提示词工程实践指南

和大模型打交道，提示词的质量直接决定输出效果。同样一个问题，换个问法，结果可能天差地别。

前面的章节聊过提示词的基础知识，这篇文章专门讲讲在Spring AI中怎么把这些技巧落地。

系统提示词与用户提示词

Spring AI遵循OpenAI的设计规范，把提示词分成两类：

• 系统提示词（System）：设定AI的角色、行为准则、回答风格
• 用户提示词（User）：具体的问题或指令

System Prompt 与 User Prompt 的分工

代码示例

在ChatClient中设置这两类提示词非常直观：

@RestController
@RequestMapping("/prompt")
public class PromptController {
    
    private final ChatClient chatClient;
    
    @GetMapping("/interview")
    public Flux<String> mockInterview(@RequestParam String question) {
        return chatClient.prompt()
                // 系统提示词：定义角色
                .system("你是一位资深的Java技术面试官，有10年面试经验。" +
                       "回答问题时要专业严谨，适当追问细节，" +
                       "对模糊的回答要指出不足之处。")
                // 用户提示词：具体问题
                .user(question)
                .stream()
                .content();
    }
}

两种设置方式

方式一：构建ChatClient时设置默认值

@Bean
public ChatClient chatClient(ChatModel chatModel) {
    return ChatClient.builder(chatModel)
            .defaultSystem("你是电商平台的智能导购助手，" +
                          "擅长根据用户需求推荐商品，" +
                          "回答要简洁实用。")
            .build();
}

这样每次调用都会自动带上这个系统提示词。

方式二：调用时动态设置

// 调用时的system会覆盖默认设置
chatClient.prompt()
    .system("你现在是一个严格的代码审查员")
    .user("请审查这段代码：" + code)
    .call()
    .content();

注意：如果使用的是Prompt对象中的SystemMessage，行为会有所不同——它是追加而不是覆盖：

system() 与 SystemMessage 的差异

• chatClient.prompt().system("...") — 覆盖默认的系统提示词
• 通过 Prompt 对象传入 SystemMessage — 追加到现有系统提示词之后

使用错误的方式可能导致系统提示词叠加，产生意料之外的模型行为。

// 这种方式是追加，不是覆盖
Prompt prompt = new Prompt(
    List.of(
        new SystemMessage("补充说明：重点关注安全性问题"),
        new UserMessage("分析这段代码")
    )
);

Few-shot：示例教学法

Few-shot是提示词工程中非常实用的技巧：在提示词里给几个示例，让模型学会处理模式。

场景：用户输入改写

假设我们要做一个搜索query优化功能，把用户的随意输入改写成规范的搜索词：

@GetMapping("/rewrite")
public String rewriteQuery(@RequestParam String input) {
    return chatClient.prompt()
            .system("""
                你是一个搜索词优化专家，负责将用户的随意输入改写成更精准的搜索词。
                
                改写规则：
                1. 修正错别字
                2. 去掉口语化表达，提取核心关键词
                3. 补充必要的限定词
                
                参考示例：
                
                输入：想买个笔记本，玩游戏用的，预算一万左右
                输出：游戏笔记本电脑 10000元价位
                
                输入：苹果手机最新款多少钱
                输出：iPhone 15 Pro Max 价格
                
                输入：有没有好看的连衣裙推荐啊
                输出：连衣裙 女装 时尚款
                
                请直接输出改写后的搜索词，不需要解释。
                """)
            .user(input)
            .call()
            .content();
}

通过几个示例，模型就能学会你期望的改写风格。

Few-shot 的核心价值

Few-shot（少样本示例）是提示词工程中最有效的技巧之一。与其用长篇文字描述期望的行为，不如直接给出输入-输出的示例对，让模型"看懂"你的意图。示例越典型，模型的表现越稳定。

场景：格式化输出

Few-shot也很适合教模型特定的输出格式：

@GetMapping("/extract")
public String extractInfo(@RequestParam String text) {
    return chatClient.prompt()
            .system("""
                从文本中提取结构化信息，按JSON格式输出。
                
                示例1：
                输入：张三，男，1990年出生，在阿里巴巴做程序员
                输出：{"name":"张三","gender":"男","birthYear":1990,"company":"阿里巴巴","role":"程序员"}
                
                示例2：
                输入：李四是腾讯的产品经理，女，85年的
                输出：{"name":"李四","gender":"女","birthYear":1985,"company":"腾讯","role":"产品经理"}
                
                请严格按照示例格式输出JSON，不要添加其他内容。
                """)
            .user(text)
            .call()
            .content();
}

指定输出格式

很多时候我们需要大模型按特定格式输出，方便后续程序处理。

直接在提示词中约定

@GetMapping("/product-list")
public Flux<String> generateProductList(@RequestParam String category) {
    return chatClient.prompt()
            .system("你是一个商品数据生成器")
            .user("""
                请为"%s"类目生成3个虚构的商品信息。
                
                要求以JSON数组格式输出，每个商品包含以下字段：
                - productId: 商品ID（字符串）
                - name: 商品名称
                - price: 价格（数字，单位元）
                - description: 一句话描述
                
                直接输出JSON，不要包含markdown代码块。
                """.formatted(category))
            .stream()
            .content();
}

限制回答格式

有时候需要AI用特定的方式组织回答：

@GetMapping("/analyze")
public String analyzeIssue(@RequestParam String issue) {
    return chatClient.prompt()
            .system("""
                你是一位技术问题分析专家。分析问题时请按以下结构回答：
                
                【问题定位】
                简要说明问题的本质
                
                【可能原因】
                用编号列出可能的原因
                
                【排查步骤】
                给出具体的排查步骤
                
                【解决方案】
                给出推荐的解决方案
                """)
            .user(issue)
            .call()
            .content();
}

