第4章 SpringAI提示词工程实战｜模板Prompt、少样本、链式提示落地

🔥专栏系列：Spring Boot AI 实战教程

上一章我们彻底吃透了 SpringAI 核心 API：同步、异步、流式对话，解决了能不能调、怎么调、如何稳定调的问题。

但很多开发者上线后发现一个致命问题：模型能调通，但是输出效果极其垃圾。

忽左忽右、回答啰嗦、格式不统一、分类不准、答非所问。

其实大模型本身能力固定，上限由提示词（Prompt）决定。

算法决定下限，提示词工程决定AI业务落地上限。

本章专门针对后端开发者，不讲虚的话术技巧，只讲可代码化、可工程化、可持久化的提示词方案：Prompt模板、动态变量、Few-Shot少样本、链式拆解、yml持久化、通用业务模板。

读完本章，你可以彻底解决 AI 输出不稳定、格式混乱、业务不精准的生产难题。

✅本章核心收获

• 理解后端视角下的提示词工程核心价值（区别前端玩法）

• 彻底分清系统/用户/助手三类提示词的职责与落地场景

• 掌握 SpringAI PromptTemplate 动态变量模板开发

• 掌握 Few-Shot 少样本提示，让AI无脑对齐业务规则

• 掌握链式Prompt，解决复杂业务无法一次推理的问题

• 实现提示词yml持久化，告别代码硬编码

• 拿到文案生成、内容分类、文本总结三套企业通用Prompt模板

一、为什么后端必须学提示词工程？

很多后端同学有一个误区：提示词是产品、运营玩的，后端只需要调接口就行。

在 AI 项目中，这个观念致命错误。

大模型是“模糊智能”，业务系统是“精准严格”。

如果没有标准化提示词约束，模型输出永远是随机的：

• 同一问题，两次回答格式不一样

• 分类任务偶尔对、偶尔错

• 输出超长文本、废话过多

• 不按照指定JSON格式返回，导致代码解析报错

提示词工程的后端本质：

用标准化、结构化、可复用的规则，把大模型的随机输出，变成业务可控的确定性输出。

这也是企业 AI 项目能否上线、能否稳定运行的核心关键。

二、三大提示词角色：系统｜用户｜助手

SpringAI 的 Prompt 并不是简单字符串拼接，而是基于角色消息机制，这也是正规提示词工程的基础。

三者职责完全不同，混用会直接导致 AI 逻辑混乱。

2.1 SystemMessage 系统提示词（规则层）

定位：全局规则、角色定义、输出规范、业务约束

作用于整个对话生命周期，优先级最高。用于告诉模型：你是谁、你要怎么做、输出什么格式、禁止什么内容。

适合放置内容：

• 角色定义：你是资深Java工程师、你是智能分类机器人

• 格式约束：必须输出JSON、必须简洁、禁止冗余描述

• 行为约束：禁止编造数据、不确定就返回空

特点：一次定义、全局生效、不随用户提问变化

2.2 UserMessage 用户提示词（输入层）

定位：用户真实提问、业务待处理数据

每一次接口请求的动态内容，变量、文本、问题全部放这里。

特点：每次请求都不一样，是动态变化的核心数据

2.3 AssistantMessage 助手提示词（历史结果层）

定位：模型历史回答记录

多用于多轮对话，用来拼接上下文，让模型记住上一轮回答，实现连续对话、上下文理解。

特点：用于记忆链路，单轮对话几乎用不到

三、PromptTemplate 动态模板实战（解决硬编码痛点）

传统写法直接字符串拼接提示词，代码丑陋、无法复用、无法统一管理。

SpringAI 提供PromptTemplate模板机制，支持占位符动态替换，是企业开发的标准写法。

3.1 核心优势

• 提示词与业务代码解耦

• 支持多变量动态渲染

• 支持模板复用、统一维护

• 为后续yml持久化打下基础

3.2 实战：动态模板问答

需求：传入【用户提问】和【回答风格】，动态生成定制化回复

@RestController@RequestMapping("/ai/prompt")publicclassPromptTemplateController{@AutowiredprivateChatClientchatClient;@GetMapping("/template")publicStringtemplatePrompt(Stringquestion,Stringstyle){// 1. 定义模板，使用 {变量名} 占位StringtemplateStr="请以{style}的风格回答用户问题，回答简洁专业：{question}";PromptTemplatepromptTemplate=newPromptTemplate(templateStr);// 2. 设置动态变量参数Map<String,Object>params=newHashMap<>();params.put("style",style);params.put("question",question);// 3. 渲染生成最终PromptPromptprompt=promptTemplate.create(params);// 4. 调用模型returnchatClient.prompt(prompt).call().content();}}

