 Java 高级工程师。
请使用中文回答技术问题。

User：

什么是 Spring AI？

模型综合这两部分内容之后生成最终答案。

六、System Prompt 和 User Prompt 的区别

可以通过一个非常简单的例子理解。

假设我们创建一个：

Java 技术助手

System Prompt：

text 复制代码

你是一名拥有多年经验的 Java 高级工程师。

你的职责是帮助用户解决：
- Java
- Spring Boot
- Spring AI
- MySQL
- Redis

相关技术问题。

回答要求：
1. 使用中文
2. 先解释概念
3. 再解释原理
4. 最后给出代码示例

用户输入：

text 复制代码

什么是 Redis？

那么：

text 复制代码

System Prompt
       +
User Prompt
       ↓
      LLM
       ↓
最终回答

这时候 AI 的回答风格就会受到 System Prompt 的影响。

七、在 Spring AI 中如何设置 System Prompt？

回到上一章的代码。

我们之前是：

java 复制代码

return chatClient
        .prompt()
        .user(message)
        .call()
        .content();

现在可以增加：

java 复制代码

return chatClient
        .prompt()
        .system("""
                你是一名 Java 高级工程师。
                请使用中文回答用户的问题。
                回答需要尽可能准确、清晰。
                """)
        .user(message)
        .call()
        .content();

完整代码：

java 复制代码

public String chat(String message) {

    return chatClient
            .prompt()
            .system("""
                    你是一名 Java 高级工程师。
                    请使用中文回答用户的问题。
                    回答需要准确、清晰、易懂。
                    """)
            .user(message)
            .call()
            .content();
}

现在请求：

text 复制代码

介绍一下 Spring AI。

AI 就不再只是简单回答，而会根据我们设置的角色和规则生成答案。

八、为什么 System Prompt 要和 User Prompt 分开？

这是一个非常重要的设计思想。

我们可以把：

text 复制代码

System Prompt

理解成：

应用开发者定义的规则。

而：

text 复制代码

User Prompt

理解成：

用户动态输入的问题。

例如：

text 复制代码

System：

你是一名 Java 技术专家。
必须使用中文回答。

User：

什么是 Spring AI？

下一次：

text 复制代码

System：

你是一名 Java 技术专家。
必须使用中文回答。

User：

什么是 RAG？

System 不变，User 不断变化。

所以：

text 复制代码

System
   ↓
相对稳定

User
   ↓
动态变化

这也是实际项目中非常常见的 Prompt 设计方式。

九、一个更加真实的 AI 技术助手

现在我们来设计一个真正有一点业务意义的 Prompt。

System Prompt：

text 复制代码

你是一名资深 Java 后端工程师，同时熟悉 Spring AI。

你的主要职责是帮助 Java 开发者解决后端和 AI 应用开发问题。

回答要求：

1. 使用中文。
2. 优先给出准确的技术结论。
3. 对复杂概念进行分层解释。
4. 涉及代码时，优先使用 Java。
5. 如果涉及 Spring Boot，请给出完整的实现思路。
6. 如果问题存在多种解决方案，请说明各自优缺点。
7. 不要编造不存在的 API。

用户：

text 复制代码

什么是 RAG？

这样生成出来的答案通常会比单纯：

text 复制代码

RAG 是什么？

更加符合我们的业务需求。

十、Prompt 也可以直接写在配置中吗？

当然可以。

如果 System Prompt 很长，而且项目中需要统一维护，不建议全部写在 Java 方法里面。

例如：

text 复制代码

application.yml

可以保存一些配置。

但对于比较复杂的 Prompt，更推荐建立独立的 Prompt 管理方式。

例如：

text 复制代码

src/main/resources
├── prompts
│   ├── system.txt
│   ├── chat.txt
│   └── summary.txt

