企业官网建设流程全解析

LangChain4j 提示词工程：模板 + few-shot + 温度，提示词从写死到复用

作者：鱼宵 ｜ LangChain4j实战精通营 · 第 2 篇

上一课我们玩角色扮演，提示词是这么拼的：chatModel.chat(systemPrompt + "\n问题：" + question)。当时能跑，但你有没有意识到一个隐患——规则写死在代码里，问题一换就得重新拼字符串，变量一多就乱成一团浆糊。更要命的是，同一段翻译规则，我今天中译英、明天英译中，难道要写两遍？

这一课就是把这种"临时工式拼字符串"升级成正规军。三个家伙一起上：PromptTemplate 把提示词做成带占位符的模板、消息体系把人设有序排好、few-shot 给两个示例让模型照猫画虎、温度旋钮决定它严谨还是发散。代码全在仓库lesson-02/，clone 下来跑一遍，你会发现同一个模板换三组变量就能翻三个方向——末尾那两道挑战题，改完参数跑一次才知道温度旋钮有多玄。

一、核心原理：提示词为什么不能写死

一句话：提示词 = 固定规则 + 动态变量。规则该写一次复用 N 次，变量运行时再填。

1. PromptTemplate：一张印好的填空题答题卡

以前硬拼字符串，等于每次都拿白纸重画一遍题面。PromptTemplate反过来：你提前把提示词写成一段带{{占位符}}的模板，运行时再把变量填进去。

打个比方：老师（你）提前印好答题卡——“请把{{sourceLang}}的{{text}}翻译成{{targetLang}}”，考试（调模型）时只需要在空格里填具体值。规则印一次，N 次考试复用。

PromptTemplatetemplate=PromptTemplate.from("把{{text}}翻译成{{language}}");Promptprompt=template.apply(Map.of("text","你好","language","英文"));// prompt.text() 就是填好后的完整提示词

注意是双大括号{{text}}——写成单大括号{text}占位符不会替换，这是本课第一个必踩坑（第七节表里有）。

2. 消息体系：模型眼里不是"一段话"，是"一条消息列表"

这是本课最值钱的认知升级。很多人以为发给模型的是一整段拼接文本，其实是一个带角色标记的消息列表（List）：

类比你翻微信聊天记录：是一条条"对方说—你说—对方说"的消息流，不是一整坨文字。模型也按列表顺序读，并且知道每条是谁说的。没有角色标记，它就分不清"哪句是规则、哪句是要处理的数据"。

3. few-shot：开卷考试先给标准答案

few-shot（少样本示例）：正式提问之前，先在消息列表里塞 2~3 组"用户问 → 模型答"的示例对，让模型照着示例的格式和风格回答。

你不是跟实习生讲一百字"该怎么翻译"，而是直接甩给他 3 张"原文→译文"的样表，说"照这个样子做"。实习生照样表抄格式，往往比读规则理解得更准。什么时候特别有用？你要的输出格式很特殊、或者要模仿某种语气——给示例比写规则管用。简单任务不给示例（zero-shot）就够，示例是拿来"纠偏"的。

4. temperature：答题风格的旋钮

temperature是模型生成每个词时的"随机性旋钮"，而且它是建模型时定死的参数，不是每次调用时传的。

• 0.0：学霸闭卷默写，每次答案几乎一样——适合信息抽取、分类、SQL 生成；
• 0.7：自然闲聊，本课默认值；
• 1.5：诗人即兴发挥，每次说法都不同，有灵感也容易跑题。

面试常被一起追问top_p：简单记，temperature 调"随机程度"，top_p 调"只从概率最高的前百分之几的词里选词"。

二、动手：跑通三个 demo

环境与上节课完全一样：JDK 17、DEEPSEEK_API_KEY已配好。

第 1 步：编译。

cd langchain4j-journey\lesson-02$env:JAVA_HOME="C:\Program Files\Java\jdk-17"mvn clean install-DskipTests

第 2 步：默认三个 demo 依次全跑。

java-Dfile.encoding=UTF-8-jar target\lesson-02-1.0.0.jar

第 3 步：单独跑某个（可选）。

java-Dfile.encoding=UTF-8-jar target\lesson-02-1.0.0.jar template# 只跑模板java-Dfile.encoding=UTF-8-jar target\lesson-02-1.0.0.jar fewshot# 只跑 few-shotjava-Dfile.encoding=UTF-8-jar target\lesson-02-1.0.0.jar temp# 只跑温度对比

