Spring AI 历史文章

Spring AI：对接DeepSeek实战
Spring AI：对接官方 DeepSeek-R1 模型 —— 实现推理效果
Spring AI：ChatClient实现对话效果
Spring AI：使用 Advisor 组件 - 打印请求大模型出入参日志
Spring AI：ChatMemory 实现聊天记忆功能
Spring AI：本地安装 Ollama 并运行 Qwen3 模型

提示词工程

先抛出一个问题 —— 提示词工程是什么？ 你可能会觉得，不就是使用 AI 大模型产品时，输入框中输入的那段话吗？随意发挥就行了！

如果真这么简单，它就不会携带上 “工程” 二字了，直接叫 “提示词” 就得了。

通过在招聘网站上，搜索关键词，你会发现有专门招聘 “提示词工程师” 职位的，其薪资水平不低，从职位描述中可知，工作内容主要是围绕着 “提示词优化”，可见提示词编写的重要性了！

什么是提示词工程？

提示词工程，就是设计和优化你给 AI 的 “指令” 或 “问题”（也就是 “提示词”），让 AI 能更好地理解你的意图，并输出更准确、有用、符合你期望的结果的艺术和技巧。

• 工程” 之所以叫工程，说明不是随便问一句那么简单，而是需要动脑筋、有方法、不断尝试和优化，就像工程师设计一个系统一样。
• “提示词” ：就是你输入给 AI 的那段文字

为什么要做提示词工程？

之所以要做提示词工程，原因如下：

1、精准引导模型输出： 模糊的指令导致随机结果，精准的提示词能明确任务目标，确保模型生成符合用户真实需求的内容。
2、控制输出质量和特性： 通过提示词可指定所需的风格、语气、格式、结构、内容深度和范围，确保输出满足特定标准（如专业、简洁、无偏见）。
3、释放模型最大潜力： 好的提示词能有效调用模型内嵌的海量知识和强大能力（如推理、创意），将其转化为实际价值，避免模型能力浪费。
4、克服模型固有缺陷： 精心设计的提示词有助于减少模型“幻觉”（编造信息）、处理知识过时问题，并澄清指令中的歧义。
5、提升效率和降低成本： 优秀的提示词减少生成错误结果的迭代次数，节省时间和计算资源（尤其对按量计费的API），并可能自动化复杂流程。
6、实现任务定制化和专业化： 提示词能将模型定制为特定角色（如律师、客服），融入领域知识（如医疗、编程），满足高度专业化或个性化任务需求。

如何写好提示词？

想要写好提示词，核心在于清晰、具体、结构化地引导 AI 模型。以下是一些常用的技巧与方法：

1、明确核心任务：

• 清晰、直接地陈述你希望模型完成的具体动作（例如：写、总结、翻译、解释、生成代码、分析、分类等）。
• 反面例子： “说说人工智能”。 正面例子： “用通俗易懂的语言，向小学生解释人工智能是什么，并给出一个日常生活中的例子。”

2、提供充足的背景信息（上下文）：

• 说明任务的目的、目标受众或相关的领域知识。
• 提供必要的背景资料、数据片段或参考文本。
• 例子： “我正在为一款新的健身 App 撰写应用商店描述。目标用户是 30-45 岁的上班族，他们注重时间效率和健康改善。以下是 App 的核心功能：[列出功能]。请基于这些信息，撰写一段吸引人的描述（约150字），突出其便捷性和效果。

3、定义角色：

• 明确要求模型扮演一个特定的角色（例如：经验丰富的营销人员、严厉的历史老师、乐于助人的客服代表、特定风格的作家）。
• 这能极大地影响模型的语气、视角和知识调用方式。
• 例子： “你是一位专业的营养师。请根据我的体检报告（[简述报告关键指标]），为我制定一份为期一周的、以控制血糖为重点的饮食计划建议。”

4、设定具体约束和要求：

• 输出格式： 明确指定需要的格式（如：要点列表、表格、JSON、Markdown、代码块、段落、邮件、报告大纲等）。
• 风格和语气： 指明期望的风格（专业、正式、随意、幽默、简洁、技术性、富有同情心等）。
• 内容要求：
  长度限制（字数、段落数、列表项数）。
  重点聚焦或需要避免的话题。
  需要包含的特定元素或关键词。
  需要遵循的逻辑结构（如：问题 -> 分析 -> 解决方案）。
• 质量要求： 强调准确性、客观性、无偏见、创造性等。
• 例子： “请将以下会议纪要[粘贴纪要]总结成一份包含三个要点的邮件，发给项目团队成员。语气需专业且积极，每个要点不超过一行。重点突出行动项和负责人。”

5、给出示例：

• 提供 1-3 个输入-输出的示例，清晰地展示你期望的格式、风格和内容质量。
• 这是让模型快速理解你意图的最有效方法之一。
• 例子： “请将以下用户评论分类为‘好评’、‘中评’或‘差评’：
  输入：‘产品很好用，送货也快，就是价格有点贵。’ 输出：‘中评’
  输入：‘完全不符合描述，质量很差，退货还很麻烦！’ 输出：‘差评’
  现在请分类这条新评论：‘[新评论内容]’”

6、使用清晰的步骤和分隔符：

• 对于复杂任务，将提示分解成几个逻辑清晰的步骤。
• 使用分隔符（如 ###, —, “”“”, 三重引号）来清晰划分指令的不同部分（如任务、背景、约束、输入文本）。
• 例子：

### 任务：

分析以下客户反馈邮件的主要情绪和核心诉求。

### 背景：

我是客户支持经理，需要快速了解问题本质以便分派处理。

### 客户邮件：

"""
[粘贴客户邮件内容]
"""

### 要求：

- 用一句话总结主要情绪（如：愤怒、失望、困惑、满意）。
- 用不超过三个要点列出客户的核心诉求或问题。
- 输出格式：Markdown列表。

7、使用积极的指令语言：

• 优先告诉模型要做什么，而不是不要做什么（后者有时反而会强化负面联想）。
• 反面例子： “不要写得太技术化。” 正面例子： “请用非专业人士也能理解的语言解释。”

8、迭代优化和测试：

• 很少有提示词能一次完美。基于模型的输出结果，不断调整和优化你的提示词。
• 测试不同版本： 尝试微调措辞、增加/减少细节、改变结构，观察哪种效果最好。
• 分析失败原因： 如果输出不理想，思考是任务不清晰、约束不足、背景缺失还是示例不够好。

9、了解模型的特性和限制：

• 不同模型（如 DeepSeek, 千问, GPT-4, Claude等待）对提示的理解和响应方式可能有细微差别。
• 了解模型的知识截止日期、上下文窗口长度限制以及常见的弱点（如数学计算、事实准确性），在提示词中做相应规避或补充。

相关资源

《提示工程指南》：https://www.promptingguide.ai/zh ，在 GitHub 目前标星达到了 58.2k;

相关工具泄露出的提示词，如 Cursor, Manus, Trae 等等：https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools/tree/main ；

《阿里百炼的提示词实践文档》：https://help.aliyun.com/zh/model-studio/use-cases/prompt-engineering-guide ；

《ChatGPT 中文调教指南》，涉及到各种场景的提示词，个人觉得写的不够细致，仅作参考：https://github.com/PlexPt/awesome-chatgpt-prompts-zh ；