这样做的好处是：

text 复制代码

Java 代码
    ↓
业务逻辑

Prompt 文件
    ↓
AI 行为规则

两者可以进行分离。

十一、什么是 PromptTemplate？

如果每次 Prompt 都写死：

text 复制代码

请介绍 Java。

显然不够灵活。

实际项目中，我们往往需要动态参数。

例如：

text 复制代码

请介绍一下 {technology}。

当：

text 复制代码

technology = Java

最终变成：

text 复制代码

请介绍一下 Java。

如果：

text 复制代码

technology = Redis

最终变成：

text 复制代码

请介绍一下 Redis。

这就是：

Prompt Template（Prompt 模板）

核心思想：

text 复制代码

固定 Prompt
 +
动态参数
 ↓
最终 Prompt

十二、为什么需要 PromptTemplate？

假设我们有一个 AI 技术解释器。

每次用户传入一个技术名称：

text 复制代码

Java
Redis
MySQL
Spring Boot
Spring AI

我们都希望 AI 按照固定格式回答。

Prompt 可以设计成：

text 复制代码

你是一名 Java 技术专家。

请介绍技术：

{technology}

回答必须包含：

1. 技术是什么
2. 解决什么问题
3. 核心原理
4. 使用场景
5. Java 示例
6. 常见问题

这里：

text 复制代码

{technology}

就是动态变量。

十三、使用 PromptTemplate 构建动态 Prompt

Spring AI 提供了 Prompt 相关抽象，可以使用模板动态生成 Prompt。

例如：

java 复制代码

PromptTemplate template = new PromptTemplate("""
        你是一名 Java 技术专家。

        请介绍一下 {technology}。

        回答要求：
        1. 解释基本概念
        2. 介绍核心原理
        3. 给出使用场景
        4. 给出 Java 示例
        """);

然后传入参数：

java 复制代码

Prompt prompt = template.create(
        Map.of("technology", "Redis")
);

最终得到的 Prompt 相当于：

text 复制代码

你是一名 Java 技术专家。

请介绍一下 Redis。

回答要求：
1. 解释基本概念
2. 介绍核心原理
3. 给出使用场景
4. 给出 Java 示例

这样就实现了：

text 复制代码

模板
 +
参数
 ↓
Prompt

说明：不同 Spring AI 版本中 PromptTemplate 的具体 API 可能会有所调整，实际编码时应以当前项目所使用版本的 API 为准。

十四、PromptTemplate 和普通 String 有什么区别？

有人可能会问：

"我直接 String.format() 不就行了吗？"

例如：

java 复制代码

String prompt = """
        请介绍一下 %s。
        """.formatted("Redis");

当然可以。

但 AI 应用中的 Prompt 往往会越来越复杂。

例如：

text 复制代码

角色
 +
任务
 +
用户问题
 +
上下文
 +
格式要求
 +
知识库内容

如果全部使用字符串拼接：

java 复制代码

String prompt =
        "你是一名专家..."
        + "用户问题..."
        + "知识库..."
        + "...";

代码很容易变得难以维护。

PromptTemplate 的意义就在于：

把 Prompt 的固定结构和动态数据进行分离。

十五、一个更加真实的 PromptTemplate

假设我们开发：

AI Java 面试助手

Prompt：

text 复制代码

你是一名资深 Java 面试官。

请针对以下技术生成一道面试题：

技术名称：
{technology}

候选人级别：
{level}

要求：

1. 给出面试题
2. 给出标准答案
3. 给出面试官追问
4. 给出评分重点

传入：

text 复制代码

technology = Redis
level = 高级工程师

最终：

text 复制代码

你是一名资深 Java 面试官。

请针对以下技术生成一道面试题：

技术名称：
Redis

候选人级别：
高级工程师

要求：

1. 给出面试题
2. 给出标准答案
3. 给出面试官追问
4. 给出评分重点

这就已经非常接近真实 AI 产品了。

十六、把 PromptTemplate 接入 Service

我们可以设计一个：

java 复制代码

public String interviewQuestion(
        String technology,
        String level
)

然后构造 Prompt：

java 复制代码

PromptTemplate template = new PromptTemplate("""
        你是一名资深 Java 面试官。

        请针对以下技术生成一道面试题。

        技术名称：
        {technology}

        候选人级别：
        {level}

        要求：
        1. 给出面试题
        2. 给出标准答案
        3. 给出面试官追问
        4. 给出评分重点
        """);

