【SpringAIAlibaba新手村系列】（5）Prompt 提示词基础与多种消息类型

第五章 Prompt 提示词基础与多种消息类型

版本标注

• Spring AI: 1.1.2
• Spring AI Alibaba: 1.1.2.0

章节定位

• Prompt 仍然是基础，但在 1.1.2.x 中，Prompt 往往会与 Tool Calling、MCP、RAG、结构化输出、Agent System Prompt、Routing Prompt 一起协同工作。

s01 > s02 > s03 > s04 > [ s05 ] s06 > s07 > s08 > s09 > s10 > s11 > s12 > s13 > s14 > s15 > s16 > s17 > s18

"同一句话, 放在不同消息角色里, 效果可能完全不同" -- Prompt 的本质不是提问, 而是精确表达任务。

---

一、Prompt 的核心概念

1.1 什么是 Prompt？

Prompt（提示词） 是我们与 AI 沟通的唯一方式，你可以把它理解成：

"给 AI 写的 prompt 就是给 AI 下达的指令或提出的问题"

就像和人沟通一样，你说的越清楚，对方理解得越准确。Prompt 写得好不好，直接决定了 AI 输出的质量。

1.2 Prompt 的组成要素

一个完整的 Prompt 通常由两部分组成：

┌────────────────────────────────────────────────────┐
│                    Prompt 的组成                    │
├────────────────────────────────────────────────────┤
│                                                    │
│  【系统消息 System Message】                        │
│  ─────────────────────────                         │
│  你是一个法律助手，只回答法律相关问题               │
│  其他问题回复"抱歉，我只能回答法律问题"             │
│                                                    │
│  【用户消息 User Message】                          │
│  ──────────────────                                │
│  什么是知识产权法？                                │
│                                                    │
└────────────────────────────────────────────────────┘

1.3 Spring AI 中的消息类型

在 Spring AI 中，消息被抽象为几个类：

消息类型	说明	典型用途
SystemMessage	系统提示词，设定 AI 角色和行为	"你是一个Java专家"
UserMessage	用户消息，实际的问题	"什么是反射？"
AssistantMessage	AI 的回复消息	记录对话历史
ToolResponseMessage	工具调用返回的结果	天气查询结果

---

二、多种模型支持

2.1 多模型配置

本章的项目展示了如何在同一个应用中支持多个不同的 AI 模型：

// 项目中配置了两种模型
@Resource(name = "deepseek")       // DeepSeek 开源模型
private ChatModel deepseekChatModel;

@Resource(name = "qwen")           // 阿里云通义千问
private ChatModel qwenChatModel;

// 对应的两个 ChatClient
@Resource(name = "deepseekChatClient")
private ChatClient deepseekChatClient;

@Resource(name = "qwenChatClient")
private ChatClient qwenChatClient;

2.2 模型选择策略

不同模型有不同的特点：

模型	特点	适用场景
DeepSeek	开源免费，中文能力强	成本敏感场景
Qwen (通义千问)	阿里云服务稳定，中文优化好	生产环境首选

---

三、项目代码详解

3.1 控制器代码

package com.atguigu.study.controller;

import jakarta.annotation.Resource;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.messages.AssistantMessage;
import org.springframework.ai.chat.messages.SystemMessage;
import org.springframework.ai.chat.messages.ToolResponseMessage;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.chat.model.ChatResponse;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;
import reactor.core.publisher.Flux;

import java.util.List;

/**
 * Prompt 提示词控制器
 * 展示各种 Prompt 的使用方式
 */
@RestController
public class PromptController
{
    // 注入 DeepSeek 模型和 ChatClient
    @Resource(name = "deepseek")
    private ChatModel deepseekChatModel;
    
    @Resource(name = "qwen")
    private ChatModel qwenChatModel;

    @Resource(name = "deepseekChatClient")
    private ChatClient deepseekChatClient;
    
    @Resource(name = "qwenChatClient")
    private ChatClient qwenChatClient;

    /**
     * 方式一：使用 ChatClient 的简洁 API（推荐）
     * 
     * .system() 方法设置系统提示词
     * .user() 方法设置用户消息
     * .stream() 开启流式输出
     *
     * 接口：http://localhost:8005/prompt/chat?question=火锅介绍下
     */
    @GetMapping("/prompt/chat")
    public Flux<String> chat(String question)
    {
        return deepseekChatClient.prompt()
            // system() 设置系统消息：AI的角色设定
            .system("你是一个法律助手，只回答法律问题，"
                   + "其它问题回复，我只能回答法律相关问题，其它无可奉告")
            // user() 设置用户消息
            .user(question)
            // stream() 流式输出
            .stream()
            .content();
    }

    /**
     * 方式二：使用底层 Message 对象（更底层灵活）
     * 
     * 创建 SystemMessage 和 UserMessage 对象
     * 组合成 Prompt 进行调用
     * 
     * 接口：http://localhost:8005/prompt/chat2?question=葫芦娃
     */
    @GetMapping("/prompt/chat2")
    public Flux<ChatResponse> chat2(String question)
    {
        // 1. 系统消息：设定AI为"讲故事助手"
        SystemMessage systemMessage = new SystemMessage(
            "你是一个讲故事的助手,每个故事控制在300字以内"
        );

