Spring AI开发跃迁指南（第二章：急速上手3——Spring AI 提示词及提示词模版核心原理及使用实例）

06-01 919阅读

1.提示词简介

提示词是引导 AI 模型生成特定输出的输入，这些提示的设计和措辞会显著影响模型的响应。关于提示词以及LLM中基本概念及入门的介绍请参考Spring AI开发跃迁指南（第一章：生态破局——Spring AI的颠覆性优势分析）。在人工智能领域，提示词的结构一直在不断发展。最初，提示符只是简单的字符串。随着时间的推移，它们逐渐包含特定输入的占位符，例如“USER:”，而人工智能模型可以识别这些占位符。OpenAI 通过在人工智能模型处理多个消息字符串之前，将它们分类到不同的角色中，为提示符引入了更丰富的结构。

2.源码分析及详解

通常使用ChatModel的call()方法，它接受一个Prompt实例并返回一个ChatResponse。

Prompt类源码：

public class Prompt implements ModelRequest {
    private final List messages;
    private ChatOptions chatOptions;
    
    // 省略构造函数和其他方法.....
}

2.1.chatOptions

chatOptions请求容器，用于配置与大语言模型（LLM）交互时的参数选项，直接影响模型生成内容的质量、风格和性能。其核心参数如下：

温度控制（Temperature）

ChatOptions options = ChatOptions.builder()
    .temperature(0.7)  // 默认值：0.7，范围：0-2
    .build();

作用：控制模型输出的随机性
- 低温度（接近 0）：生成确定性强、聚焦性高的回答（适合代码生成、事实性问答）
- 高温度（接近 2）：生成更具创造性、多样性的回答（适合故事创作、头脑风暴）
  1. 最大生成tokens（Max Tokens）
```
ChatOptions.builder()
    .maxTokens(200)  // 限制回复最大长度
    .build();
```
  - 注意事项：
    - 需预留足够 token 空间给提示词（总 token 数 ≤ 模型上下文窗口）
    - 对于长文本生成，建议结合文本分块策略
      1. Top-P 采样（Nucleus Sampling）
        
        ChatOptions.builder() .topP(0.9) // 默认值：1.0，范围：0-1 .build();
      - 作用：只考虑概率质量累计达到 topP 的最小词元集合
        
        与 temperature 互补，通常不同时调整
        较小的 topP 值（如 0.9）可减少无关输出
        
        频率惩罚（Frequency Penalty）
        
        ChatOptions.builder() .frequencyPenalty(0.5) // 默认值：0，范围：-2.0到2.0 .build();
        
        作用：降低已出现词元的生成概率
        
        正值：减少重复表述（适合长文本生成）
        负值：增加重复可能性（适合诗歌、歌词创作）
        
        存在惩罚（Presence Penalty）
        
        ChatOptions.builder() .presencePenalty(0.5) // 默认值：0，范围：-2.0到2.0 .build();
        
        区别于频率惩罚：
        
        频率惩罚：针对词元出现次数
        存在惩罚：针对词元是否出现过（更全局的惩罚）
        
        停止词元（Stop Sequences）
        
        ChatOptions.builder() .stop(List.of("```", "\n\n")) // 遇到这些词元时停止生成 .build();
        
        典型应用场景：
        
        代码生成时遇到代码块结束标记
        对话系统中遇到特定分隔符
        日志概率（Logprobs）
        ChatOptions.builder() .logprobs(5) // 返回top 5候选词元的概率信息 .build();
        
        用途：
        模型行为调试
        构建概率引导的生成系统
        2.3.Message
        
        Message接口封装了Prompt文本内容、元数据属性集合和称为MessageType的分类。
        
        public interface Message extends Content { MessageType getMessageType(); } public interface Content { String getContent(); Map getMetadata(); }
        
        多模态消息类型还实现了提供媒体内容对象列表的MediaContent接口:
        
        public interface MediaContent extends Content { Collection getMedia(); }
        
        Message接口的各种实现对应于AI模型可以处理的不同类别的消息,模型根据会话角色区分消息类别。
        
        Mesage实现类如下：
        
        UML图如下：
        
        每个Message都被分配了一个特定的角色。这些角色对消息进行分类，阐明AI模型提示的每个部分的上下文和目的。这种结构化的方法增强了与AI交流的细微差别和有效性，因为提示的每个部分在交互中都扮演着不同的角色。
        
        这些角色由MessageType指定：
        
        系统角色（System Role）：引导AI的行为和响应风格，为AI如何解释和回复输入设置参数或规则，类似于在开始对话之前向AI提供指令。
        用户角色（User Role）：代表用户的输入——他们向AI提出的问题、命令或语句。这个角色至关重要，因为它构成了AI响应的基础。
        助手角色（Assistant Role）： AI 对用户输入的响应，对于维持对话的流畅性至关重要。如记录历史对话响应，维持上下文连贯性。
        工具/功能角色（Tool/Function Role）：工具/功能角色侧重于在响应工具呼叫助理消息时返回附加信息（触发外部工具调用如 API 查询等）。
        public enum MessageType { USER("user"), ASSISTANT("assistant"), SYSTEM("system"), TOOL("tool"); ... }
        
        3.PromptTemplate提示词模版
        
        Spring AI 中的提示词模板（Prompt Template）是构建动态、灵活提示词（Prompt）的核心工具。它允许开发者将静态文本与动态变量结合，生成符合上下文需求的提示词，从而提高与大模型（如 ChatGPT、LLaMA 等）交互的效率和可控性。
        