传入参数：

java 复制代码

Prompt prompt = template.create(
        Map.of(
                "technology", technology,
                "level", level
        )
);

然后交给模型处理。

如果使用 ChatClient，在不同 Spring AI 版本中也可以直接利用其 Prompt 构建能力完成类似的模板化设计。

核心思想始终不变：

text 复制代码

Prompt Template
       ↓
动态参数
       ↓
最终 Prompt
       ↓
ChatClient
       ↓
LLM

十七、System Prompt + User Prompt + Template

现在我们把三个概念组合起来。

假设我们开发：

AI Java 面试官

整体结构：

text 复制代码

                    ChatClient
                        │
              ┌─────────┴─────────┐
              ↓                   ↓
        System Prompt        User Prompt
              │                   │
              ↓                   ↓
        角色和规则             用户问题
              │                   │
              └─────────┬─────────┘
                        ↓
                   最终 Prompt
                        ↓
                       LLM
                        ↓
                     AI Answer

例如：

System Prompt

text 复制代码

你是一名资深 Java 面试官。
请针对候选人的技术问题进行专业回答。

User Prompt

text 复制代码

请帮我准备 Redis 高级面试题。

Template

text 复制代码

技术：
{technology}

级别：
{level}

最终组合起来：

text 复制代码

System
+
Template
+
User
↓
LLM

这就是实际项目中比较常见的 Prompt 架构。

十八、不要把所有内容都塞进 System Prompt

这是一个非常容易犯的错误。

例如：

text 复制代码

System Prompt：

你是 Java 专家。

用户问题：

什么是 Redis？

用户又问：

什么是 MySQL？

用户还问：

什么是 Spring AI？

......

这样会让 System Prompt 越来越大。

正确思路是：

text 复制代码

System
 ↓
稳定规则

User
 ↓
动态问题

Context
 ↓
动态业务数据

也就是：

text 复制代码

稳定内容 → System

动态问题 → User

动态业务数据 → Context

这是一个非常重要的 Prompt 工程思想。

十九、Prompt 不是越长越好

很多初学者认为：

Prompt 写得越详细，AI 就越聪明。

不一定。

例如：

text 复制代码

你是一名非常优秀、非常专业、经验极其丰富......

写了一大堆形容词。

真正有价值的可能只有：

text 复制代码

你是一名 Java 高级工程师。

Prompt 的重点不是：

字数多。

而是：

目标清晰、约束明确、上下文准确。

二十、一个优秀的 System Prompt 应该包含什么？

可以采用下面这个结构：

text 复制代码

角色
 ↓
任务
 ↓
上下文
 ↓
约束
 ↓
输出格式
 ↓
异常处理

例如：

text 复制代码

# 角色

你是一名 Java 高级工程师。

# 任务

帮助用户解决 Java 后端开发问题。

# 上下文

用户主要使用：
Spring Boot、MySQL、Redis。

# 约束

1. 使用中文。
2. 不要编造不存在的 API。
3. 不确定的信息明确说明。
4. 优先给出可运行代码。

# 输出格式

1. 结论
2. 原理
3. 示例
4. 注意事项

这种结构比简单写：

text 复制代码

你是一个很厉害的 Java 专家。

更加可控。

二十一、Prompt 中加入"输出格式"

这是实际 AI 开发非常重要的一点。

例如我们希望 AI 每次回答都按照：

text 复制代码

【结论】

【原理】

【代码】

【注意事项】

那么可以在 Prompt 中明确告诉模型：

text 复制代码

回答必须严格按照以下格式：

【结论】
...

【原理】
...

【代码】
...

【注意事项】
...

