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）。
图片
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。
图片
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：
图片
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：
图片
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：
复制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：
图片
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：
复制public enum MessageType {
USER("user"),
ASSISTANT("assistant"),
SYSTEM("system"),
TOOL("tool");
// .....
}系统和用户角色使用
复制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")
publicclass PromptController {
privatefinal 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：
图片
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：
复制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")
publicclass PromptController {
privatefinal ChatClient chatClient;
//使用集合记录消息历史
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));
// 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：
图片
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。
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。