控制台中文容易乱码，想把输出存下来对照，用cmd /c "... > out.txt"重定向到 UTF-8 文件再打开看，最稳。

三、关键代码：一个主类讲透三件事

本课模型配置LlmConfig和上节课一模一样（三件套 +maxTokens(300)+temperature(0.7)），不重复贴。重点全在PromptDemoApplication这一个类里。

packagecom.langchain4j.lesson02;importdev.langchain4j.data.message.AiMessage;importdev.langchain4j.data.message.ChatMessage;importdev.langchain4j.data.message.SystemMessage;importdev.langchain4j.data.message.UserMessage;importdev.langchain4j.model.chat.ChatModel;importdev.langchain4j.model.chat.response.ChatResponse;importdev.langchain4j.model.input.Prompt;importdev.langchain4j.model.input.PromptTemplate;importdev.langchain4j.model.openai.OpenAiChatModel;importorg.springframework.boot.CommandLineRunner;importorg.springframework.boot.SpringApplication;importorg.springframework.boot.autoconfigure.SpringBootApplication;importjava.util.ArrayList;importjava.util.List;importjava.util.Map;/** * 第 2 课主程序：三个 demo 用启动参数切换，默认全跑。 * template —— PromptTemplate 模板变量（填空题答题卡） * fewshot —— 消息体系 + few-shot（给示例让模型模仿） * temp —— temperature 0.0 vs 1.5 对比 */@SpringBootApplicationpublicclassPromptDemoApplicationimplementsCommandLineRunner{privatefinalChatModelchatModel;// 注入接口（1.21.0 叫 ChatModel，不是旧名）publicPromptDemoApplication(ChatModelchatModel){this.chatModel=chatModel;}publicstaticvoidmain(String[]args){SpringApplication.run(PromptDemoApplication.class,args);}@Overridepublicvoidrun(String...args){Stringmode=args.length>0?args[0]:"all";switch(mode){case"template"->templateDemo();case"fewshot"->fewShotDemo();case"temp"->temperatureDemo();default->{templateDemo();fewShotDemo();temperatureDemo();}}System.out.println("========== LangChain4j 第 2 课全部演示结束 ==========");}/** Demo 一：模板变量。规则印一次，换两组变量翻两个方向。 */privatevoidtemplateDemo(){System.out.println("========== Demo 1：PromptTemplate 模板变量（翻译助手） ==========");// 模板：三个占位符，运行时才填值PromptTemplatetemplate=PromptTemplate.from("你是专业的{{sourceLang}}→{{targetLang}}翻译助手。规则：只输出译文，不要任何解释。\n"+"待翻译文本：{{text}}");// 第一组变量：中译英Promptprompt1=template.apply(Map.of("sourceLang","中文","targetLang","英文","text","今天天气真不错"));System.out.println("【填好后的提示词（第 1 次）】\n"+prompt1.text());System.out.println("【模型回答】"+chatModel.chat(prompt1.text()));// 第二组变量：同一个模板，换成英译中——模板复用，只换变量Promptprompt2=template.apply(Map.of("sourceLang","英文","targetLang","中文","text","Good morning, have a nice day"));System.out.println("【填好后的提示词（第 2 次）】\n"+prompt2.text());System.out.println("【模型回答】"+chatModel.chat(prompt2.text()));}/** Demo 二：消息列表 + few-shot。3 组示例之后甩一道新题。 */privatevoidfewShotDemo(){System.out.println("========== Demo 2：消息体系 + few-shot（中英对照示例） ==========");List<ChatMessage>messages=newArrayList<>();// 第 1 条：系统消息，整个会话的基调messages.add(SystemMessage.from("你是中英互译助手。严格模仿后面示例的格式和风格，只输出译文。"));// 3 组示例对：用户句 + 标准答案句，必须成对出现messages.add(UserMessage.from("你好，世界"));messages.add(AiMessage.from("Hello, world"));messages.add(UserMessage.from("我喜欢编程"));messages.add(AiMessage.from("I love programming"));messages.add(UserMessage.from("今天天气真不错"));messages.add(AiMessage.from("The weather is really nice today"));// 正式考题：模型会照前面三对示例的风格翻这句messages.add(UserMessage.from("我喜欢写 Java"));// chat(List) 返回 ChatResponse，要从 aiMessage().text() 取文本（和 chat(String) 返回 String 不一样）ChatResponseresponse=chatModel.chat(messages);System.out.println("【3 组示例之后的新问题】我喜欢写 Java");System.out.println("【模型模仿示例的翻译结果】"+response.aiMessage().text());}/** Demo 三：温度对比。温度是建模型时定的，所以临时建两个模型。 */privatevoidtemperatureDemo(){System.out.println("========== Demo 3：temperature 温度对比 ==========");Stringquestion="用三个词形容秋天";ChatModelcoldModel=buildModel(0.0);// 严谨ChatModelhotModel=buildModel(1.5);// 发散System.out.println("【问题】"+question);System.out.println("【temperature=0.0（严谨）】"+coldModel.chat(question));System.out.println("【temperature=1.5（发散）】"+hotModel.chat(question));}/** 临时建指定温度的模型，配置和 LlmConfig 一致，只换 temperature。 */privateOpenAiChatModelbuildModel(doubletemperature){returnOpenAiChatModel.builder().baseUrl(System.getenv().getOrDefault("LLM_BASE_URL","https://api.deepseek.com")).apiKey(System.getenv("DEEPSEEK_API_KEY")).modelName(System.getenv().getOrDefault("LLM_MODEL","deepseek-chat")).maxTokens(200).temperature(temperature)// ← 唯一变化的参数.build();}}