测试效果：

• style=通俗易懂：大白话讲解

• style=学术严谨：专业公式、严谨描述

• style=幽默风趣：轻松趣味回答

四、Few-Shot 少样本提示实战（提升AI精准度神器）

很多业务场景，单纯靠文字描述规则，AI 永远理解不透彻。

描述一百句规则，不如给一个样例。

Few-Shot（少样本提示）就是：在提示词中带入标准答案案例，让AI模仿你的业务逻辑。

适合：分类、标签、评分、规则匹配、标准化输出场景。

4.1 业务场景

舆情内容情感分类：分为【正面、中性、负面】

人工给3组标准案例，让AI严格模仿分类逻辑。

4.2 完整Few-Shot代码实现

@GetMapping("/fewshot")publicStringfewShotPrompt(Stringcontent){// 1. 系统规则定义StringsystemRule="你是内容情感分类机器人，仅输出【正面、中性、负面】，不要多余解释\n"+"以下是标准分类案例：\n"+"案例1：内容：今天天气很好，心情不错 => 正面\n"+"案例2：今天正常上班，无特殊事情 => 中性\n"+"案例3：服务太差，体验非常糟糕 => 负面\n";// 2. 用户待分类内容StringuserInput="请对以下内容进行分类："+content;returnchatClient.prompt().system(systemRule).user(userInput).call().content();}

✅Few-Shot少样本核心价值（生产必用）

纯文字规则描述属于「抽象约束」，模型理解存在偏差；带入标准样例属于「具象模仿」，让AI精准对齐业务规则，从“猜逻辑”变成“照规则执行”。在分类、标签、风险筛查等精准业务中，少样本提示是提升准确率的最优低成本方案，无需微调模型即可大幅优化输出效果。

五、链式Prompt：复杂问题分步拆解

大模型有一个通病：复杂问题一次性推理容易翻车。

如果你的业务需要：先理解、再提取、再判断、再总结、再格式化，一次性提示词极易出错。

链式Prompt思想：把一个复杂大任务，拆成多步简单小任务，分步调用、分步收敛。

5.1 适用场景

• 长文本解析 + 关键信息提取 + 总结

• 问题拆解 + 逻辑分析 + 答案生成

• 需要严格步骤、不可跳跃的业务

5.2 链式Prompt实战案例

需求：对一段用户评论先提取关键信息 -> 判断情感 -> 生成简短总结

@GetMapping("/chain")publicStringchainPrompt(Stringcomment){// 第一步：提取关键信息Stringstep1=chatClient.prompt().system("你是信息提取助手，只提取文本中的关键核心内容，不要多余描述").user("待处理内容："+comment).call().content();// 第二步：情感判断Stringstep2=chatClient.prompt().system("判断文本情感，仅输出：正面/中性/负面").user(step1).call().content();// 第三步：生成最终总结StringfinalResult=chatClient.prompt().system("根据关键信息和情感，生成一句简短总结").user("关键信息："+step1+"，情感："+step2).call().content();returnfinalResult;}

✅链式Prompt核心优势**（企业落地重点）**

• 降低推理错误率：拆分复杂任务为单一简单步骤，规避大模型一次性推理逻辑混乱、输出翻车问题

• 全链路可控可回溯：每一步执行结果可打印、可校验、可单独调优，线上问题精准定位

• 业务扩展性极强：可按需增加校验、过滤、格式化步骤，适配复杂企业级AI业务场景

• 输出稳定性拉满：分步收敛结果，彻底解决复杂业务输出格式错乱、内容缺失、逻辑矛盾问题

六、Prompt持久化：yml配置存放提示词（企业规范）

绝对不要在代码里写大段硬编码提示词！

后期修改提示词需要重启服务、改代码、重新部署，极其不优雅。

企业标准方案：提示词全部放入yml配置，动态读取、热更新可扩展。

6.1 yml配置提示词

# 自定义AI提示词配置ai:prompt:# 通用文案生成提示词article:"你是专业文案生成助手，语言流畅、正式、段落清晰，根据用户主题生成短文，字数控制在300字左右，主题：{topic}"# 内容分类提示词classify:"你是内容分类机器人，严格根据样例输出正面/中性/负面，仅输出结果，无多余解释。待分类内容：{content}"# 文本总结提示词summary:"请对以下文本进行精简总结，保留核心信息，字数精简至100字以内：{text}"

6.2 自定义配置类读取提示词

@ConfigurationProperties(prefix="ai.prompt")@Component@DatapublicclassAiPromptProperties{privateStringarticle;privateStringclassify;privateStringsummary;}

