SpringAI核心特性与Prompt工程
1. Prompt 工程
基本概念：Prompt 工程又叫提示词工程，简单来说，就是输入给 AI 的指令。
比如下面这段内容，就是提示词：
请问桂林电子科技大学是一个怎么样的学校？
1.1 Prompt分类
在 AI 对话中，基于角色的分类是最常见的，通常存在 3 种主要类型的 Prompt：
1）用户 Prompt ：这是用户向 AI 提供的实际问题、指令或信息，传达了用户的直接需求。用户 Prompt 告诉 AI 模型 “做什么”，比如回答问题、编写代码、生成创意内容等。
用户：帮我写一篇有关桂电的介绍文章
2）系统 Prompt ：这是设置 AI 模型行为规则和角色定位的隐藏指令，用户通常不能直接看到。系统 Prompt 相当于给 AI 设定人格和能力边界，即告诉 AI “你是谁？你能做什么？”。
系统：你是一位经验丰富的软件工程师，擅长分析代码问题并提供建设性建议。
回答时保持专业性，但避免使用过于学术的术语，确保新手能够理解你的建议。
3）助手 Prompt ：这是 AI 模型的响应内容。在多轮对话中，之前的助手回复也会成为当前上下文的一部分，影响后续对话的理解和生成。某些场景下，开发者可以主动预设一些助手消息作为对话历史的一部分，引导后续互动。
系统：你是编程导航的专业编程导师，擅长引导初学者入门编程并制定学习路径。使用友好鼓励的语气，解释复杂概念时要通俗易懂，适当使用比喻让新手理解，避免过于晦涩的技术术语。用户：我完全没有编程基础，想学习编程开发，但不知道从何开始，能给我一些建议吗？助手：欢迎加入编程的世界！作为编程小白，建议你可以按照以下步骤开始学习之旅...【多轮对话继续】
1.2 Prompt优化
高质量的 Prompt 可以显著提升 AI 输出的质量，因此掌握 Prompt 优化技巧非常重要。
1.2.1 基础提示技巧
1. 明确指定任务和角色
为 AI 提供清晰的任务描述和角色定位，帮助模型理解背景和期望。
系统：你是一位经验丰富的Python教师，擅长向初学者解释编程概念。
用户：请解释 Python 中的列表推导式，包括基本语法和 2-3 个实用示例。
2. 提供详细说明和具体示例
提供足够的上下文信息和期望的输出格式示例，减少模型的不确定性。
请提供一个社交媒体营销计划，针对一款新上市的智能手表。计划应包含:
1. 目标受众描述
2. 三个内容主题示例格式:
目标受众: [描述]
内容主题: [主题1], [主题2], [主题3]
3. 明确输出格式要求
指定输出的格式、长度、风格等要求，获得更符合预期的结果。
撰写一篇关于气候变化的科普文章，要求:
- 使用通俗易懂的语言，适合高中生阅读
- 包含5个小标题，每个标题下2-3段文字
- 总字数控制在800字左右
- 结尾提供3个可行的个人行动建议
1.2.2 进阶提示技巧
1. 分步骤指导（Step-by-Step）
将复杂任务分解为可管理的步骤，确保模型完成每个关键环节。
请帮我创建一个简单的网站落地页设计方案，按照以下步骤:步骤1: 分析目标受众(考虑年龄、职业、需求等因素)
步骤2: 确定页面核心信息(主标题、副标题、价值主张)
步骤3: 设计页面结构(至少包含哪些区块)
步骤4: 制定视觉引导策略(颜色、图像建议)
步骤5: 设计行动召唤(CTA)按钮和文案
2. 少样本学习（Few-Shot Learning）
通过提供几个输入-输出对的示例，帮助模型理解任务模式和期望输出。
我将给你一些情感分析的例子，然后请你按照同样的方式分析新句子的情感倾向。输入: "这家餐厅的服务太差了，等了一个小时才上菜"
输出: 负面，因为描述了长时间等待和差评服务输入: "新买的手机屏幕清晰，电池也很耐用"
输出: 正面，因为赞扬了产品的多个方面现在分析这个句子:
"这本书内容还行，但是价格有点贵"
核心：任务越复杂，就越要给 Prompt 补充更多细节
2. SpringAI 核心特性
2.1 多轮对话实现
要实现具有 “记忆力” 的 AI 应用，让 AI 能够记住用户之前的对话内容并保持上下文连贯性，我们可以使用Spring AI 框架的 对话记忆能力。
2.1.1 ChatClient
之前我们是直接使用 Spring Boot 注入的 ChatModel 来调用大模型完成对话，而通过我们自己构造的 ChatClient，可实现功能更丰富、更灵活的 AI 对话客户端，也更推荐通过这种方式调用 AI。
通过示例代码，能够感受到 ChatModel 和 ChatClient 的区别。ChatClient 支持更复杂灵活的链式调用（Fluent API）：
// 基础用法(ChatModel)
ChatResponse response = chatModel.call(new Prompt("你好"));// 高级用法(ChatClient)
ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你是恋爱顾问").build();String response = chatClient.prompt().user("你好").call().content();
2.1.2 构建方式
方式 1：构造器注入（Spring 项目专用）
服务类代码
@Service
