摘要：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）。
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）。
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。
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：
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。以 Spring AI 中的 Prompt 来看，它的实现源码如下：
public class Prompt implements ModelRequest> { private final List 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 对象是 Content 的子类，Spring AI Message API 关系如下图所示：
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"); // .....}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：
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; //使用集合记录消息历史 List 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)); // 助手消息 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。
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](https://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。
来源：磊哥聊编程
