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）。

那问题来了，在 Spring AI/Spring AI Alibaba 如何用好提示词？以及提示词的使用方式有哪些呢？接下来本文一起来盘点一下。

1.简单提示词使用

最简单的设置固定系统提示词和用户提示词的用法如下：

@RequestMapping("/chat")
public String chat(String msg) {
    String result = chatClient.prompt()
            .system("你是一个问答助手") // 设置系统提示词
            .user(msg)                 // 设置用户提示词
            .call().content();
    System.out.println("结果：" + result);
    return result;
}

2.动态提示词

所谓的动态提示词指的是需要进行动态参数替换的提示词，它的基本使用如下：

@RequestMapping("/chat")
public String chat(String topic) {
    PromptTemplate promptTemplate =
            new PromptTemplate("你是一个{role}，讲一个关于{topic}的故事");
    Prompt prompt = promptTemplate.create(Map.of("role", "讲故事的助手",
            "topic", topic));
    return chatModel.call(prompt).getResult().getOutput().getText();
}

3.从文件中读取动态提示词

动态提示词如果比较短，我们可以像上面一样写到代码里面，如果比较长，我们可以把它单独放的某个文件模版中进行读取使用，具体实现如下：

// 从文件中读取提示词
@Value("classpath:type-system-prompt-txt")
private Resource systemPrompt;

@RequestMapping("/chat")
public String chat(String msg) {
    return chatClient.prompt()
            .system(systemPrompt) 
            .user(msg)
            .call()
            .content();
    }
}

4.Lambda表达式提示词

当提示词比较短的时候，除了可以使用 PromptTemplate 设置提示词之外，我们还可以使用 Lambda 表达式来实现动态提示词的设置，具体使用如下：

@RequestMapping("/chat")
public User chat(String name) {
    return chatClient.prompt()
            .user(msg -> msg.text("我叫{name}，今年18岁，爱好打羽毛球。")
                    .param("name", name))
            .call()
            .entity(User.class); // 结果化输出
}

小结

提示词是用户和大模型交互的直接手段，所以在程序中用好提示词是至关重要的。本文提供了 4 种提示词的使用方式，开发者可以根据具体的业务场景，选择合适的提示词使用方式来完成 AI 应用开发。一起实操起来吧~

特殊说明

以上内容来自我的《大模型应用开发》 课程，这门课程为视频+图文版，深入浅出学习了大模型应用开发的各种技术，例如系统学习了 LangChain4j、Spring AI、Dify、Agent 等技术，其中包含：MCP、Function Call、RAG（简单、原生、高级应用）、向量数据库（Milvus、RedisStack）、Prompt工程、多模态、向量数据库、嵌入模型、N种主流LLM对接、N种DeepSeek对接、同时调用多种大模型、连续对话保存到数据库、上万种 MCP 通用服务对接、大模型直接操作数据库等，还有很多 AI 案例，如：数据库 AI 助手、快递 AI 助手等都是手把手带你实现。手把手教你快速、系统掌握大模型应用开发的核心技术。

如果对此课程感兴趣，请加我微信：vipStone【备注：LLM】