在构建基于大模型的AI应用时，Prompt（提示词）的质量直接决定了输出的准确性和一致性。Spring AI 提供了强大的 PromptBuilder 和 PromptTemplate 工具，帮助开发者以结构化、参数化的方式构建提示词。本文将深入讲解 Spring AI 的 Prompt 工程实战，涵盖从基础构建到高级约束、动态模板及幻觉消除的全链路方案，助你打造高效、可靠的企业级 AI 中间件。
1. PromptBuilder 工具类深度使用
Spring AI 中的 PromptBuilder 是构建结构化提示词的核心工具。它支持系统消息、用户消息、助手消息的灵活组合，并允许参数化模板和动态内容插入，极大提升了 Prompt 的可维护性和复用性。
1.1 基本使用与多角色对话
通过 PromptBuilder，你可以轻松构建多轮对话。例如，为 AI 设定“资深 Java 架构师”的角色，并给出具体任务：
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.chat.prompt.PromptBuilder;
// 简单构建
Prompt prompt = new PromptBuilder()
.system("你是一个专业的翻译助手")
.user("请将以下英文翻译成中文: Hello, how are you?")
.build();
// 发送到 AI 服务
ChatResponse response = chatClient.call(prompt);上述示例中，我们分别设置了系统消息（角色定义）、用户消息（任务描述）和助手消息（示例输出）。这种多角色结构能让 AI 更准确地理解上下文。
1.2 参数化模板与动态内容
参数化模板允许你在 Prompt 中嵌入变量，运行时动态替换。例如：
Prompt prompt = new PromptBuilder()
.system("你是一个代码审查专家")
.user("""
请审查以下 Python 代码：
def calculate_sum(a, b):
return a + b
""")
.assistant("代码功能正确，但建议添加类型提示和文档字符串")
.user("好的，请帮我改进")
.build();通过 %s 占位符，你可以将业务数据（如用户输入的代码片段）安全地注入到 Prompt 中，避免硬编码。
1.3 高级功能：链式调用与调试
Spring AI 的 PromptBuilder 支持流畅的链式调用，使代码更简洁：
// 使用 Message 占位符
Prompt prompt = new PromptBuilder()
.system("你是一个{role}")
.user("{task}")
.build();
// 设置参数
prompt = prompt.copy()
.withParam("role", "数据分析师")
.withParam("task", "分析销售数据趋势")
.build(); 调试技巧：使用 prompt.getContents() 可以查看最终生成的完整 Prompt 文本，方便排查问题。
2. 结构化Prompt：角色设定、任务约束与输出格式
为了提升 AI 响应的准确性和一致性，结构化 Prompt 是必不可少的。它通过明确的角色、约束和格式要求，将 AI 的输出框定在可控范围内。
2.1 角色设定与多角色系统
清晰的角色定义能让 AI 快速进入状态。例如：
String context = "用户信息：张三，年龄25，职业：程序员";
String question = "根据用户信息推荐合适的书籍";
Prompt prompt = new PromptBuilder()
.system("你是一个图书推荐助手")
.user("""
上下文信息：
{context}
问题：
{question}
""")
.withParam("context", context)
.withParam("question", question)
.build();在微服务架构中，你可能需要同时定义“数据库管理员”和“API 开发者”两个角色，协同完成复杂任务。
2.2 任务约束与动态注入
约束条件应具体、可量化。使用数字列表明确限制：
@Component
public class TranslationTemplate {
private final PromptTemplate promptTemplate;
public TranslationTemplate() {
this.promptTemplate = new PromptTemplate("""
你是一个专业的{language}翻译专家。
请将以下{sourceLang}文本翻译成{targetLang}：
{text}
要求：
1. 保持原意不变
2. 符合{targetLang}的语言习惯
3. 专业术语准确
""");
}
public Prompt createPrompt(String sourceLang, String targetLang,
String language, String text) {
return promptTemplate.create(Map.of(
"sourceLang", sourceLang,
"targetLang", targetLang,
"language", language,
"text", text
));
}
}通过 PromptTemplate 的 add 方法，你可以动态注入业务约束，如“用户角色”、“数据敏感等级”等。
2.3 输出格式限定
限定输出为 JSON、表格或特定结构，便于下游系统解析：
Prompt prompt = new PromptBuilder()
.system("你是一个技术文档编写助手")
.user("帮我写一个 Redis 的使用文档")
.options(ChatOptions.builder()
.temperature(0.7)
.maxTokens(1000)
.topP(0.9)
.build())
.build(); 最佳实践：结合 ChatOptions 设置 temperature 和 maxTokens，进一步控制输出的创造性和长度。
