1. Prompt 工程
基本概念：Prompt ?工程又叫提示?詞工程，簡單來說，就是輸入?給 AI 的指令。
比如下面?這段內容，就是提示詞：
請問桂林電子科技大學是一個怎么樣的學校？
1.1 Prompt分類
在 AI ?對話中，基于角色的?分類是最常見的，通?常存在 3 種主要?類型的 Promp?t：
1）用戶 Prompt ：這是用戶向 AI 提供的實際問題、指令或信息，傳達了用戶的直接需求。用戶 Prompt 告訴 AI 模型 “做什么”，比如回答問題、編寫代碼、生成創意內容等。
用戶：幫我寫一篇有關桂電的介紹文章
2）系統 Prompt ：這是設置 AI 模型行為規則和角色定位的隱藏指令，用戶通常不能直接看到。系統 Prompt 相當于給 AI 設定人格和能力邊界，即告訴 AI “你是誰？你能做什么？”。
系統：你是一位經驗豐富的軟件工程師，擅長分析代碼問題并提供建設性建議。
回答時保持專業性，但避免使用過于學術的術語，確保新手能夠理解你的建議。
3）助手 Prompt ：這是 AI 模型的響應內容。在多輪對話中，之前的助手回復也會成為當前上下文的一部分，影響后續對話的理解和生成。某些場景下，開發者可以主動預設一些助手消息作為對話歷史的一部分，引導后續互動。
系統：你是編程導航的專業編程導師，擅長引導初學者入門編程并制定學習路徑。使用友好鼓勵的語氣，解釋復雜概念時要通俗易懂，適當使用比喻讓新手理解，避免過于晦澀的技術術語。用戶：我完全沒有編程基礎，想學習編程開發，但不知道從何開始，能給我一些建議嗎？助手：歡迎加入編程的世界！作為編程小白，建議你可以按照以下步驟開始學習之旅...【多輪對話繼續】
1.2 Prompt優化
高質量的 Promp?t 可以顯著提升 AI 輸?出的質量，因此?掌握 Prompt 優化技巧非常重要。
1.2.1 基礎提示技巧
1. 明確指定任務和角色
為 AI ?提供清晰的任務描述?和角色定位，幫助模?型理解背景和期望。
系統：你是一位經驗豐富的Python教師，擅長向初學者解釋編程概念。
用戶：請解釋 Python 中的列表推導式，包括基本語法和 2-3 個實用示例。
2. 提供詳細說明和具體示例
提供足夠的?上下文信息和期望的?輸出格式示例，減少?模型的不確定性。
請提供一個社交媒體營銷計劃，針對一款新上市的智能手表。計劃應包含:
1. 目標受眾描述
2. 三個內容主題示例格式:
目標受眾: [描述]
內容主題: [主題1], [主題2], [主題3]
3. 明確輸出格式要求
指定輸出的格式、長度、風格等要求，獲得更符合預期的結果。
撰寫一篇關于氣候變化的科普文章，要求:
- 使用通俗易懂的語言，適合高中生閱讀
- 包含5個小標題，每個標題下2-3段文字
- 總字數控制在800字左右
- 結尾提供3個可行的個人行動建議
1.2.2 進階提示技巧
1. 分步驟指導（Step-by-Step）
將復雜任務分解為可管理的步驟，確保模型完成每個關鍵環節。
請幫我創建一個簡單的網站落地頁設計方案，按照以下步驟:步驟1: 分析目標受眾(考慮年齡、職業、需求等因素)
步驟2: 確定頁面核心信息(主標題、副標題、價值主張)
步驟3: 設計頁面結構(至少包含哪些區塊)
步驟4: 制定視覺引導策略(顏色、圖像建議)
步驟5: 設計行動召喚(CTA)按鈕和文案
2. 少樣本學習（Few-Shot Learning）
通過提供幾?個輸入-輸出對的示?例，幫助模型理解任?務模式和期望輸出。
我將給你一些情感分析的例子，然后請你按照同樣的方式分析新句子的情感傾向。輸入: "這家餐廳的服務太差了，等了一個小時才上菜"
輸出: 負面，因為描述了長時間等待和差評服務輸入: "新買的手機屏幕清晰，電池也很耐用"
輸出: 正面，因為贊揚了產品的多個方面現在分析這個句子:
"這本書內容還行，但是價格有點貴"
核心：任務越復雜，就越要給 Prompt 補充更多細節
2.?SpringAI 核心特性
2.1?多輪對話實現
要實現具有 “記憶力” 的 AI 應用，讓 AI 能夠記住用戶之前的對話內容并保持上下文連貫性，我們可以使用Spring AI 框架的 對話記憶能力。
2.1.1 ChatClient?
之前我們是直接使用 Spring Boot 注入的 ChatModel 來調用大模型完成對話，而通過我們自己構造的 ChatClient，可實現功能更豐富、更靈活的 AI 對話客戶端，也更推薦通過這種方式調用 AI。
通過示例代碼，?能夠感受到 ChatMode?l 和 ChatClient 的?區別。ChatClien?t 支持更復雜靈活的鏈式調用?（Fluent API）：
// 基礎用法(ChatModel)
ChatResponse response = chatModel.call(new Prompt("你好"));// 高級用法(ChatClient)
ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你是戀愛顧問").build();String response = chatClient.prompt().user("你好").call().content();
2.1.2 構建方式?
