摘要：提示词工程（Prompt Engineering）是发挥大模型能力的关键技术。本文结合实际项目代码，系统讲解 Spring AI 中提示词工程的四大核心策略：角色设定、少样本学习、结构化输出和思维链推理。
一、什么是提示词工程？
提示词工程是通过精心设计的提示词（Prompt），引导大模型输出符合预期结果的技术。
为什么需要提示词工程？
同样的模型，不同的提示词，结果天差地别：
❌ 差的提示词：
帮我写个故事
→ 输出：随便写一个普通故事
✅ 好的提示词：
请以科幻为主题，写一个关于 AI 觉醒的短篇故事，要求：
1. 包含悬念和反转
2. 人物对话占比 40%
3. 字数 1000 字以内
→ 输出：高质量、符合要求的科幻故事
提示词工程的核心策略
- Role（角色设定）：告诉 AI 它是谁
- Shot（少样本学习）：给 AI 看几个例子
- Structure（结构化输出）：规定输出格式
- Step（思维链）：让 AI 逐步思考
二、策略一：角色设定（Role Prompting）
核心思想
通过 SystemMessage 定义 AI 的角色、性格和行为准则，让它以特定身份回答问题。
代码实现
@RestController
@RequestMapping("/prompt")
public class RolePromptingController implements InitializingBean {@Autowiredprivate ChatModel chatModel;private ChatClient chatClient;@Overridepublic void afterPropertiesSet() {// 设定默认角色：美食评论家chatClient = ChatClient.builder(chatModel).defaultSystem("你是一个专业的美食评论家，擅长用生动的语言描述菜品，评价要客观但带有个人风格").build();}@GetMapping("/food-review")public String foodReview(String restaurant) {return chatClient.prompt("评价一下" + restaurant).call().content();}
}
测试效果
# 输入
curl "http://localhost:8000/prompt/food-review?restaurant=海底捞"# 输出（美食评论家风格）
"海底捞的服务确实无可挑剔，但说实话，火锅的味道还停留在'不会出错但也不惊艳'的阶段。毛肚的脆度和牛油锅的醇厚是亮点，可如果你在追求味蕾的极致体验，可能会觉得少了点惊喜。"
角色设定技巧
1. 明确身份
.defaultSystem("""你是一个拥有 10 年经验的 Java 架构师，擅长 Spring Boot、微服务、分布式系统设计。""")
2. 定义行为准则
.defaultSystem("""你是一个耐心的编程老师，1. 用简单易懂的语言解释概念2. 提供代码示例3. 指出常见错误4. 鼓励学生思考""")
3. 设定语气风格
// 正式专业
.defaultSystem("你是一位专业的技术顾问，请用正式的语言回答问题")// 幽默风趣
.defaultSystem("你是一个幽默的程序员，喜欢用段子解释技术概念")// 简洁直接
.defaultSystem("你是一个高效的技术专家，只说重点，不要废话")
实战场景
@Bean
public ChatClient teacherClient(ChatModel chatModel) {return ChatClient.builder(chatModel).defaultSystem("""你是一个耐心的 Python 编程老师，教学风格：1. 先解释概念，再给代码示例2. 代码必须包含详细注释3. 指出新手容易犯的错误4. 最后给一个练习题""").build();
}
三、策略二：少样本学习（Few-Shot Learning）
核心思想
通过提供几个输入-输出示例，让 AI 学习任务的模式和规则，而不需要明确说明。
代码实现
@GetMapping("/intent-recognition")
public String recognizeIntent(String message) {return chatClient.prompt().system("""请识别用户输入的真实意图，并返回对应的操作类型。参考示例：Input：明天北京天气怎么样？Output：{"intent": "weather_query", "location": "北京", "time": "明天"}Input：帮我订一张后天去上海的高铁票Output：{"intent": "ticket_book", "type": "train", "from": "当前城市", "to": "上海", "date": "后天"}Input：推荐几部好看的电影Output：{"intent": "recommendation", "category": "movie"}""").user(message).call().content();
}
测试效果
# 输入
curl "http://localhost:8000/prompt/intent-recognition?message=我想定一个下周去成都的机票，最好是上午的航班"# 输出
{"intent": "ticket_book", "type": "flight", "to": "成都", "date": "下周", "preference": "上午航班"}
少样本学习的要素
1. 任务描述（可选）
请你根据用户输入的问题做改写，主要有以下改写策略：
1、改写其中的错别字。
2、做内容精简
2. 示例（核心）
Input：ni好
Output ：{"错别字改写":"你好","内容精简":""}Input：我今天心情不错...
