提示词工程模式

约 1524 字大约 5 分钟

2026-08-02

基于全面的 Prompt Engineering Guide 的实用实现。该指南涵盖提示词工程的理论、原则和模式，而本文展示如何使用 Java AI 的流畅 ChatClient API 将这些概念转化为可工作的 Java 代码。

1. 配置

LLM 提供商选择

Java AI 支持多种 LLM 提供商（OpenAI、Anthropic、Google GenAI、AWS Bedrock、Ollama 等），可以在不更改应用代码的情况下切换提供商：

<!-- 以 Anthropic Claude API 为例 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-anthropic</artifactId>
</dependency>

指定 LLM 模型名称：

.options(ChatOptions.builder()
    .model("claude-sonnet-4-6")  // 使用 Anthropic Claude 模型
    .build())

LLM 输出配置

Temperature（温度）

Temperature 控制模型响应的随机性或"创造性"：

低值 (0.0-0.3)：更确定性、聚焦的响应。适合事实性问题、分类或需要一致性的任务
中值 (0.4-0.7)：确定性和创造性之间的平衡。适合通用场景
高值 (0.8-1.0)：更有创造性、多样化和惊喜的响应。适合创意写作、头脑风暴

.options(ChatOptions.builder()
    .temperature(0.1)  // 高确定性响应
    .build())

输出长度 (MaxTokens)

maxTokens 参数限制模型在响应中可以生成的 token 数量：

低值：简短摘要、是/否答案、简短分类
中值：标准问答、解释、代码片段
高值：长文档、综合报告、详细分析

.options(ChatOptions.builder()
    .maxTokens(250)  // 中等长度响应
    .build())

采样控制 (Top-K 和 Top-P)

这些参数提供对生成过程中 token 选择的细粒度控制：

Top-K：限制每一步考虑的候选 token 数量
Top-P (Nucleus Sampling)：选择累计概率达到阈值 P 的最小 token 集合

.options(ChatOptions.builder()
    .topK(40)      // 仅考虑前 40 个最可能的 token
    .topP(0.9)     // 核采样，P=0.9
    .build())

结构化响应格式

enum Sentiment { POSITIVE, NEUTRAL, NEGATIVE }

Sentiment sentiment = chatClient.prompt("分析以下文本的情感...")
    .call()
    .entity(Sentiment.class);  // 直接映射到 Java 类型

2. 提示词工程技巧

2.1 零样本提示 (Zero-Shot Prompting)

零样本提示是最简单的形式——直接提问而不提供示例。LLM 依靠其预训练知识直接生成响应：

// 零样本：无示例，直接提问
String answer = chatClient.prompt("将以下文本分类为积极、消极或中性: '这个产品太棒了！'")
    .call()
    .content();

2.2 少样本提示 (Few-Shot Prompting)

少样本提示在提示词中提供几个输入-输出示例，帮助模型理解期望的模式：

String prompt = """
示例1: 输入: "我爱这个" → 情感: 积极
示例2: 输入: "太糟糕了" → 情感: 消极
示例3: 输入: "还行吧" → 情感: 中性
现在分析: "超出预期！"
情感:
""";

2.3 系统提示 (System Prompting)

系统提示定义 AI 的角色、行为和约束，在整个对话中持续生效：

String answer = chatClient.prompt()
    .system("你是一位经验丰富的 Java 架构师，专注于 Spring 生态系统。")
    .user("解释 Spring Boot 的自动配置原理")
    .call()
    .content();

2.4 思维链 (Chain of Thought, CoT)

思维链提示通过鼓励逐步推理来提高复杂推理任务的性能：

String prompt = """
问题: 商店有 15 个苹果。卖了 8 个，又进货 12 个。现在有多少苹果？
请逐步推理：
第一步: 初始数量是 15 个苹果
第二步: 卖出 8 个后，剩余 15-8=7 个
第三步: 进货 12 个后，总共 7+12=19 个
答案: 19 个苹果

问题: 工厂有 45 名工人。上午有 5 人请假，下午又来了 8 名临时工。下午有多少工人在工作？
请逐步推理：
""";

2.5 角色扮演 (Role Prompting)

角色扮演提示为 AI 分配特定的角色、专业领域或视角：

chatClient.prompt()
    .system("你是一位拥有 20 年经验的高级 DevOps 工程师。用专业但友好的语气回答。")
    .user("如何为微服务设置 CI/CD 流水线？")
    .call()
    .content();

2.6 自我一致性 (Self-Consistency)

自我一致性技术生成多个推理路径，然后选择最一致的答案，提高复杂推理的可靠性：

// 多次运行相同提示，选择最频繁的答案
List<String> answers = new ArrayList<>();
for (int i = 0; i < 5; i++) {
    answers.add(chatClient.prompt(complexQuestion)
        .options(ChatOptions.builder().temperature(0.7).build())  // 增加多样性
        .call().content());
}
String bestAnswer = selectMostConsistent(answers);  // 多数投票

2.7 思维树 (Tree of Thoughts, ToT)

思维树通过探索多个推理路径及其分支来扩展思维链。对于有多种可能方法或需要探索和评估的复杂问题特别有效。

2.8 自动提示工程 (Automatic Prompt Engineering, APE)

自动提示工程使用 AI 来生成和评估替代提示词。通过系统地生成和评估提示词变体，APE 可以找到比人工设计的提示词更有效的版本。

2.9 代码提示 (Code Prompting)

代码提示指针对代码相关任务的专门技术：

// 代码编写示例：清晰的规范 + 上下文
String prompt = """
使用 Java 17+ 和 Spring Boot 编写一个 REST 控制器，
实现用户注册功能，包括：
- POST /api/users 端点
- 输入验证（邮箱格式、密码长度 >= 8）
- 返回 201 Created 和用户 ID
- 使用 @Valid 注解进行验证
""";

总结

Java AI 提供了优雅的 Java API 来实现所有主要的提示词工程技术。最有效的方法通常是组合多种技术——例如，使用系统提示定义角色，结合思维链进行复杂推理，以及少样本示例来提高格式准确性。

生产环境建议

从简单模式开始，根据需要逐步添加复杂性
对提示词进行版本控制和 A/B 测试
监控 token 使用和成本
使用结构化输出确保类型安全
建立评估流水线验证提示词效果

核心原则

提示词工程的关键在于清晰的指令、适当的上下文和一致的格式。从最简单的模式开始，只有在确实需要时才增加复杂度。

版权所有

版权归属：今朝· Liushigong · Relax Box

许可证：署名-非商业性 4.0 国际 (CC-BY-NC-4.0)