这样 AI 的输出会更加稳定。

但需要注意：

如果业务系统真正依赖结构化数据，不应该只依赖 Prompt 要求模型输出 JSON。

更可靠的方式是进一步学习：

Structured Output

这也是我们下一阶段会重点介绍的内容。

二十二、Prompt 设计中的一个重要原则：少让 AI 猜

例如：

text 复制代码

帮我写一个 Redis 的介绍。

AI 需要自己猜：

text 复制代码

介绍给谁？
介绍多深？
要不要代码？
什么语言？
什么格式？

如果改成：

text 复制代码

你是一名 Java 高级工程师。

请为一名有 2 年 Java 开发经验的程序员介绍 Redis。

要求：

1. 使用中文。
2. 先解释 Redis 是什么。
3. 再解释核心数据结构。
4. 介绍常见应用场景。
5. 给出 Java 使用示例。
6. 最后总结常见面试问题。

任务就清晰很多。

所以：

Prompt 的核心价值之一，就是减少模型对任务的猜测。

二十三、Prompt 也可以加入业务上下文

例如开发公司内部 AI 助手。

用户问：

text 复制代码

退款需要多长时间？

单独把这句话交给 LLM：

text 复制代码

用户
 ↓
退款需要多长时间？
 ↓
LLM

模型并不知道公司的退款规则。

我们可以加入业务上下文：

text 复制代码

公司退款规则：

普通订单：
支付后 7 天内可以申请退款。

特殊订单：
根据商品具体规则处理。

退款审核：
一般在 1～3 个工作日完成。

最终：

text 复制代码

System
+
User
+
Business Context
↓
LLM

这已经开始接近 RAG 的思想了。

后面我们会看到：

RAG 本质上就是把外部知识动态检索出来，再作为上下文交给模型。

二十四、Prompt 和 RAG 是什么关系？

可以先建立一个非常重要的认知：

text 复制代码

Prompt
 ↓
告诉 AI 怎么回答

RAG
 ↓
给 AI 提供它不知道的知识

例如：

text 复制代码

Prompt：

你是一名公司内部技术助手。
请根据提供的公司知识回答问题。
如果知识库中没有答案，请明确告诉用户。

然后 RAG 提供：

text 复制代码

公司内部文档
 ↓
检索
 ↓
相关内容

最终：

text 复制代码

System Prompt
       +
User Prompt
       +
Retrieved Context
       ↓
      LLM
       ↓
最终回答

这就是后面学习 RAG 必须理解的基础。

二十五、一个完整的 AI 技术助手 Prompt

现在把本章学到的内容组合起来。

可以设计成：

text 复制代码

# 角色

你是一名资深 Java 后端与 AI 应用开发工程师。

# 任务

帮助用户解决 Java、Spring Boot、Spring AI
以及 AI 应用开发相关的问题。

# 回答原则

1. 使用中文。
2. 优先给出明确结论。
3. 复杂问题分步骤解释。
4. 代码优先使用 Java。
5. 如果涉及 Spring AI，给出完整实现思路。
6. 不确定的信息不要编造。
7. 如果存在多个方案，比较方案优缺点。

# 输出格式

## 结论

## 原理

## 示例

## 注意事项

用户只需要：

text 复制代码

什么是 Spring AI 的 RAG？

AI 就会根据这套规则进行回答。

这时候我们已经从：

text 复制代码

简单聊天

进阶到了：

text 复制代码

AI 技术助手

二十六、把本章知识串起来

现在重新看整个 Spring AI Prompt 体系。

text 复制代码

                    ChatClient
                         │
                         ↓
                      Prompt
                         │
          ┌──────────────┼──────────────┐
          ↓              ↓              ↓
       System          User          Context
          │              │              │
          ↓              ↓              ↓
       角色规则        用户问题       业务数据
          │              │              │
          └──────────────┼──────────────┘
                         ↓
                    最终 Prompt
                         ↓
                        LLM
                         ↓
                    AI Response

而 PromptTemplate 负责：

text 复制代码

固定模板
   +
动态参数
   ↓
动态 Prompt

所以整个关系可以记成：

text 复制代码

Prompt
├── System
├── User
├── Context
└── Template

二十七、本章实战：把聊天接口升级成 AI 技术助手

上一章我们的接口是：

java 复制代码

public String chat(String message) {

    return chatClient
            .prompt()
            .user(message)
            .call()
            .content();
}

现在升级成：

java 复制代码

public String chat(String message) {

    return chatClient
            .prompt()
            .system("""
                    你是一名资深 Java 后端与 AI 应用开发工程师。

                    你主要帮助用户解决：
                    Java、Spring Boot、Spring AI、
                    MySQL、Redis 以及 AI 应用开发问题。

