企业官网建设流程全解析

1. Spring AI中的提示词与消息对象解析

在Spring AI框架中，提示词(Prompt)和消息对象(Message)是与AI模型交互的核心组件。它们的关系就像JDBC中的SQL语句和参数绑定——提示词定义了整体交互结构，而消息对象则承载具体内容。

提示词本质上是一个容器，包含：

• 有序的消息序列（List ）
• 模型调用选项（ChatOptions）

这种设计允许开发者构建复杂的多轮对话场景，每个消息都可以指定不同的角色和内容。就像在Web开发中，我们通过组合不同的HTTP请求参数来构建完整功能。

2. 消息对象深度剖析

2.1 消息接口层次结构

Message接口体系采用分层设计：

Content (基础接口) ├─ getContent(): String └─ getMetadata(): Map<String,Object> Message (扩展接口) ├─ getMessageType(): MessageType MediaContent (特殊接口) ├─ getMedia(): Collection<Media>

这种设计既保证了核心功能的统一性，又通过接口组合实现了功能扩展。在实际项目中，我们通常会遇到以下几种具体实现：

1. UserMessage：代表用户输入
2. AssistantMessage：AI生成的响应
3. SystemMessage：系统级指令
4. ToolMessage：函数调用相关消息

2.2 消息角色详解

MessageType枚举定义了四种核心角色：

public enum MessageType { USER("user"), // 用户输入 ASSISTANT("assistant"), // AI响应 SYSTEM("system"), // 系统指令 TOOL("tool"); // 工具调用 // 其他方法省略 }

每种角色都有明确的语义边界：

• SYSTEM：设置AI行为参数，相当于对话的"宪法"
• USER：具体的用户请求，触发AI响应
• ASSISTANT：AI的回复内容
• TOOL：函数调用场景下的特殊消息

提示：系统消息应该放在对话最开始，就像在会议开始前宣布规则。实践中我们发现，将系统消息控制在100-200token效果最佳。

3. 提示词模板实战

3.1 模板渲染机制

Spring AI默认使用StringTemplate引擎进行模板渲染，语法为{variable}。在需要处理JSON等特殊内容时，可以自定义分隔符：

PromptTemplate.builder() .renderer(StTemplateRenderer.builder() .startDelimiterToken('<') .endDelimiterToken('>') .build()) .template("生成<count>条关于<topic>的JSON数据") .build();

3.2 多模态消息构建

处理包含媒体内容的消息时，使用createMessage的重载方法：

List<Media> mediaList = Arrays.asList( new Media("image/jpeg", "cat.jpg"), new Media("audio/mp3", "meow.mp3") ); Message multiModalMsg = promptTemplate.createMessage(mediaList);

3.3 外部资源加载

将模板存储在外部文件中更利于维护：

@Value("classpath:/prompts/weather_query.st") private Resource weatherPromptResource; PromptTemplate template = new PromptTemplate(weatherPromptResource);

文件内容示例：

你是一位专业气象学家，请用{style}风格回答： 用户问题：{question} 回答时请包含： - 温度范围 - 降水概率 - 风速预警

4. 高级提示工程技巧

4.1 思维链(Chain-of-Thought)实现

通过系统消息引导AI分步思考：

String systemMsg = """ 请按以下步骤回答问题： 1. 理解问题核心 2. 分析相关因素 3. 逐步推导结论 4. 验证结果合理性 最终答案请以"结论："开头 """;

4.2 少样本学习(Few-shot Learning)

在提示词中包含示例：

String promptTemplate = """ 示例1： 输入：法国的首都是哪里？ 输出：法国的首都是巴黎 现在请回答： 输入：{question} 输出：""";

4.3 结构化输出控制

结合ChatOptions指定响应格式：

ChatOptions options = new ChatOptions(); options.setResponseFormat("json"); Prompt prompt = promptTemplate.create( Map.of("query", "列出5本编程书籍"), options );

5. 性能优化与调试

5.1 Token使用分析

监控响应元数据中的token消耗：

ChatResponse response = chatModel.call(prompt); int totalTokens = response.getMetadata().getUsage().getTotalTokens();

经验值：中文token消耗通常是字符数的1.5-2倍。一段500字的内容可能消耗800-1000token。

5.2 上下文窗口管理

实现自动截断策略：

public String truncateToTokens(String text, int maxTokens) { // 实现基于tokenizer的截断逻辑 // 保留前maxTokens个token }

5.3 提示词缓存策略

对静态模板使用缓存：

@Cacheable("promptTemplates") public PromptTemplate loadTemplate(String templatePath) { return new PromptTemplate(new ClassPathResource(templatePath)); }

6. 实战案例：客服对话系统

6.1 对话状态管理

class ChatSession { List<Message> history; public Prompt buildCurrentPrompt() { List<Message> messages = new ArrayList<>(); messages.add(systemMessage); messages.addAll(history); return new Prompt(messages); } }

6.2 多轮对话示例

// 第一轮 SystemMessage sysMsg = new SystemMessage("你是一位专业客服"); UserMessage userMsg = new UserMessage("我的订单没收到"); Prompt prompt = new Prompt(List.of(sysMsg, userMsg)); // 第二轮 AssistantMessage aiResp = chatModel.call(prompt).getResult(); UserMessage followUp = new UserMessage("订单号是12345"); Prompt newPrompt = new Prompt(List.of(sysMsg, userMsg, aiResp, followUp));

6.3 异常处理模式

try { ChatResponse response = chatModel.call(prompt); // 处理响应 } catch (ModelTimeoutException e) { // 重试逻辑 } catch (ModelRateLimitException e) { // 降级处理 }

7. 常见问题排查

7.1 模板渲染失败

现象：抛出MissingVariableException解决：

1. 检查变量名拼写
2. 确保传入的Map包含所有必需变量
3. 使用promptTemplate.getInputVariables()获取所需变量列表

7.2 角色混淆

现象：AI行为不符合预期解决：

1. 确认系统消息位于消息列表首位
2. 避免在用户消息中包含指令性内容
3. 检查MessageType是否正确设置

7.3 性能瓶颈

现象：响应延迟高优化：

1. 减少不必要的上下文消息
2. 对长文本进行分块处理
3. 考虑使用更轻量级的模型

在最近的一个电商客服项目中，我们通过优化提示词结构将平均响应时间从2.3秒降低到1.1秒。关键改进包括：

• 将系统消息token数从215压缩到187
• 采用更精确的变量命名
• 实现对话历史摘要机制