public class CodeService { // 类名贴合编程场景private final ChatClient chatClient; // 配置好的AI编程工具// Spring自动传入建造者，只需配置编程助手身份public CodeService(ChatClient.Builder builder) {this.chatClient = builder.defaultSystem("你是编程助手，擅长Java、Python代码解答，会解释原理") // 设定AI身份.build(); // 生成工具}// 对外提供编程问题查询方法public String askCodeQuestion(String question) {return chatClient.send(question); // 调用工具发送问题}
}控制器使用示例
@RestController
public class CodeController {@Autowired // Spring自动注入CodeServiceprivate CodeService codeService;@GetMapping("/ask-code")public String askCode(String question) {// 调用服务获取AI的编程解答return codeService.askCodeQuestion(question);}
}方式 2：建造者模式（非 Spring 项目用）
public class CodeDemo {public static void main(String[] args) {// 1. 准备基础AI模型（工具内核）ChatModel chatModel = new ChatModel("你的APIKey");// 2. 用建造者模式组装工具（设定编程助手身份）ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你是编程助手，会写代码、查bug").build();// 3. 调用工具提问String answer = chatClient.send("Python怎么读取Excel文件？");System.out.println(answer); // 输出AI的解答}
}2.1.3 响应格式
// ChatClient支持多种响应格式
// 1. 返回 ChatResponse 对象（包含元数据如 token 使用量）
ChatResponse chatResponse = chatClient.prompt().user("Tell me a joke").call().chatResponse();// 2. 返回实体对象（自动将 AI 输出映射为 Java 对象）
// 2.1 返回单个实体
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（适用于打字机效果）
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（顾问）机制来增强 AI 的能力，可以理解为一系列可插拔的拦截器，在调用 AI 前和调用 AI 后可以执行一些额外的操作，比如：
- 前置增强：调用 AI 前改写一下 Prompt 提示词、检查一下提示词是否安全
- 后置增强：调用 AI 后记录一下日志、处理一下返回的结果
关键组件解析
| 组件 | 作用 | 开发场景 |
|---|---|---|
| Prompt | 原始用户输入 | 开发者直接处理用户输入 |
| AdvisedRequest | 增强的请求对象 | 添加上下文/角色设定（如defaultSystem("恋爱顾问")） |
| AroundAdvisor | 拦截器（AOP 思想） | 核心扩展点： • 日志记录 • 请求改写 • 权限校验 • 敏感词过滤 |
| Chat Model | AI 模型接口 | 对接 OpenAI/Anthropic 等大模型 |
| ChatResponse | 原始 AI 响应 | 包含元数据（token 用量等） |
| AdvisedResponse | 增强的响应对象 | 结果格式化/业务逻辑封装 |
开发重点：AroundAdvisor（拦截器）
这是最强大的扩展点，可自定义处理逻辑：
1.动态角色设定
// 在 Before 拦截器中
if(request.getUser().isPremium()) {request.setSystemRole("高级情感顾问");
} else {request.setSystemRole("基础情感助手");
}2.敏感词过滤
// 在 After 拦截器中
if(response.contains("暴力内容")) {return response.filterSensitiveWords();
}3.业务逻辑集成
// 调用前注入业务数据
request.addContext("用户订单历史: " + orderService.getHistory());3. 总结
本文介绍了 Prompt 工程与 SpringAI 核心特性。Prompt 工程包括基本概念、三类 Prompt（用户、系统、助手）及优化技巧（明确任务角色、分步骤指导等）。SpringAI 核心特性涵盖多轮对话实现（ChatClient 的构建与使用）、多种响应格式，以及 Advisors 机制（通过拦截器增强 AI 能力），还解析了关键组件和开发重点，助力构建更高效的 AI 应用。
大功告成！
出处：编程导航