                    回答要求：
                    1. 使用中文。
                    2. 先给出结论。
                    3. 再解释原理。
                    4. 涉及代码时使用 Java。
                    5. 不确定的信息不要编造。
                    """)
            .user(message)
            .call()
            .content();
}

现在我们的 AI 已经拥有了：

text 复制代码

角色
+
职责
+
回答规范
+
用户问题

这就是一个最简单的：

AI Persona / AI Assistant

二十八、进一步思考：Prompt 应该放在哪里？

随着项目发展，Prompt 可能越来越多：

text 复制代码

聊天 Prompt
翻译 Prompt
摘要 Prompt
RAG Prompt
面试 Prompt
代码分析 Prompt
客服 Prompt

如果全部写在 Service：

java 复制代码

@Service
public class AiService {

    // 几百行 Prompt
}

最终会非常难维护。

因此后面的企业级 AI 项目通常需要考虑：

text 复制代码

Prompt 管理
版本控制
Prompt 测试
Prompt 评估
Prompt 灰度
Prompt 监控

这也是从：

AI Demo

走向：

企业级 AI 应用

必须考虑的问题。

二十九、本章常见问题

问题 1：System Prompt 一定比 User Prompt 更重要吗？

不能简单理解成"谁更重要"。

它们承担的职责不同：

text 复制代码

System
 ↓
应用规则、角色、行为约束

User
 ↓
当前任务

真正的效果取决于：

text 复制代码

Prompt 设计
+
模型能力
+
上下文
+
任务本身

问题 2：PromptTemplate 是不是必须使用？

不是。

简单场景：

java 复制代码

.user(message)

就够了。

当 Prompt 出现大量动态参数时，模板化会更容易维护。

问题 3：Prompt 越长越好吗？

不是。

Prompt 应该：

text 复制代码

清晰
准确
结构化
可验证

而不是单纯追求长度。

问题 4：Prompt 能解决 AI 幻觉吗？

不能完全解决。

Prompt 可以：

text 复制代码

降低部分错误
约束回答方式
要求模型不要编造

但如果业务要求：

必须基于企业真实知识回答

那么通常还需要：

text 复制代码

RAG
+
知识库
+
检索
+
结构化输出
+
业务校验

三十、本章总结

这一章我们从一个最简单的问题：

text 复制代码

什么是 Prompt？

逐渐深入到了：

text 复制代码

Prompt
 ↓
System Prompt
 ↓
User Prompt
 ↓
PromptTemplate
 ↓
动态参数
 ↓
Context
 ↓
AI Assistant

最重要的几个概念可以记住：

System Prompt

告诉 AI 你是谁、应该做什么、遵守什么规则。

User Prompt

告诉 AI 用户当前想完成什么任务。

PromptTemplate

把固定 Prompt 结构 和动态参数分离。

Context

给 AI 提供完成任务所需要的额外信息。

最终：

text 复制代码

System
 +
User
 +
Context
 ↓
Prompt
 ↓
LLM
 ↓
Answer

这就是最基础的 AI 应用交互模型。

三十一、下一章：Structured Output

现在我们遇到了一个新的问题。

假设用户问：

text 复制代码

帮我分析一下 Redis。

AI 返回：

text 复制代码

Redis 是一个......

对于聊天应用来说，这没有问题。

但是如果我们正在开发一个 Java 系统，程序真正想要的可能是：

json 复制代码

{
  "name": "Redis",
  "category": "缓存",
  "difficulty": "高级",
  "features": [
    "内存存储",
    "高性能",
    "丰富的数据结构"
  ]
}

因为 Java 程序需要继续处理这些数据。

那么问题来了：

如何让大模型稳定地返回 Java 程序可以直接使用的结构化数据？

这就进入 Spring AI 非常重要的能力：

《Spring AI Structured Output 实战：让 AI 返回 Java 对象》

下一章我们将学习：

text 复制代码

LLM
 ↓
结构化输出
 ↓
JSON
 ↓
Java Object
 ↓
业务系统

从这一章开始，Spring AI 将真正从：

"AI 聊天"

逐渐进入：

"AI 业务应用开发"。