3. 动态Prompt模板开发：适配不同业务场景
在实际项目中，Prompt 模板需要根据业务场景动态调整。Spring AI 提供了策略模式、工厂模式以及配置驱动的模板管理方案。
3.1 策略模式与模板工厂
针对代码生成、数据解析、文案规整等不同场景，定义对应的 Prompt 策略：
public class MultiStepConversation {
public Prompt buildAnalysisPrompt(String data, String analysisType) {
return new PromptBuilder()
.system("""
你是数据分析专家，请按照以下步骤操作：
1. 理解数据
2. 分析{analysisType}
3. 给出结论
4. 提供建议
""")
.user("""
数据：
{data}
请进行分析。
""")
.withParam("analysisType", analysisType)
.withParam("data", data)
.build();
}
}通过工厂类根据业务类型返回对应的模板，实现解耦和复用。
3.2 配置文件驱动与数据库存储
将 Prompt 模板存储在 YAML 或数据库中，便于运维人员动态修改：
Prompt prompt = new PromptBuilder()
.system("""
你是一个 JSON 数据生成器。
请严格按照以下 JSON Schema 格式输出：
{
"type": "object",
"properties": {
"summary": {"type": "string"},
"keyPoints": {"type": "array", "items": {"type": "string"}},
"score": {"type": "number", "minimum": 0, "maximum": 10}
},
"required": ["summary", "keyPoints", "score"]
}
""")
.user("分析 Spring Framework 的优势")
.build();这种方式使得模板变更无需重启服务，非常适合需要频繁调整 Prompt 的中间件场景。
3.3 条件化模板与组合
根据运行时条件（如用户等级、数据量）动态选择模板片段：
@Component
public class PromptFactory {
public Prompt createCodeReviewPrompt(String language, String code,
String requirements) {
return new PromptBuilder()
.system("""
你是{language}代码审查专家。
审查标准：
1. 代码规范
2. 性能优化
3. 安全性
4. 可维护性
""")
.user("""
代码：
```{language}
{code}
```
特殊要求：
{requirements}
请提供详细的审查报告。
""")
.withParam("language", language)
.withParam("code", code)
.withParam("requirements", requirements)
.build();
}
public Prompt createSummaryPrompt(String content, int maxLength) {
return new PromptBuilder()
.system("你是一个文本摘要专家")
.user("""
请将以下内容摘要为{maxLength}字以内的简洁版本：
{content}
""")
.withParam("maxLength", String.valueOf(maxLength))
.withParam("content", content)
.build();
}
} 结合 TemplateResolver 和 Enhancer，可以实现模板的 A/B 测试和版本管理。
4. 实战：代码生成、数据解析与文案规整
以下三个场景展示了如何将上述技术应用于实际后端开发中。
4.1 代码生成场景
为 Spring Boot 服务层生成 CRUD 代码：
public class ChainPromptBuilder {
private PromptBuilder promptBuilder;
public ChainPromptBuilder() {
this.promptBuilder = new PromptBuilder();
}
public ChainPromptBuilder withRole(String role) {
promptBuilder.system("你是一个" + role);
return this;
}
public ChainPromptBuilder withTask(String task) {
promptBuilder.user(task);
return this;
}
public ChainPromptBuilder withExamples(List examples) {
if (examples != null && !examples.isEmpty()) {
promptBuilder.user("参考示例：" + String.join("\n", examples));
}
return this;
}
public ChainPromptBuilder withFormat(String format) {
promptBuilder.user("请按照以下格式输出：" + format);
return this;
}
public Prompt build() {
return promptBuilder.build();
}
}
// 使用示例
Prompt prompt = new ChainPromptBuilder()
.withRole("数据分析师")
.withTask("分析销售趋势")
.withExamples(Arrays.asList("示例1：...", "示例2：..."))
