Spring AI--Prompt、多轮对话实现方案 - 教程
目录
1.指令型提示词（Instructional Prompts)
2.对话型提示词（ConversationalPrompts)
4.角色扮演提示词(Role-Playing Prompts)
1.思维链提示法（Chain-of-Thought, CoT）
Prompt工程
基本概念
输入给Al的指令。就是Prompt工程（PromptEngineering）又叫提示词工程，简单来说，就
学习Prompt工程的目标是：通过精心设计和优化输入提示来引l导AI模型生成符合预期的高质量输出。
提示词分类
基于角色的分类
1.用户Prompt（UserPrompt)
这是用户向Al提供的实际问题、指令或信息，传达了用户的直接需求。用户Prompt告诉AI模型“做什么"，比如回答问题、编写代码、生成创意内容等。
2.系统Prompt（SystemPrompt)
这是设置Al模型行为规则和角色定位的隐藏指令，用户通常不能直接看到。系统Prompt相当于给AI设定人格和能力边界，即告诉Al“你是谁？你能做什么？“。
不同的系统prompt可以让同一个AI模型表现出完全不同的应用特性。
3.助手Prompt（AssistantPrompt)
这是Al模型的响应内容。在多轮对话中，之前的助手回复也会成为当前上下文的一部分，影响后续对话的理解和生成。某些场景下，开发者可以主动预设一些助手消息作为对话历史的一部分，引导后续互动。
基于功能的分类
除了基于角色的分类外，我们还允许从功能角度对提示词进行分类，仅作了解即可。
1.指令型提示词（Instructional Prompts)
明确告诉Al模型需要执行的任务，通常以命令式语句开头。例：翻译以下文本为英文：春天来了，花儿开了。
2.对话型提示词（ConversationalPrompts)
模拟自然对话，以问答形式与Al模型交互。例：你认为人工智能会在未来取代人类工作吗？
3.创意型提示词（Creative Prompts)
引导 Al模型进行创意内容生成，如故事、诗歌、广告文案等。例：写一个发生在未来太空殖民地的短篇科幻故事，主角是一位机器人工程师。
4.角色扮演提示词(Role-Playing Prompts)
爱因斯坦，如何用便捷的语言解释相对论？就是让 Al扮演特定角色或人物进行回答。例：假设你
5.少样本学习提示词（Few-ShotPrompts)
提供一些示例，引I导Al理解所需的输出格式和风格。
将以下句子改写为正式商务语言：
示例1：
原句：这个想法不错。
改写：该提案展现了相当的潜力和创新性。
示例2：
原句：我们明天见。
改写：期待明日与您会面，继续我们的商务讨论。
现在请改写：这个价格太高了。
基于复杂度的分类
1.简单提示词(SimplePrompts)
单一指令或者问题，没有复杂的背景或者约束条件。例：什么是人工智能？
2.复合提示词（CompoundPrompts)
包含多个相关指令或步骤的提示词。例：分析下面这段代码，解释它的功能，找出潜在的错误，并提供改进建议。
3.链式提示词（ChainPrompts）
一系列连续的、相互依赖的提示词，每个提示词基于前一个提示词的输出。
第一步：生成一个科幻故事的基本情节。
第二步：基于情节创建三个主要角色，包括他们的背景和动机。
第三步：利用这些角色和情节，撰写故事的开篇段落。
4.模板提示词（TemplatePrompts）
涵盖可替换变量的标准化提示词结构，常用于大规模应用。
你是一位专业的{领域}专家。请回答以下关于{主题}的问题：{具体问题}。
回答应包含{要点数量}个关键点，并使用{风格}的语言风格。
Token
按Token计算的，一般Token越多，成本越高，并且输出速度越慢。就是Token是大模型处理文本的基本单位，可能是单词或标点符号，模型的输入和输出都
Token成本优化技巧
&
浙公网安备 33010602011771号