Output ：{"错别字改写":"","内容精简":"今天是什么天气？"}
3. 用户输入
.user(message)
示例设计原则
✅ 好的示例
.system("""情感分析任务：示例 1：Input：这家餐厅太好吃了，服务也很棒！Output：{"sentiment": "positive", "score": 0.95}示例 2：Input：菜太咸了，等了一个小时还没上菜Output：{"sentiment": "negative", "score": 0.15}示例 3：Input：味道一般，价格还行Output：{"sentiment": "neutral", "score": 0.50}""")
优点：
- 覆盖不同情况（正面、负面、中性）
- 输出格式一致
- 标签清晰
❌ 差的示例
.system("""情感分析：示例：好吃 -> 正面""")
缺点：
- 示例太少，无法覆盖边界情况
- 格式不统一
- 缺少具体数值
实战场景：文本分类
@GetMapping("/classify")
public String classifyText(String text) {return chatClient.prompt().system("""请将用户的问题分类为以下类型：- code：代码相关- math：数学计算- writing：写作创作- chat：闲聊聊天示例：Input：如何用 Spring Boot 实现登录功能？Output：{"category": "code"}Input：1+1等于几？Output：{"category": "math"}Input：写一首关于春天的诗Output：{"category": "writing"}Input：你好，今天天气不错Output：{"category": "chat"}""").user(text).call().content();
}
四、策略三：结构化输出（Structured Output）
核心思想
明确要求 AI 以特定格式（如 JSON、XML、Markdown）输出结果，方便程序解析和后续处理。
代码实现
@GetMapping("/analyze")
public String structuredAnalyze(String company) {return chatClient.prompt().system("你是一个资深的商业分析师").user("请分析%s公司的商业模式，以 JSON 格式输出，包含：公司名称、核心业务、盈利模式、竞争优势、潜在风险".formatted(company)).call().content();
}
测试效果
# 输入
curl "http://localhost:8000/prompt/analyze?company=特斯拉"# 输出
{"company": "Tesla Inc.","core_business": "电动汽车、清洁能源、自动驾驶技术","revenue_model": "车辆销售、FSD软件订阅、太阳能产品、充电服务","competitive_advantages": ["领先的电池技术和超级充电网络","Autopilot 自动驾驶系统","强大的品牌影响力","垂直整合的供应链"],"risks": ["产能瓶颈","激烈的市场竞争","监管政策变化"]
}
结构化输出技巧
1. 明确指定格式
// JSON 格式
.user("请以 JSON 格式输出，包含以下字段：name, age, skills")// Markdown 表格
.user("请以 Markdown 表格形式输出，包含列：姓名、年龄、技能")// XML 格式
.user("请以 XML 格式输出，根节点为 person")
2. 提供 Schema 定义
.user("""请以 JSON 格式输出，严格遵循以下 Schema：{"person": {"name": "string","age": "number","skills": ["string"],"experience_years": "number"}}""")
3. 使用 JSON Mode（如果模型支持）
ChatOptions options = DashScopeChatOptions.builder().responseFormat(ResponseFormat.builder().type(ResponseFormat.Type.JSON_OBJECT).build()).build();return chatClient.prompt(message).options(options).call().content();
实战场景：信息抽取
@GetMapping("/extract")
public String extractInfo(String text) {return chatClient.prompt().system("你是一个信息抽取专家").user("""从以下文本中抽取关键信息，以 JSON 格式输出：文本：%s输出格式：{"persons": ["人名列表"],"locations": ["地点列表"],"organizations": ["组织机构列表"],"dates": ["日期列表"],"key_events": ["关键事件列表"]}""".formatted(text)).call().content();
}
五、策略四：思维链推理（Chain of Thought）
核心思想
让 AI 按照特定的步骤逐步思考，而不是直接给出答案，提高复杂问题的准确率。
代码实现
@GetMapping("/story-analysis")
public Flux<String> storyAnalysis(String story, HttpServletResponse response) {response.setCharacterEncoding("UTF-8");return chatClient.prompt("""请分析以下故事，并输出关键信息。请按照以下步骤逐步思考，最终只输出 JSON 即可：step 1-用一句话概括故事主题step 2-识别故事中的主要人物及其角色step 3-分析故事的情感基调（正面/负面/中性）step 4-提取故事的关键转折点step 5-输出一个 JSON 对象，包含以下键：theme（主题）, characters（人物列表）, sentiment（情感）, plot_twists（转折点列表）最终输出格式：{"theme": "故事主题","characters": ["人物1", "人物2"],"sentiment": "情感基调","plot_twists": ["转折点1", "转折点2"]}""").system("你是专业的文学分析师").user(story).stream().content();