方式 1：構造器注入（Spring 項目專用）
服務類代碼
@Service
public class CodeService { // 類名貼合編程場景private final ChatClient chatClient; // 配置好的AI編程工具// Spring自動傳入建造者，只需配置編程助手身份public CodeService(ChatClient.Builder builder) {this.chatClient = builder.defaultSystem("你是編程助手，擅長Java、Python代碼解答，會解釋原理") // 設定AI身份.build(); // 生成工具}// 對外提供編程問題查詢方法public String askCodeQuestion(String question) {return chatClient.send(question); // 調用工具發送問題}
}控制器使用示例
@RestController
public class CodeController {@Autowired // Spring自動注入CodeServiceprivate CodeService codeService;@GetMapping("/ask-code")public String askCode(String question) {// 調用服務獲取AI的編程解答return codeService.askCodeQuestion(question);}
}方式 2：建造者模式（非 Spring 項目用）
public class CodeDemo {public static void main(String[] args) {// 1. 準備基礎AI模型（工具內核）ChatModel chatModel = new ChatModel("你的APIKey");// 2. 用建造者模式組裝工具（設定編程助手身份）ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你是編程助手，會寫代碼、查bug").build();// 3. 調用工具提問String answer = chatClient.send("Python怎么讀取Excel文件？");System.out.println(answer); // 輸出AI的解答}
}2.1.3 響應格式
// ChatClient支持多種響應格式
// 1. 返回 ChatResponse 對象（包含元數據如 token 使用量）
ChatResponse chatResponse = chatClient.prompt().user("Tell me a joke").call().chatResponse();// 2. 返回實體對象（自動將 AI 輸出映射為 Java 對象）
// 2.1 返回單個實體
record ActorFilms(String actor, List<String> movies) {}
ActorFilms actorFilms = chatClient.prompt().user("Generate the filmography for a random actor.").call().entity(ActorFilms.class);// 2.2 返回泛型集合
List<ActorFilms> multipleActors = chatClient.prompt().user("Generate filmography for Tom Hanks and Bill Murray.").call().entity(new ParameterizedTypeReference<List<ActorFilms>>() {});// 3. 流式返回（適用于打字機效果）
Flux<String> streamResponse = chatClient.prompt().user("Tell me a story").stream().content();// 也可以流式返回ChatResponse
Flux<ChatResponse> streamWithMetadata = chatClient.prompt().user("Tell me a story").stream().chatResponse();
2.1.4 Advisors
Spring AI 使用 Advisors（顧問）機制來增強 AI 的能力，可以理解為一系列可插拔的攔截器，在調用 AI 前和調用 AI 后可以執行一些額外的操作，比如：
- 前置增強：調用 AI 前改寫一下 Prompt 提示詞、檢查一下提示詞是否安全
- 后置增強：調用 AI 后記錄一下日志、處理一下返回的結果
關鍵組件解析
| 組件 | 作用 | 開發場景 |
|---|---|---|
| Prompt | 原始用戶輸入 | 開發者直接處理用戶輸入 |
| AdvisedRequest | 增強的請求對象 | 添加上下文/角色設定（如defaultSystem("戀愛顧問")） |
| AroundAdvisor | 攔截器（AOP 思想） | 核心擴展點： ? 日志記錄 ? 請求改寫 ? 權限校驗 ? 敏感詞過濾 |
| Chat Model | AI 模型接口 | 對接 OpenAI/Anthropic 等大模型 |
| ChatResponse | 原始 AI 響應 | 包含元數據（token 用量等） |
| AdvisedResponse | 增強的響應對象 | 結果格式化/業務邏輯封裝 |
開發重點：AroundAdvisor（攔截器）
這是最強大的擴展點，可自定義處理邏輯：
? 1.動態角色設定
// 在 Before 攔截器中
if(request.getUser().isPremium()) {request.setSystemRole("高級情感顧問");
} else {request.setSystemRole("基礎情感助手");
}?2.敏感詞過濾
// 在 After 攔截器中
if(response.contains("暴力內容")) {return response.filterSensitiveWords();
}?3.業務邏輯集成
// 調用前注入業務數據
request.addContext("用戶訂單歷史: " + orderService.getHistory());3. 總結
本文介紹了 Prompt 工程與 SpringAI 核心特性。Prompt 工程包括基本概念、三類 Prompt（用戶、系統、助手）及優化技巧（明確任務角色、分步驟指導等）。SpringAI 核心特性涵蓋多輪對話實現（ChatClient 的構建與使用）、多種響應格式，以及 Advisors 機制（通過攔截器增強 AI 能力），還解析了關鍵組件和開發重點，助力構建更高效的 AI 應用。
大功告成！
出處：編程導航
)
