提示词（Prompt）是输入给大模型（LLM）的文本指令，用于明确地告诉大模型你想要解决的问题或完成的任务，也是大语言模型理解用户需求并生成准确答案的基础。因此 prompt 使用的好坏，直接决定了大模型生成结果的质量（是否符合预期）。

Prompt 基本使用

为了让大模型生成更符合预期的结果，我们在使用 Prompt 时，可以使用以下模版。

其内容组成为：

背景： 介绍与任务紧密相关的背景信息。这一环节有助于 LLM 深入理解讨论的具体环境，从而保证其生成内容与话题高度相关。目的： 明确指出您期望 LLM 完成的具体任务。通过设定清晰、精确的目标指令，可引导 LLM 聚焦于实现既定任务，提升输出的有效性。风格： 指定您希望 LLM 输出的写作风格，可以是某个具体名人、具体流派或者某类专家的写作风格。语气： 定义输出内容应有的语气，比如正式、诙谐、温馨、关怀等，以便适应不同的使用场景和使用目的。受众： 明确指出内容面向的读者群体，无论是专业人士、入门学习者还是儿童等，这样 LLM 就能调整语言和内容深度，使之更加贴合受众需求。输出： 规定输出内容的具体形式，确保 LLM 提供的成果能直接满足后续应用的需求，比如列表、JSON 数据格式、专业分析报告等形式。

以下为阿里云提供的 Prompt 案例：

在未使用 Prompt 模版时，LLM 输出虽表现尚可，但显得过于泛化，缺乏必要的细节和针对特定群体的吸引力。而在使用 Prompt 框架时，框架不仅提醒您考虑需求的其它方面，特别是一般 Prompt 中缺少的风格、语气和受众，还帮助 LLM 生成更针对年轻群体、细节更多、语言表达更加富有张力的输出。

Prompt 优化工具

当然，我们也可以使用一些工具来进行 Prompt 优化，例如阿里云百炼平台 Prompt 优化工具扩写等，如下图所示：

Prompt 发展演化

从程序的角度来看 Prompt 的发展演化经过了以下几个阶段：

简单字符串：最初的 Prompt 只是简单的文本字符串。占位符：引入占位符（如 {USER}）以动态插入内容。多角色消息：将消息分为不同角色（如用户、助手、系统等），增强交互的复杂性和上下文感知能力。

Spring AI Prompt 组成

以 Spring AI 中的 Prompt 来看，它的实现源码如下：

public class Prompt implements ModelRequest<List<Message>> {    private final List<Message> messages;    private ChatOptions chatOptions;}

Prompt 实现了 ModelRequest 接口，并且包含了 messages 和 chatOptions 属性，其中：

messages：包含多个 Message 对象，每个消息代表对话中的一个部分。chatOptions：配置选项，用于设置模型的某些属性。

Message API 关系图

Message 对象是 Content 的子类，Spring AI Message API 关系如下图所示：

Prompt 角色分类

Prompt 中的主要角色（Role）包括以下几个：

系统角色（System Role） ：设定 AI 行为边界。指导 AI 的行为和响应方式，设置 AI 如何解释和回复输入的参数或规则。用户角色（User Role） ：接收用户原始输入。代表用户的输入他们向 AI 提出的问题、命令或陈述。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 返回的响应信息，定义为“助手角色”消息。用它可以确保上下文能够连贯的交互。工具/功能角色（Tool/Function Role） ：桥接外部服务，可以进行函数调用如，支付/数据查询等操作。

角色在 Spring AI 枚举中被定义，如下源码所示：

public enum MessageType {    USER("user"),    ASSISTANT("assistant"),    SYSTEM("system"),    TOOL("tool");    }

系统和用户角色使用

import org.springframework.ai.chat.client.ChatClient;import org.springframework.web.bind.annotation.RequestMapping;import org.springframework.web.bind.annotation.RequestParam;import org.springframework.web.bind.annotation.RestController;@RestController@RequestMapping("/prompt")public class PromptController {    private final ChatClient chatClient;    public PromptController(ChatClient.Builder builder) {        this.chatClient = builder.build();    }    @RequestMapping("/system")    public String system(@RequestParam String city) {        String result = chatClient.prompt()        .system("你是一个旅行规划助手")        .user(city)        .call()        .content();        System.out.println(result);        return result;    }}

以上程序执行结果如下：

助手角色使用

AssistantMessage 助手消息类型可用于接收上次执行结果，并实现上下文连续对话，实现代码如下：

import org.springframework.ai.chat.client.ChatClient;import org.springframework.ai.chat.messages.AssistantMessage;import org.springframework.ai.chat.messages.Message;import org.springframework.ai.chat.messages.UserMessage;import org.springframework.web.bind.annotation.RequestMapping;import org.springframework.web.bind.annotation.RequestParam;import org.springframework.web.bind.annotation.RestController;import java.util.ArrayList;import java.util.List;@RestController@RequestMapping("/prompt")public class PromptController {    private final ChatClient chatClient;        List<Message> messages = new ArrayList<>();    public PromptController(ChatClient.Builder builder) {        this.chatClient = builder.build();    }    @RequestMapping("/assistant")    public String assistant(@RequestParam String msg) {        messages.add(new UserMessage(msg));                AssistantMessage response = chatClient.prompt()        .messages(messages)        .call()        .chatResponse()        .getResult()        .getOutput();        messages.add(response);        return response.getText();    }}

程序执行结果如下：

从结果可以看出，第二次交互是在第一次交互的基础上执行的。

获取完整案例加V：vipStone【备注：prompt】

小结

除了 Prompt 以上内容之外，还有 PromptTemplate 以及 Prompt 使用技巧，例如为模型提供输出样例、设定完成任务步骤、使用思维链（Chain of Thought，COT）引导模型“思考”等具体技巧，咱们后期文章再慢慢聊，关注我学习更多 AI 和 Java 的干货知识。

本文已收录到我的面试小站 www.javacn.site，其中包含的内容有：场景题、并发编程、MySQL、Redis、Spring、Spring MVC、Spring Boot、Spring Cloud、MyBatis、JVM、设计模式、消息队列等模块。