}
测试效果
# 输入
curl "http://localhost:8000/prompt/story-analysis?story=小明一直梦想成为画家，但父亲希望他学医。高考那年，他偷偷报考了美术学院。成绩公布那天，父亲拿着他的录取通知书，沉默了很久后说：'去吧，别后悔。'"# 输出（逐步思考过程，最终输出）
{"theme": "追求梦想与家庭和解","characters": ["小明（追梦者）", "父亲（严厉但理解）"],"sentiment": "positive","plot_twists": ["偷偷报考美术学院", "父亲最终支持"]
}
思维链的优势
1. 提高复杂任务的准确率
直接问：这篇文章有几个人名？
→ 可能漏掉或数错分步问：
step 1-概括内容
step 2-翻译
step 3-列出人名
step 4-统计数量
→ 准确率高
2. 便于调试和验证
// 可以看到 AI 的每一步思考过程
step 1: 张三、李四和王五一起去旅游
step 2: Zhang San, Li Si and Wang Wu went traveling together
step 3: 人名：Zhang San, Li Si, Wang Wu
step 4: {"num_names": 3}
思维链设计模式
模式 1：分析 → 综合
.system("""请按以下步骤分析代码：step 1-识别代码的主要功能step 2-分析代码的时间复杂度step 3-指出潜在的 bug 或性能问题step 4-给出优化建议step 5-输出优化后的代码最终输出一个 JSON：{"functionality": "功能描述","time_complexity": "时间复杂度","issues": ["问题列表"],"suggestions": ["建议列表"],"optimized_code": "优化后的代码"}""")
模式 2：分解 → 解决 → 合并
.system("""解决数学问题的步骤：step 1-理解问题，提取已知条件step 2-确定解题思路和方法step 3-分步计算，展示详细过程step 4-验证答案是否正确step 5-输出最终答案最终输出：{"understanding": "问题理解","approach": "解题思路","steps": ["计算步骤"],"verification": "验证过程","answer": "最终答案"}""")
模式 3：评估 → 对比 → 推荐
.system("""技术选型分析步骤：step 1-列出所有候选方案step 2-评估每个方案的优缺点step 3-对比关键指标（性能、易用性、生态）step 4-根据使用场景给出推荐最终输出：{"candidates": ["候选方案"],"comparison": {"方案1": {"pros": [], "cons": []},"方案2": {"pros": [], "cons": []}},"recommendation": "推荐方案","reason": "推荐理由"}""")
六、组合策略：提示词工程的最佳实践
实战案例：智能代码审查助手
@GetMapping("/code-review")
public String codeReview(String code) {return chatClient.prompt().system("""你是一个拥有 15 年经验的资深 Java 架构师，擅长代码审查、性能优化和设计模式。""") // 角色设定.user("""请审查以下代码，并按照以下步骤输出：step 1-分析代码的主要功能step 2-识别代码中的问题（bug、性能、安全）step 3-评估代码的可维护性和可读性step 4-给出具体的优化建议step 5-提供优化后的代码参考示例：Input：public void process(List<String> data) {for (int i = 0; i < data.size(); i++) {String item = data.get(i);if (item != null) {System.out.println(item.toUpperCase());}}}Output：{"functionality": "遍历列表并打印大写字符串","issues": ["使用传统 for 循环，不够简洁","没有处理空列表的情况","直接打印到控制台，不够灵活"],"suggestions": ["使用增强 for 循环或 Stream API","添加空值检查","使用日志框架替代 System.out"],"optimized_code": "public void process(List<String> data) {\\n if (data == null || data.isEmpty()) return;\\n \\n data.stream()\\n .filter(Objects::nonNull)\\n .map(String::toUpperCase)\\n .forEach(log::info);\\n}"}现在请审查以下代码：%s最终以 JSON 格式输出。""".formatted(code)) // 少样本 + 思维链 + 结构化输出.call().content();
}
这个提示词组合了：
- ✅ 角色设定：资深 Java 架构师
- ✅ 思维链：5 步审查流程
- ✅ 少样本学习：提供了一个完整示例
- ✅ 结构化输出：要求 JSON 格式
七、提示词工程的常见陷阱
❌ 陷阱 1：提示词太长太啰嗦
// 错误示例
.system("""你是一个助手，你应该回答问题，你应该帮助用户，你要有礼貌，要专业，要准确，要详细，要全面，不要说谎，不要编造，不要误导...（废话太多）""")// 正确示例
.system("你是一个专业的技术顾问，回答要准确、简洁、实用")
❌ 陷阱 2：示例不一致
// 错误示例：格式不统一
.system("""示例1：好吃 -> 正面情感示例2：{"sentiment": "负面"}示例3：neutral""")// 正确示例：格式统一
.system("""示例1：{"sentiment": "positive", "score": 0.95}示例2：{"sentiment": "negative", "score": 0.15}示例3：{"sentiment": "neutral", "score": 0.50}""")
❌ 陷阱 3：缺少边界条件
