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）。

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）。

图片

Prompt 基本使用

为了让大模型生成更符合预期的结果，我们在使用 Prompt 时，可以使用以下模版。

图片

其内容组成为：

• 背景：介绍与任务紧密相关的背景信息。这一环节有助于 LLM 深入理解讨论的具体环境，从而保证其生成内容与话题高度相关。
• 目的：明确指出您期望 LLM 完成的具体任务。通过设定清晰、精确的目标指令，可引导 LLM 聚焦于实现既定任务，提升输出的有效性。
• 风格：指定您希望 LLM 输出的写作风格，可以是某个具体名人、具体流派或者某类专家的写作风格。
• 语气：定义输出内容应有的语气，比如正式、诙谐、温馨、关怀等，以便适应不同的使用场景和使用目的。
• 受众：明确指出内容面向的读者群体，无论是专业人士、入门学习者还是儿童等，这样 LLM 就能调整语言和内容深度，使之更加贴合受众需求。
• 输出：规定输出内容的具体形式，确保 LLM 提供的成果能直接满足后续应用的需求，比如列表、JSON 数据格式、专业分析报告等形式。

以下为阿里云提供的 Prompt 案例：

图片

在未使用 Prompt 模版时，LLM 输出虽表现尚可，但显得过于泛化，缺乏必要的细节和针对特定群体的吸引力。而在使用 Prompt 框架时，框架不仅提醒您考虑需求的其它方面，特别是一般 Prompt 中缺少的风格、语气和受众，还帮助 LLM 生成更针对年轻群体、细节更多、语言表达更加富有张力的输出。

Prompt 优化工具

当然，我们也可以使用一些工具来进行 Prompt 优化，例如阿里云百炼平台 Prompt 优化工具扩写等，如下图所示：

图片

Prompt 发展演化

从程序的角度来看 Prompt 的发展演化经过了以下几个阶段：

• 简单字符串：最初的 Prompt 只是简单的文本字符串。
• 占位符：引入占位符（如 {USER}）以动态插入内容。
• 多角色消息：将消息分为不同角色（如用户、助手、系统等），增强交互的复杂性和上下文感知能力。

Spring AI Prompt 组成

以 Spring AI 中的 Prompt 来看，它的实现源码如下：

public class Prompt implements ModelRequest<List<Message>> {
    private final List<Message> messages;
    private ChatOptions chatOptions;
}

Prompt 实现了 ModelRequest 接口，并且包含了 messages 和 chatOptions 属性，其中：

• messages：包含多个 Message 对象，每个消息代表对话中的一个部分。
• chatOptions：配置选项，用于设置模型的某些属性。

Message API 关系图

Message 对象是 Content 的子类，Spring AI Message API 关系如下图所示：

图片

Prompt 角色分类

Prompt 中的主要角色（Role）包括以下几个：

• 系统角色（System Role）：设定 AI 行为边界。指导 AI 的行为和响应方式，设置 AI 如何解释和回复输入的参数或规则。
• 用户角色（User Role）：接收用户原始输入。代表用户的输入他们向 AI 提出的问题、命令或陈述。这个角色至关重要，因为它构成了 AI 响应的基础。
• 助手角色（Assistant Role）：AI 返回的响应信息，定义为“助手角色”消息。用它可以确保上下文能够连贯的交互。
• 工具/功能角色（Tool/Function Role）：桥接外部服务，可以进行函数调用如，支付/数据查询等操作。

角色在 Spring AI 枚举中被定义，如下源码所示：

public enum MessageType {
    USER("user"),
    ASSISTANT("assistant"),
    SYSTEM("system"),
    TOOL("tool");
    // .....
}

系统和用户角色使用

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/prompt")
publicclass PromptController {
    privatefinal ChatClient chatClient;
    public PromptController(ChatClient.Builder builder) {
        this.chatClient = builder.build();
    }
    @RequestMapping("/system")
    public String system(@RequestParam String city) {
        String result = chatClient.prompt()
        .system("你是一个旅行规划助手")
        .user(city)
        .call()
        .content();
        System.out.println(result);
        return result;
    }
}

以上程序执行结果如下：

助手角色使用

AssistantMessage 助手消息类型可用于接收上次执行结果，并实现上下文连续对话，实现代码如下：

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.messages.AssistantMessage;
import org.springframework.ai.chat.messages.Message;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

import java.util.ArrayList;
import java.util.List;

@RestController
@RequestMapping("/prompt")
publicclass PromptController {
    privatefinal ChatClient chatClient;
    //使用集合记录消息历史
    List<Message> messages = new ArrayList<>();

    public PromptController(ChatClient.Builder builder) {
        this.chatClient = builder.build();
    }

    @RequestMapping("/assistant")
    public String assistant(@RequestParam String msg) {
        messages.add(new UserMessage(msg));
        // 助手消息
        AssistantMessage response = chatClient.prompt()
        .messages(messages)
        .call()
        .chatResponse()
        .getResult()
        .getOutput();
        messages.add(response);
        return response.getText();
    }
}

程序执行结果如下：

从结果可以看出，第二次交互是在第一次交互的基础上执行的。

小结

除了 Prompt 以上内容之外，还有 PromptTemplate 以及 Prompt 使用技巧，例如为模型提供输出样例、设定完成任务步骤、使用思维链（Chain of Thought，COT）引导模型“思考”等具体技巧，咱们后期文章再慢慢聊。

 零基础入门AI大模型

今天贴心为大家准备好了一系列AI大模型资源，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

 

 

（都打包成一块的了，不能一一展开，总共300多集）

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

 

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

5.免费获取(扫下方二v码即可100%领取)