Prompt 提示词详解

简介

提示词（Prompt） 是指向 AI 模型提供的输入信息，用于指导模型生成特定的输出。提示词可以是问题、命令、描述、上下文信息等，目的是引导模型按照用户的期望提供有意义、相关或准确的答案。

提示词的设计原则

提示词优化示例

优化前: "给我讲讲spring ai"

优化后的提示词: " 我是一个ai小白, 有着 java 的基础知识, 给我讲一下spring ai, 说说它和以前的 spring 有哪些不同, 我怎么快速上手, 再讲讲它的优势和不足"

提示词模板设计

提示词的基本结构: 角色+指令+上下文+输入数据+输出格式+约束条件+示例。

1. 指令（Instruction）：定义 AI 的角色和任务。
2. 上下文（Context）：为 AI 提供背景信息，帮助生成更相关的内容。
3. 输入数据（Input Data）：具体的用户输入。
4. 输出格式（Output Format）：约束 AI 的输出。
5. 约束条件（Constraints）：对生成内容施加限制。
6. 示例（Examples）：提供参考回答，帮助模型理解预期。

示例:

你是一个资深程序员,
请你回答我接下来的问题,
我最近在学习spring ai,
请给我讲讲关于如何对接到OpenAi,
要求代码必须准确, 能直接拷贝运行,
例如xxxx,
代码请用 java 输出.

Spring AI Prompt 介绍

Prompt 类是 Spring AI 提供的一个封装，用于定义与 AI 模型交互时的请求结构。通过 Prompt，你可以规范化对话的输入输出，控制 AI 的响应行为和格式。

基础用法:

Prompt 提示词

代码示例：

Prompt prompt = new Prompt("请给我将一个笑话");
chatClient.prompt(prompt).call().content();

ChatOptions 

字段解释:

字段	字段类型	解释	作用	示例值/取值范围
model	sring	Ai模型版本		gpt-3.5-turbo
frequencyPenalty	double	控制生成时对重复词的惩罚程度	用于防止生成内容中出现过多重复性描述	[-2.0, 2.0], 值越大, 重复性越低
maxTokens	integer	控制生成的最大字符数或词数（tokens 数量）	用于限制模型生成内容的长度，避免输出过长的文本	200
presencePenalty	double	对新话题的偏好	适合用于需要更具创意或广泛探索的生成任务	[-2.0, 2.0], 值越大, 创新性更强
StopSequences	List	设置生成结束的触发条件	当生成内容中出现指定的字符串时，模型会停止生成, 用于控制长度	\n, END
temperature	double	控制生成文本的随机性		[0.0, 1.0] 值越高（接近 1），生成的文本越多样化、更具创意，词的选择会更加随机
topK	integer	取生成文本的前xx个
topP	double	采样范围	top-p 与 temperature 可搭配使用	[0.0, 1.0] 1.0: 使用完整的词汇分布。 较低值（如 0.1）会使生成内容更加局限于高概率词

代码示例:

ChatOptions chatOptions = ChatOptions.builder().model("gpt-3.5-turbo").temperature(0.7) .maxTokens(100).frequencyPenalty(0.5).presencePenalty(0.5).topK(50).topP(0.7).stopSequences(List.of("end")).build();

PromptTemplate 提示词模板

PromptTemplate能够帮助我们创建结构化提示词，是Spring AI提示词工程中的关键组件，提示词模板采用占位符的方式，通过格式化的提问，规避ai回答随机性问题。
该类实现了三个接口：PromptTemplateStringActions、PromptTemplateActions和PromptTemplateMessageActions,这些接口的主要功能也有所不同：

代码示例:

String template = """请告诉我{author}最受欢迎的书是哪本？什么时间出版的？书的内容描述了什么？""";
PromptTemplate promptTemplate = new PromptTemplate(template);
Prompt prompt = promptTemplate.create(Map.of("author", author));
String content = chatClient.prompt(prompt).call().content();

响应结果：

刘慈欣最受欢迎的书是《三体》（The Three-Body Problem），2008年首次出版，《三体》是一部硬科幻小说，讲述了人类在接触到一个神秘的外星文明“三体文明”后，面临的生存与发展危机。

BeanOutputConverter 输出对象转换器

虽然上面的ai回答了我们的问题， 但是如果我们想处理响应数据却比较难，因为响应数据没有进行统一的格式化。例如我们想做数据入库的时候，还需要解析响应内容。

好在spiring ai 已经提供了相关的能力。下面是代码示例：

/*** 定义book对象*/
@Data
public class BookResponse {private String bookName;private String authorName;private String publishDate;private String description;
}

    public BookResponse promptTemplateChat(String author) {String template = """请告诉我{author}最受欢迎的书是哪本？什么时间出版的？书的内容描述了什么？{format}""";// 构造 转换器对象BeanOutputConverter<BookResponse> converter = new BeanOutputConverter<>(BookResponse.class);PromptTemplate promptTemplate = new PromptTemplate(template);Prompt prompt = promptTemplate.create(Map.of("author", author,"format", converter.getFormat()));log.info("prompt: {}", prompt);String content = sensenovaChatClient.prompt(prompt).call().content();// 解析返回的结果BookResponse book = converter.convert(content);return book;

之所以能返回对象格式, 是因为 convert中的getFormat()方法指定了返回格式:

日志查看提问内容 ：prompt 格式:

{messages=[UserMessage{content='        请告诉我刘慈欣最受欢迎的书是哪本？什么时间出版的？书的内容描述了什么？Your response should be in JSON format.Do not include any explanations, only provide a RFC8259 compliant JSON response following this format without deviation.Do not include markdown code blocks in your response.Remove the ```json markdown from the output.Here is the JSON Schema instance your output must adhere to:```{"$schema" : "https://json-schema.org/draft/2020-12/schema","type" : "object","properties" : {"authorName" : {"type" : "string"},"bookName" : {"type" : "string"},"description" : {"type" : "string"},"publishDate" : {"type" : "string"}},"additionalProperties" : false}```', properties={messageType=USER}, messageType=USER}], modelOptions=null}

输出结果：

{"authorName": "刘慈欣","bookName": "三体","description": "《三体》是刘慈欣创作的科幻小说，讲述了地球文明与外星文明三体文明的首次接触和交流，以及之后两个文明间的冲突与战争。","publishDate": "2008年"
}