.withFormat("Markdown 表格")
.build(); 通过参数化模板，可快速生成符合项目规范的 Service、Controller 和 Repository 代码。
4.2 数据解析与日志分析
解析非结构化的日志数据，提取关键信息：
Prompt prompt = new PromptBuilder()
.system("测试系统消息")
.user("测试用户消息")
.build();
// 查看完整的提示词内容
String promptContent = prompt.getContents();
System.out.println("生成的提示词：\n" + promptContent);
// 查看消息列表
List messages = prompt.getInstructions();
for (Message message : messages) {
System.out.println("角色：" + message.getMessageType());
System.out.println("内容：" + message.getContent());
} AI 能够从混乱的日志中提取出错误码、时间戳和堆栈信息，并返回结构化 JSON，便于后续入库分析。
4.3 文案规整与API文档生成
将杂乱的技术笔记自动整理为标准化文档：
@Service
public class CustomerServiceBot {
private final ChatClient chatClient;
public CustomerServiceBot(ChatClient chatClient) {
this.chatClient = chatClient;
}
public String handleCustomerQuery(String query, CustomerInfo customerInfo) {
Prompt prompt = new PromptBuilder()
.system("""
你是客服助手，需要：
1. 友好专业
2. 准确回答问题
3. 适当使用客户信息个性化回复
4. 遵循公司政策
""")
.user("""
客户信息：
姓名：{name}
会员等级：{level}
历史订单：{orderCount}
客户问题：{query}
请提供专业回复。
""")
.withParam("name", customerInfo.getName())
.withParam("level", customerInfo.getLevel())
.withParam("orderCount", String.valueOf(customerInfo.getOrderCount()))
.withParam("query", query)
.build();
ChatResponse response = chatClient.call(prompt);
return response.getResult().getOutput().getContent();
}
}提示技巧：使用少样本示例（few-shot）约束输出格式，效果远优于纯文本描述。
[AFFILIATE_SLOT_1]5. 解决大模型幻觉：Prompt约束 + 规则校验双重方案
大模型幻觉（Hallucination）是企业级应用中最头疼的问题。Spring AI 提供了“预防 + 检测”的双重方案。
5.1 Prompt约束预防
通过结构化输出约束、思维链（CoT）提示和少样本示例，从源头上减少幻觉：
// 使用Message模板
@Bean
public PromptTemplate promptTemplate() {
return new PromptTemplate("""
你是一个{role}专家。
任务：{task}
约束条件：
1. {constraint1}
2. {constraint2}
请按照以下格式输出：
{format}
""");
}
// 使用SystemMessage
SystemMessage systemMessage = new SystemMessage("""
你是一位资深数据分析师，擅长将复杂数据转化为清晰见解。
你的回答必须准确、专业且易于理解。
""");要求 AI 在输出前先进行推理步骤（CoT），并明确要求其引用数据源。
5.2 规则校验检测
引入事实核查器和规则引擎，对 AI 输出进行二次验证：
public class RoleBasedPrompt {
// 方法1：在Prompt中直接定义
public String createAnalystPrompt() {
return """
角色设定：你是一位拥有10年经验的金融分析师，专注于股票市场分析。
专业背景：CFA持证人，擅长技术分析和基本面分析。
沟通风格：专业但不失亲和力，能够用通俗语言解释复杂概念。
""";
}
// 方法2：使用ChatOptions配置
public ChatOptions createRoleOptions() {
return ChatOptions.builder()
.temperature(0.7)
.maxTokens(1000)
.withSystemMessage("你是一位严格的代码审查专家")
.build();
}
}结合 Drools 或 EasyRules 等规则引擎，可以定义复杂的业务规则（如“金额不能为负数”、“日期格式必须为 yyyy-MM-dd”）。
5.3 完整处理流水线
将 Prompt 约束与规则校验整合为一个流水线：
@Bean
public Map roleTemplates() {
Map templates = new HashMap<>();
templates.put("translator", new PromptTemplate("""
你是一位专业的翻译官，精通中英双语。
要求：
1. 保持原文风格和语气
2. 专业术语准确翻译
3. 符合目标语言文化习惯
"""));
templates.put("tutor", new PromptTemplate("""
你是一位耐心的数学导师，面向初中学生。
要求：
1. 分步骤讲解
2. 使用简单易懂的例子
3. 鼓励式教学
"""));
return templates;
} 监控建议：记录每次校验失败的原因，定期分析幻觉模式，持续优化 Prompt 和规则。
6. 最佳实践与性能优化
在微服务架构中，Prompt 工程需要兼顾灵活性和性能。
6.1 分层验证策略
- 第一层：Prompt 约束预防（如 CoT、少样本）
- 第二层：实时规则校验（如正则、规则引擎）
- 第三层：事后人工审核（关键场景）
6.2 性能优化
- 缓存：使用
CacheManager缓存常用 Prompt 模板 - 预编译：将
PromptTemplate实例化后复用 - 上下文管理：合理设置
maxTokens，避免无意义的长输出
public class ConstrainedPrompt {
public Prompt createStructuredPrompt() {
List messages = new ArrayList<>();
// 系统级约束
messages.add(new SystemMessage("""
任务约束：
一、内容要求：
1. 必须基于事实，不得编造信息
2. 引用数据需注明来源
3. 避免主观臆断
二、格式要求：
1. 使用Markdown格式
2. 重要信息加粗
3. 列表项使用有序列表
三、风格要求：
1. 语气正式专业
2. 段落分明
3. 每段不超过150字
"""));
// 用户任务
messages.add(new UserMessage("请分析当前AI行业趋势"));
return new Prompt(messages);
}
} 6.3 持续优化循环
- 收集错误案例（如幻觉输出）
- 分析幻觉模式（如日期错误、事实虚构）
- 更新约束规则和 Prompt 设计
- 迭代部署，重复步骤1
总结
Spring AI 的 Prompt 工程为后端开发者提供了从基础构建到高级约束的完整工具箱。通过 结构化 Prompt（角色、约束、格式）、动态模板（策略、配置、数据库）以及 双重幻觉消除方案（约束 + 校验），你可以构建出高效、可靠、可维护的 AI 中间件。记住：好的 Prompt 设计是 AI 应用成功的一半，持续优化和监控是另一半。
浙公网安备 33010602011771号