引言

在生成式 AI 應用中，Prompt（提示）是與大型語言模型（LLM）交互的核心輸入格式。Prompt 的設計不僅決定了模型理解任務的準確度，還直接影響生成結果的風格、長度、結構與可控性。隨著模型能力和應用場景的不斷豐富，Prompt 的結構也從最初的簡單文本演進為支持多角色區分、占位符模板化、工具調用等高級特性。本文將系統梳理 Prompt 的演變歷程、角色（Role）分類及職責、Spring AI 中 Prompt API 的詳細使用方法，以及 PromptTemplate 的模板化實踐，并在每個小節提供詳盡的文字說明和代碼示例。

---

一、Prompt 的演變歷程

Prompt 的演進大致可分為三個階段：

1.1 初始階段：簡單字符串

背景與特點

• 實現方式：直接將用戶意圖用自然語言表述為一條字符串，傳入模型。

• 示例：

  Tell me a joke about cats.

• 優點：上手門檻低，無需額外框架或結構。

• 局限：無法提供上下文區分，也難以對輸出進行精細控制，適用于單輪、簡單的任務。

使用場景

• 問答類 Chatbot 的一次性查詢
• 單條文本生成，如自動撰寫短消息或標語

1.2 占位符與參數化

為什么要參數化？

• 當同一類任務需要多次調用時，硬編碼不同 Prompt 會導致維護成本高。
• 參數化模板能夠通過動態替換變量，提高 Prompt 的復用性和可維護性。

基本示例

String template = "Tell me a {adjective} joke about {topic}.";
String adjective = "silly";
String topic = "robots";
// 使用簡單替換實現參數化
String prompt = template.replace("{adjective}", adjective).replace("{topic}", topic);
System.out.println(prompt);
// 輸出：Tell me a silly joke about robots.

詳細說明

1. 模板定義：使用?{}?包裹的占位符表示可替換的變量位置。
2. 動態賦值：在運行時根據業務邏輯提供不同的變量值。
3. 字符串替換：示例中使用?String.replace?實現，適合簡單場景，但無法處理復雜數據類型（如列表、條件邏輯）。

參數化模板的優勢

• 高復用性：一份模板可支持多種輸入組合。
• 易于維護：模板與參數分離，修改模板無需改動調用代碼。
• 結構化：在模板中明確標識可變部分，增強可讀性。

1.3 多角色消息流與上下文管理

角色化的必要性

隨著對話式應用需求的增長，僅靠單條字符串難以維護多輪對話上下文，也無法區分系統指令與用戶輸入。引入角色（Role）后，每條消息都可攜帶角色標簽，明確其在對話中的作用。

角色類型

• SYSTEM：設定對話基調、行為規范或全局約束。
• USER：真實用戶的提問或指令。
• ASSISTANT：模型的回復，用于記錄對話歷史和保持連貫性。
• TOOL：外部工具或函數調用的輸入/輸出信息。

示例代碼

List<Message> messages = new ArrayList<>();// 系統角色：初始化對話規則
messages.add(new SystemMessage("You are a professional travel planner. Provide concise and accurate travel advice."));// 用戶角色：用戶發起需求
messages.add(new UserMessage("I want to visit Xinjiang in autumn. What do you recommend?"));// 模型角色：占位符，由模型生成后再添加到列表
// messages.add(new AssistantMessage(modelOutput));// 下一輪用戶角色：繼續提問
// messages.add(new UserMessage("What is the weather forecast there for the next 3 days?"));

詳細說明

1. SystemMessage：通過?new SystemMessage(...)?創建，內容為對模型的全局指令。
2. UserMessage：通過?new UserMessage(...)?創建，內容為用戶輸入。
3. AssistantMessage：模型生成的回復，由程序接收并添加，用于多輪對話。
4. Role 的作用：模型在生成回復時會根據角色區分系統指令與用戶對話，確保響應符合預期。

---

二、Prompt 中的角色（Role）詳解

在 Spring AI 中，MessageType?枚舉將角色明確定義為四種類型：

public enum MessageType {SYSTEM("system"),   // 系統指令USER("user"),       // 用戶輸入ASSISTANT("assistant"), // 模型回復TOOL("tool");       // 工具調用
}

2.1 系統角色（System Role）

• 主要職責：向模型提供身份設定、業務規則或回答風格。

• 典型指令：

  • “You are a helpful assistant that speaks formally.”
  • “Only answer questions related to legal advice.”