        // 2. 用户消息：用户的问题
        UserMessage userMessage = new UserMessage(question);

        // 3. 组合成 Prompt
        //    Prompt 是 Message 的容器，可以包含多个消息
        Prompt prompt = new Prompt(userMessage, systemMessage);

        // 4. 调用并返回流式响应
        return deepseekChatModel.stream(prompt);
    }

    /**
     * 方式三：提取响应中的文本
     * 
     * 获取 ChatResponse 对象后，需要手动提取内容
     * 
     * 接口：http://localhost:8005/prompt/chat3?question=葫芦娃
     */
    @GetMapping("/prompt/chat3")
    public Flux<String> chat3(String question)
    {
        SystemMessage systemMessage = new SystemMessage(
            "你是一个讲故事的助手,每个故事控制在600字以内且以HTML格式返回"
        );

        UserMessage userMessage = new UserMessage(question);
        Prompt prompt = new Prompt(userMessage, systemMessage);

        // 使用 map 转换响应，提取文本内容
        // getResults().get(0) 获取第一个结果块
        // getOutput().getText() 获取生成的文本
        return deepseekChatModel.stream(prompt)
            .map(response -> response.getResults().get(0).getOutput().getText());
    }

    /**
     * 方式四：获取 AssistantMessage 对象
     * 
     * 如果需要获取 AI 回复的完整对象（包含元数据）
     * 可以获取 AssistantMessage
     * 
     * 接口：http://localhost:8005/prompt/chat4?question=葫芦娃
     */
    @GetMapping("/prompt/chat4")
    public String chat4(String question)
    {
        // 通过 ChatClient 获取完整响应
        AssistantMessage assistantMessage = deepseekChatClient.prompt()
                .user(question)
                .call()
                .chatResponse()            // 获取 ChatResponse 对象
                .getResult()               // 获取结果
                .getOutput();              // 获取输出消息

        // 通过 getText() 获取文本内容
        return assistantMessage.getText();
    }

    /**
     * 方式五：模拟工具调用场景（ToolResponseMessage）
     * 
     * 这个示例展示了 ToolResponseMessage 的使用场景
     * 实际使用会在 ToolCalling 章节详细讲解
     * 
     * 接口：http://localhost:8005/prompt/chat5?city=北京
     */
    @GetMapping("/prompt/chat5")
    public String chat5(String city)
    {
        // 1. 用户问题：询问城市天气
        String answer = deepseekChatClient.prompt()
                .user(city + "未来3天天气情况如何?")
                .call()
                .chatResponse()
                .getResult()
                .getOutput()
                .getText();

        // 2. 模拟工具返回结果（实际是外部工具调用的返回值）
        ToolResponseMessage toolResponseMessage = new ToolResponseMessage(
                List.of(
                    // ToolResponse 参数：toolCallId, toolName, content
                    new ToolResponseMessage.ToolResponse("1", "获得天气", city)
                )
        );

        // 3. 组合结果
        //    在实际应用中，会把工具返回的信息再发送给 AI，让它结合信息回答
        String toolResponse = toolResponseMessage.getText();
        String result = answer + toolResponse;

        return result;
    }
}

---

四、系统消息的最佳实践

4.1 系统消息的作用

系统消息（SystemMessage）就像是给 AI 设置的"人格"和"工作规则"：

// ❌ 模糊的系统消息（AI 可能自由发挥）
.system("你是一个助手")

// ✅ 明确的系统消息（AI 知道该怎么做）
.system("""
    你是一个专业的Java技术博主。
    1. 回答问题时优先使用代码示例
    2. 解释概念时要用通俗易懂的语言
    3. 每次回答控制在500字以内
    4. 使用Markdown格式输出代码块
    """)

4.2 优秀的系统消息包含要素

要素	说明	示例
角色设定	AI 是什么身份	"你是一个法律顾问"
能力边界	能回答什么，不能回答什么	"只回答法律相关问题"
输出格式	要求如何返回结果	"用HTML格式返回"
字数控制	要求输出多长	"控制在300字以内"
风格要求	语气、措辞要求	"用通俗易懂的语言"

---

五、本章小结

5.1 核心概念回顾

概念	说明
Prompt	提示词，发送给 AI 的完整指令
SystemMessage	系统消息，设定 AI 的角色和行为
UserMessage	用户消息，用户实际提出的问题
AssistantMessage	AI 回复的消息对象
ToolResponseMessage	工具调用返回的结果消息

5.2 使用建议

1. 简单场景：使用 ChatClient.prompt().system().user().call() 链式 API
2. 需要精细控制：创建 SystemMessage + UserMessage 组装 Prompt
3. 多模型切换：通过 @Qualifier 区分不同的 ChatModel

本章重点：

1. 理解 Prompt 的组成：系统消息 + 用户消息
2. 掌握多种创建和使用 Prompt 的方式
3. 学会在系统中切换使用不同模型

下章剧透（s06）：

了解了 Prompt 的基本使用后，下一章我们将学习 PromptTemplate（提示词模板）——如何用占位符实现可复用的提示词。

---

📝 编辑者：Flittly
📅 更新时间：2026年3月
🔗 相关资源：Spring AI Prompt 官方文档