        作用：
        
        动态内容生成：通过变量替换，基于不同输入生成定制化提示词。
        代码复用：避免重复编写相似提示结构，提升代码可维护性。
        上下文管理：整合系统指令、用户输入、历史对话等上下文信息。
        格式标准化：统一提示词结构，确保模型输入格式符合预期。
        3.1.核心类解析
        
        PromptTemplate类
        PromptTemplate类是所有提示词模板的基类，旨在促进结构化提示的创建，然后将其发送到 AI 模型进行处理，是模板解析与变量替换的核心入口。
        
        其UML图如下：
        
        此类使用TemplateRendererAPI 来渲染模板。默认情况下，Spring AI 使用StTemplateRenderer基于 Terence Parr 开发的开源StringTemplate引擎的实现。模板变量通过语法标识{}，但您也可以配置分隔符以使用其他语法。
        
        public interface TemplateRenderer extends BiFunction { @Override String apply(String template, Map variables); }
        
        PromptTemplateStringActions接口
        专注于创建和渲染提示字符串，代表提示生成的最基本形式。
        
        public interface PromptTemplateStringActions { // 将提示模板渲染为最终的字符串格式，无需外部输入，适用于没有占位符或动态内容的模板 String render(); // 增强渲染功能以包含动态内容。它使用一个Map映射，其中key是提示模板中的占位符名称，value是要插入的动态内容 String render(Map model); }
        
        PromptTemplateMessageActions接口
        适用于通过生成和操作Message对象进行快速创作。
        
        public interface PromptTemplateMessageActions { // 创建一个Message没有附加数据的对象，用于静态或预定义的消息内容。 Message createMessage(); // 创建一个Message具有静态文本和媒体内容的对象。 Message createMessage(List mediaList); // 扩展消息创建以集成动态内容，接受Map每个条目代表消息模板中的占位符及其对应的动态值。 Message createMessage(Map model); }
        
        4.PromptTemplateActions接口
        
        旨在返回Prompt对象，可以将其传递ChatModel给生成响应。
        
        public interface PromptTemplateActions extends PromptTemplateStringActions { // Prompt无需外部数据输入即可生成对象，非常适合静态或预定义提示。 Prompt create(); // 生成一个Prompt没有外部数据输入但带有聊天请求特定选项的对象。 Prompt create(ChatOptions modelOptions); // 扩展提示创建功能以包含动态内容，其中Map每个映射条目都是提示模板中的占位符及其关联的动态值。 Prompt create(Map model); // 扩展提示创建功能以包含动态内容，其中Map每个映射条目都是提示模板中的占位符及其关联的动态值，以及聊天请求的特定选项。 Prompt create(Map model, ChatOptions modelOptions); }
        
        3.2.PromptTemplate子类
        
        SystemPromptTemplate：设置模型行为规则，如回答风格、领域限制等。
        
        AssistantPromptTemplate：维护对话上下文连贯性，支持多轮对话管理。
        
        FunctionPromptTemplate：支持与FunctionRegistry注册的工具联动，可配置工具调用参数校验规则。
        
        4.使用示例
        
        4.1.基础示例
        
        Spring AI 的提示词模板默认采用 {} 作为变量占位符，支持简单变量替换和复杂表达式。
        
        public String generateStream2() { PromptTemplate promptTemplate = new PromptTemplate("告诉我演员{actor}的生平和作品,如果他不是演员则返回不是演员"); Prompt prompt = promptTemplate.create(Map.of("actor", "刘亦菲")); return chatClient.prompt(prompt).call().content(); }
        
        复杂表达式：可结合 Spring Expression Language (SpEL) 实现逻辑处理。
        
        String template = "生成关于{theme}的{sentenceCount > 1 ? '多个故事' : '一个故事'}，风格为{style}。"; Map vars = Map.of("theme", "太空探险", "sentenceCount", 3, "style", "科幻");
        
        模版嵌套：组合多个子模板实现模块化。
        
        PromptTemplate headerTemplate = new PromptTemplate("你是一位资深{role}，擅长用{style}风格写作。"); PromptTemplate bodyTemplate = new PromptTemplate("请就{topic}撰写一篇{length}字的文章。"); Map vars = Map.of("role", "科技评论员", "style", "批判性分析", "topic", "AI 伦理", "length", 800); Prompt combinedPrompt = new Prompt( headerTemplate.create(vars).getContents() + bodyTemplate.create(vars).getContents() );
        
        4.2.文件模版
        
        Spring AI 支持org.springframework.core.io.Resource抽象，因此您可以将提示数据放入可直接在 PromptTemplate中使用的文件
        
        手动：
        
        public String generateStream3() { // 从classpath加载模板文件（theme.st） Resource templateResource = new ClassPathResource("theme.st"); PromptTemplate promptTemplate = new PromptTemplate(templateResource); // 生成带格式的提示词 Prompt prompt = promptTemplate.create(Map.of("theme", "联邦学习")); return chatClient.prompt(prompt).call().content(); }
        
        自动：
        
        @Value("classpath:/prompts/system-message.st") private Resource systemResource;
        
        然后将资源SystemPromptTemplate直接传递给。
        
        SystemPromptTemplate systemPromptTemplate = new SystemPromptTemplate(systemResource);

免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理! 部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理! 图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库和百度，360，搜狗等多加搜索引擎自动关键词搜索配图，如有侵权的图片，请第一时间联系我们。