代碼示例

Message system = new SystemMessage("You are a financial advisor. Provide concise and accurate investment suggestions in JSON format."
);

擴展說明

• 可以通過添加元數據（metadata）為系統消息攜帶額外信息，如時間戳或優先級。
• 多個?SystemMessage?可按順序添加，以分階段設定對話規則。

2.2 用戶角色（User Role）

• 主要職責：傳達用戶的具體需求或問題。
• 設計要點：用戶消息應清晰、簡潔，避免含糊不清的描述。

代碼示例

Message user = new UserMessage("Please recommend three budget-friendly hotels in Tokyo for a family of four."
);

擴展說明

• 可在用戶消息中列出多步操作，模型會嘗試按順序執行。
• 對于復雜查詢，建議在一條消息中明確所有必要參數，如時間、人數、預算等。

2.3 助手角色（Assistant Role）

• 主要職責：承載模型的回復內容，同時可觸發工具調用。
• 觸發工具調用：當模型需要執行計算或外部操作時，會在?AssistantMessage?中返回?function_call?字段，表明后續需調用對應工具。

代碼示例

// 模型生成的回復示例
Message assistant = new AssistantMessage("The weather in Xinjiang for the next 3 days is:\nDay1: 18°C, sunny\nDay2: 20°C, partly cloudy\nDay3: 17°C, light rain"
);

擴展說明

• 在接收到?AssistantMessage?后，程序應檢查是否存在工具調用請求，并根據?tool_name?和?arguments?調用相應工具。
• 回復中可包含結構化內容（如 JSON、表格等），便于后續解析。

2.4 工具/功能角色（Tool/Function Role）

• 主要職責：傳遞外部工具執行結果，如 API 調用、數據庫查詢或數學運算。
• 示例場景：天氣查詢、匯率轉換、訂單查詢等。

代碼示例

// 工具調用返回示例
Message tool = new ToolMessage("{ \"location\": \"Xinjiang\", \"forecast\": [18,20,17] }"
);

擴展說明

• ToolMessage?的?content?通常為 JSON 格式，程序解析后將結果注入下一次 Prompt。
• 多個工具調用可串聯使用，形成復雜工作流。

---

三、Spring AI 的 Prompt API 深入

Spring AI 提供了?Prompt?和?Message?等核心類，簡化 Prompt 構建與調用流程。以下示例演示完整調用鏈路，并對關鍵方法進行詳細解讀。

3.1 構建 Prompt 實例

// 1. 導入依賴：確保已引入 spring-ai 相關庫// 2. 構建消息列表
List<Message> messages = new ArrayList<>();
messages.add(system);
messages.add(user);// 3. 創建 Prompt 對象
Prompt prompt = new Prompt(messages)// 4. 可選：設置 ChatOptions，如溫度、最大 Token.options(ChatOptions.builder().temperature(0.5).maxTokens(500).build());

詳細說明

1. 消息列表初始化：使用?ArrayList?存儲各角色消息，順序決定 Prompt 的上下文順序。
2. Prompt 構造函數：new Prompt(List<Message>)?將消息列表復制到內部。
3. 鏈式調用：通過?options(...)?方法設置模型參數，如溫度（temperature）控制隨機性，maxTokens 控制最大生成長度。

3.2 調用 ChatModel

// 5. 使用 ChatModel 或 ChatClient 發起調用
ChatResponse response = chatModel.call(prompt);// 6. 解析響應
String reply = response.getResult().getOutput().getContent();
System.out.println("Assistant: " + reply);

詳細說明

• ChatModel.call()：接收?Prompt，發送給底層 LLM 服務，并返回?ChatResponse。
• ChatResponse：封裝模型生成的所有輸出，包括文本、工具調用請求、Usage 信息等。
• getResult().getOutput().getContent()：提取生成文本內容。

3.3 動態添加消息

在多輪對話中，可根據上一輪回復動態添加消息：

// 上一輪回復添加為 AssistantMessage
messages.add(new AssistantMessage(reply));// 下一輪用戶輸入
messages.add(new UserMessage("Thank you. Can you also suggest local cuisines?"));// 重新構建并調用 Prompt
Prompt nextPrompt = new Prompt(messages);
ChatResponse nextResp = chatModel.call(nextPrompt);