6.3 业务接口调用（零硬编码）

@RestController@RequestMapping("/ai/prompt/biz")publicclassBizPromptController{@AutowiredprivateChatClientchatClient;@AutowiredprivateAiPromptPropertiespromptProperties;// AI文案生成@GetMapping("/article")publicStringgenArticle(Stringtopic){PromptTemplatetemplate=newPromptTemplate(promptProperties.getArticle());returnchatClient.prompt(template.create(Map.of("topic",topic))).call().content();}// AI文本总结@GetMapping("/summary")publicStringsummary(Stringtext){PromptTemplatetemplate=newPromptTemplate(promptProperties.getSummary());returnchatClient.prompt(template.create(Map.of("text",text))).call().content();}}

✅企业规范核心优势

• 解耦代码与提示词：彻底告别Java代码硬编码大段Prompt，代码更整洁优雅，符合开发规范

• 动态可配置化：无需修改业务代码、无需重启服务，仅修改配置即可调整AI输出风格与规则

• 支持动态热更新：后续可无缝接入Nacos、Apollo配置中心，实现提示词在线热更新，适配生产动态调优场景

• 统一维护管理：所有业务Prompt集中管理，避免多业务模块提示词混乱、重复、不统一问题

七、三大通用业务Prompt模板（可直接上线）

本章最后送给大家三套企业可直接落地的标准Prompt模板，覆盖90%后端AI业务场景。

7.1 AI文案生成通用模板（生产可用）

适配场景：电商产品文案、公众号短文、活动宣传文案、技术科普内容生成

标准化Prompt模板

【角色】你是一名专业的企业文案生成师，文笔流畅、正式严谨、适配公域发布场景。 【规则】1. 根据用户给定主题生成完整短文，结构清晰，分段展示；2. 字数严格控制在300字左右，误差不超过20字；3. 无废话、无凑数语句、不编造虚假信息；4. 语言通俗易懂，适配大众阅读； 【输入主题】{topic} 【输出要求】直接输出成品文案，无需额外解释、无需标题、无需备注

适配场景：活动文案、产品介绍、短文生成

模板规则：角色定位 + 字数限制 + 风格约束 + 禁止废话

7.2 AI内容分类通用模板（生产可用）

适配场景：用户评论情感分析、内容风险识别、文本标签自动归类、舆情内容筛查

标准化Prompt模板

【角色】你是精准文本分类机器人，严格按照规则执行分类任务，零主观判断。 【分类枚举】仅允许输出：正面、中性、负面，禁止输出其他任何文字 【参考样例】 案例1：内容：今天天气很好，心情不错 => 正面 案例2：今天正常上班，无特殊事情 => 中性 案例3：服务太差，体验非常糟糕 => 负面 【规则】严格模仿上述案例逻辑，只看用户文本表达情绪，不额外拓展、不解释原因 【待分类内容】{content} 【输出要求】仅单独输出分类结果

适配场景：评论情感、内容风险、标签归类

模板规则：固定枚举输出 + Few-Shot样例 + 禁止多余文字

7.3 AI文本总结通用模板（生产可用）

适配场景：长新闻总结、对话记录提炼、文章摘要生成、用户反馈内容汇总

标准化Prompt模板

【角色】你是专业文本摘要助手，擅长精简提炼核心信息。 【规则】1. 保留原文核心观点、关键数据、核心事件；2. 删除冗余话术、重复内容、无效修饰词；3. 总结字数控制在100字以内；4. 语句通顺、逻辑连贯，不改变原文语义； 【待总结文本】{text} 【输出要求】直接输出精简摘要，无多余注释、无铺垫语句

适配场景：长文本提炼、对话总结、内容摘要

模板规则：保留核心信息、剔除无效话术、固定字数上限

八、本章总结

1. 提示词工程是后端AI项目稳定落地的核心，决定模型输出质量与业务可用性；

2. System/User/Assistant 三类提示词各司其职，系统管规则、用户管输入、助手管上下文；

3. PromptTemplate 实现动态变量模板，彻底告别字符串硬编码拼接；

4. Few-Shot 少样本通过案例模仿，大幅提升分类、规则类任务准确率；

5. 链式Prompt拆解复杂任务，分步执行解决大模型一次性推理翻车问题；

6. 提示词yml持久化是企业标准，便于统一维护、动态调整、热更新；

7. 文案、分类、总结三大通用模板，可直接用于生产业务开发。

九、下期预告

下一章我们将讲解SpringAI 对话记忆与多轮上下文，手把手实现真正的“连续聊天机器人”，解决AI记不住历史对话的痛点！

💡 专栏持续更新企业级SpringAI实战干货，无废话纯落地，欢迎点赞+收藏+关注！

本系列完结时一并上传源码。