思维链：让AI一步步思考

Chain-of-Thought（思维链）是一种让模型"展示推理过程"的技巧，对复杂问题特别有效。

基本用法

只需要加一句"请一步一步思考"：

@GetMapping("/calculate")
public String calculate(@RequestParam String problem) {
    return chatClient.prompt()
            .system("你是一个数学老师，擅长解决应用题")
            .user(problem + "\n\n请一步一步思考，展示推理过程，最后给出答案。")
            .call()
            .content();
}

更精细的控制

可以明确指定思考步骤：

@GetMapping("/design")
public String designSolution(@RequestParam String requirement) {
    return chatClient.prompt()
            .system("你是一位系统架构师")
            .user("""
                请为以下需求设计技术方案：
                
                %s
                
                请按照以下步骤分析：
                
                步骤1：分析需求的核心目标
                步骤2：识别技术挑战和约束条件
                步骤3：列举可选的技术方案
                步骤4：对比各方案的优缺点
                步骤5：给出推荐方案和理由
                """.formatted(requirement))
            .call()
            .content();
}

PromptTemplate：模板化管理

当提示词比较复杂，或者需要动态替换部分内容时，PromptTemplate就派上用场了。

基本使用

PromptTemplate使用{变量名}作为占位符：

@GetMapping("/recommend")
public Flux<String> recommend(@RequestParam String category, 
                              @RequestParam String budget) {
    PromptTemplate template = new PromptTemplate(
        "请推荐{count}个{category}领域的产品，预算在{budget}以内。" +
        "要求给出产品名称、特点和适用场景。"
    );
    
    // 填充变量
    Prompt prompt = template.create(Map.of(
        "count", "3",
        "category", category,
        "budget", budget
    ));
    
    return chatClient.prompt(prompt)
            .stream()
            .content();
}

Builder模式

更优雅的写法是用Builder：

@GetMapping("/review")
public String codeReview(@RequestParam String code, 
                         @RequestParam String language) {
    Map<String, Object> variables = new HashMap<>();
    variables.put("language", language);
    variables.put("code", code);
    
    PromptTemplate template = PromptTemplate.builder()
            .template("""
                请审查以下{language}代码，从以下几个方面给出建议：
                1. 代码规范性
                2. 潜在的bug
                3. 性能问题
                4. 安全隐患
                
                代码：
                ```{language}
                {code}

""") .variables(variables) .build();

return chatClient.prompt(template.create()) .call() .content(); }

### 自定义分隔符

默认用大括号`{}`作为占位符，如果和内容冲突，可以换成其他符号：

```java
PromptTemplate template = PromptTemplate.builder()
        .renderer(StTemplateRenderer.builder()
                .startDelimiterToken('<')
                .endDelimiterToken('>')
                .build())
        .template("请介绍<topic>的核心概念")
        .build();

String prompt = template.render(Map.of("topic", "微服务架构"));

配置文件外置提示词

实际项目中，把提示词硬编码在Java代码里不是好习惯。更好的做法是放到配置文件中统一管理。

创建.st模板文件

在resources目录下创建提示词模板文件，比如prompts/product-recommend.st：

请为用户推荐{category}类目的商品。

用户偏好：
- 预算范围：{budgetMin}到{budgetMax}元
- 使用场景：{scenario}

要求：
1. 推荐3-5个商品
2. 说明推荐理由
3. 给出购买建议

在代码中引用

@RestController
@RequestMapping("/shop")
public class ShopController {
    
    // 注入模板文件内容
    @Value("classpath:prompts/product-recommend.st")
    private Resource promptTemplate;
    
    private final ChatClient chatClient;
    
    @GetMapping("/recommend")
    public String recommend(@RequestParam String category,
                           @RequestParam int budgetMin,
                           @RequestParam int budgetMax,
                           @RequestParam String scenario) {
        
        Map<String, Object> variables = Map.of(
            "category", category,
            "budgetMin", budgetMin,
            "budgetMax", budgetMax,
            "scenario", scenario
        );
        
        PromptTemplate template = PromptTemplate.builder()
                .resource(promptTemplate)
                .variables(variables)
                .build();
        
        return chatClient.prompt(template.create())
                .call()
                .content();
    }
}

这样做的好处

提示词外置的好处

1. 便于维护：修改提示词不需要改代码、重新编译
2. 职责分离：提示词可以由产品或运营人员调整
3. 版本管理：提示词文件可以独立进行版本控制
4. 多环境支持：不同环境可以用不同的提示词

最佳实践总结

最佳实践

经过这么多项目实践，总结几条提示词工程的经验：

1. 角色设定要具体：说明职位、经验年限、擅长领域、回答风格，越具体越好
2. 给出清晰的约束条件：字数、格式、风格、禁忌项都要明确说明
3. 用示例消除歧义：当你觉得描述不清楚时，给个例子往往比长篇解释更有效
4. 分步骤处理复杂任务：让模型按步骤思考，能显著提升复杂任务的质量
5. 迭代优化：提示词不是一次就能写好的，先跑起来，看效果，不断调整

小结

这篇文章介绍了Spring AI中提示词工程的实践方法：

• 系统提示词和用户提示词的分工与配合
• Few-shot示例让模型学会特定模式
• 指定输出格式方便程序解析
• 思维链提升复杂问题的推理质量
• PromptTemplate实现模板化管理
• 配置文件外置提升可维护性

提示词工程是个需要积累的技能，多尝试、多总结，你的提示词会越写越好。

下一篇我们来聊聊结构化输出，看看怎么让大模型直接返回Java对象。