詳細說明

• 將模型回復添加到消息列表，保證上下文連貫性。
• 新的用戶消息與歷史消息一起傳入，模型能夠參考整個對話歷史。

---

四、PromptTemplate：高級模板化設計

當 Prompt 邏輯復雜、參數眾多時，手動拼接字符串或管理消息列表容易出錯。PromptTemplate?基于 StringTemplate 引擎提供了靈活的模板化方案。

public class PromptTemplate implements PromptTemplateActions, PromptTemplateMessageActions {private final String template;public PromptTemplate(String template) {this.template = template;}// render/create 方法由接口提供，具體由 StringTemplate 引擎實現
}

4.1 渲染為純文本

// 無參數模板
PromptTemplate staticTpl = new PromptTemplate("List three facts about the moon.");
String staticPrompt = staticTpl.render();
// staticPrompt == "List three facts about the moon."// 帶參數模板
PromptTemplate paramTpl = new PromptTemplate("List three {adjective} facts about the {subject}.");
String dynamicPrompt = paramTpl.render(Map.of("adjective", "interesting","subject", "moon"
));
// dynamicPrompt == "List three interesting facts about the moon."

詳細說明

• render()：直接輸出模板內容，適用于靜態 Prompt。
• render(Map)：根據鍵值對替換占位符，適用于簡單參數化需求。

4.2 生成 Message 對象

// 僅文本消息
Message msg1 = paramTpl.createMessage(Map.of("adjective", "funny","subject", "penguins"
));
// msg1.getContent() -> "List three funny facts about the penguins."
// 默認角色為 USER，可通過重載指定其他角色

詳細說明

• createMessage(Map)：將渲染后的文本封裝為?UserMessage，簡化消息構建流程。
• 也可使用重載方法傳入媒體列表（圖片、音頻等），擴展多模態能力。

4.3 生成完整 Prompt

// 創建帶系統和用戶消息的模板
String tpl = "<system>You are {role}.</system>" +"<user>Summarize the following text: {text}</user>";
PromptTemplate fullTpl = new PromptTemplate(tpl);Map<String,Object> data = Map.of("role", "an academic writer","text", "Artificial intelligence is transforming industries..."
);// 生成 Prompt 并設置選項
Prompt fullPrompt = fullTpl.create(data).options(ChatOptions.builder().maxTokens(200).build());ChatResponse fullResp = chatModel.call(fullPrompt);
System.out.println(fullResp.getResult().getOutput().getContent());

詳細說明

• 模板標簽：使用?<system>、<user>?標簽將渲染內容分配給不同角色。
• create(Map)：渲染并拆分消息為多條?Message，并封裝為?Prompt。
• options(...)：為該 Prompt 單獨設置模型參數。

---

五、進階用法與最佳實踐

1. 分層組織 Prompt：

   • 將不同職責的消息（系統、用戶、助手、工具）分層組織，保持清晰的調用鏈路。
   • 例如，先添加所有系統級指令，再添加用戶級查詢，最后再執行工具調用。

2. 語義化占位符：

   • 使用有意義的占位符名稱，如?{userName}、{startDate}，提高模板可讀性和可維護性。

3. 模板管理：

   • 將常用 PromptTemplate 存儲在配置文件或數據庫中，支持在線更新和版本控制。
   • 結合 CI/CD 流程，實現模板自動化測試與回滾。

4. 工具調用預留：

   • 在模板中預先定義工具調用點，如?Please fetch current weather via function_call.
   • 模型在生成時會自動觸發?function_call，程序接收后執行相應工具。

5. 性能與成本控制：

   • 緩存靜態 Prompt 或已渲染模板，減少重復渲染開銷。
   • 控制消息列表長度，定期對歷史對話進行摘要或清理，避免超出模型上下文窗口。

6. 安全與合規：

   • 對用戶輸入進行校驗和清洗，避免注入惡意指令。
   • 記錄 Prompt 與響應日志，確保可審計、可追溯。

---

六、總結

Prompt 設計是生成式 AI 應用的基礎，直接影響模型的行為和輸出質量。通過理解 Prompt 的演變歷程、合理劃分角色、熟練使用 Spring AI 提供的 Prompt API 與 PromptTemplate 工具，開發者可以構建出靈活、高效且易維護的對話系統。結合最佳實踐，您將能夠在各類業務場景中充分發揮 LLM 的潛力，為用戶帶來流暢、智能的交互體驗。

---

本文示例基于 Spring AI 框架及 StringTemplate 引擎，旨在為開發者提供系統的 Prompt 設計指導。