// 错误示例：只给正常情况
.system("把数字乘以 2。示例：5 -> 10")// 正确示例：覆盖边界
.system("""把数字乘以 2。示例：5 -> 100 -> 0-3 -> -61000000 -> 2000000""")
八、完整 Controller 示例
package cn.hollis.llm.llmentor.controller;import jakarta.servlet.http.HttpServletResponse;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.beans.factory.InitializingBean;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import reactor.core.publisher.Flux;@RestController
@RequestMapping("/prompt")
public class PromptEngineeringController implements InitializingBean {@Autowiredprivate ChatModel chatModel;private ChatClient chatClient;/*** 策略一：角色设定 - 美食评论家*/@GetMapping("/food-review")public String foodReview(String restaurant) {return chatClient.prompt("评价一下" + restaurant).call().content();}/*** 策略二：少样本学习 - 意图识别*/@GetMapping("/intent-recognition")public String recognizeIntent(String message) {return chatClient.prompt().system("""请识别用户输入的真实意图，并返回对应的操作类型。参考示例：Input：明天北京天气怎么样？Output：{"intent": "weather_query", "location": "北京", "time": "明天"}Input：帮我订一张后天去上海的高铁票Output：{"intent": "ticket_book", "type": "train", "from": "当前城市", "to": "上海", "date": "后天"}Input：推荐几部好看的电影Output：{"intent": "recommendation", "category": "movie"}""").user(message).call().content();}/*** 策略三：结构化输出 - 商业分析*/@GetMapping("/analyze")public String structuredAnalyze(String company) {return chatClient.prompt().system("你是一个资深的商业分析师").user("请分析%s公司的商业模式，以 JSON 格式输出，包含：公司名称、核心业务、盈利模式、竞争优势、潜在风险".formatted(company)).call().content();}/*** 策略四：思维链推理 - 故事分析*/@GetMapping("/story-analysis")public Flux<String> storyAnalysis(@RequestParam(value = "story") String story, HttpServletResponse response) {response.setCharacterEncoding("UTF-8");return chatClient.prompt("""请分析以下故事，并输出关键信息。请按照以下步骤逐步思考，最终只输出 JSON 即可：step 1-用一句话概括故事主题step 2-识别故事中的主要人物及其角色step 3-分析故事的情感基调（正面/负面/中性）step 4-提取故事的关键转折点step 5-输出一个 JSON 对象，包含以下键：theme（主题）, characters（人物列表）, sentiment（情感）, plot_twists（转折点列表）最终输出格式：{"theme": "故事主题","characters": ["人物1", "人物2"],"sentiment": "情感基调","plot_twists": ["转折点1", "转折点2"]}""").system("你是专业的文学分析师").user(story).stream().content();}@Overridepublic void afterPropertiesSet() throws Exception {// 默认角色：美食评论家chatClient = ChatClient.builder(chatModel).defaultSystem("你是一个专业的美食评论家，擅长用生动的语言描述菜品，评价要客观但带有个人风格").build();}
}
九、提示词工程检查清单
在实际开发中，使用以下检查清单优化你的提示词：
✅ 角色设定检查
✅ 少样本学习检查
✅ 结构化输出检查
✅ 思维链检查
十、总结
提示词工程是发挥大模型潜力的关键技术。在 Spring AI 中，我们可以通过 ChatClient 优雅地实现四大核心策略：
| 策略 | 核心思想 | 适用场景 | 代码方法 |
|---|---|---|---|
| 角色设定 | 定义 AI 身份 | 统一回答风格 | defaultSystem() |
| 少样本学习 | 提供示例 | 模式识别任务 | .system("示例...") |
| 结构化输出 | 规定格式 | 程序解析 | "以 JSON 格式输出" |
| 思维链推理 | 分步思考 | 复杂问题 | "step 1...step 2..." |
最佳实践：
- 组合使用多种策略，效果更佳
- 示例要典型、覆盖边界情况
- 输出格式要明确、统一
- 复杂任务分解为多步骤
掌握提示词工程，让大模型真正成为你的得力助手！
参考资源：
- OpenAI Prompt Engineering Guide
- Spring AI 官方文档
- Awesome Prompt Engineering
作者：Work Hard Work Smart
出处：http://www.cnblogs.com/linlf03/
欢迎任何形式的转载，未经作者同意，请保留此段声明！