这段代码有两个新手最容易混的点，标出来：

• chat(String)直接返回String；chat(List<ChatMessage>)返回ChatResponse，要.aiMessage().text()才拿到文本。两个重载，别混。
• 温度不是调用参数，是 builder 参数——所以温度对比实验得buildModel临时建两个模型。

四、实测输出：三组实验一镜到底

以下为 2026-10-05 本机真实运行（DeepSeek 实测，已省略启动 banner）。

========== Demo 1：PromptTemplate 模板变量（翻译助手） ========== 【填好后的提示词（第 1 次）】 你是专业的中文→英文翻译助手。规则：只输出译文，不要任何解释。 待翻译文本：今天天气真不错 【模型回答】The weather is really nice today. 【填好后的提示词（第 2 次）】 你是专业的英文→中文翻译助手。规则：只输出译文，不要任何解释。 待翻译文本：Good morning, have a nice day 【模型回答】早上好，祝你今天愉快 ========== Demo 2：消息体系 + few-shot（中英对照示例） ========== 【3 组示例之后的新问题】我喜欢写 Java 【模型模仿示例的翻译结果】I love writing Java ========== Demo 3：temperature 温度对比 ========== 【问题】用三个词形容秋天 【temperature=0.0（严谨）】**丰饶、萧瑟、澄明** - **丰饶**：秋天是收获的季节，稻谷金黄、果实累累，大地回馈着一年辛勤的劳作。 - **萧瑟**：秋风起，落叶飘零，草木渐枯，带着一丝清冷与寂寥的诗意。 - **澄明**：秋日天空高远湛蓝，空气清爽通透，万物轮廓分明，令人心境开阔。 【temperature=1.5（发散）】**丰饶、萧瑟、澄明** 也可以用另一组：**金黄、凉爽、寂寥** ========== LangChain4j 第 2 课全部演示结束 ==========

对照着看，三个结论一次看清：

1. 模板复用：同一行template.apply(...)，换两组变量就完成中→英、英→中两个方向，规则部分（“只输出译文”）一个字没动。这就是不写死的好处。
2. few-shot 的威力：新问题"我喜欢写 Java"翻成I love writing Java——你对照示例看：首字母大写 I、句式 “I love …”、结尾不加句号，全是在模仿前面 3 组示例的风格。给示例比写规则更能把格式统一，眼见为实。
3. 温度差异：0.0 给出规整、结构固定的答案；1.5 在同一组词之外主动补了一句"也可以用另一组：金黄、凉爽、寂寥"——严谨 vs 发散，肉眼可辨。

排查提示：PromptTemplate占位符没被替换？检查你是不是写成了单大括号{text}，LangChain4j 要双大括号{{text}}。few-shot 风格不对？检查示例对是不是 UserMessage / AiMessage 成对、顺序对不对。

五、挑战题：改参数，看看会怎样

1. ⭐加第三组变量：在templateDemo里复用同一个模板，再加一组"中→日"（targetLang填"日文"），重跑观察模板是不是真的一个字没改就翻了新方向。答案就在PromptDemoApplication.java的templateDemo里照抄一段。
2. ⭐⭐温度连跑三次：把temperatureDemo的 0.0 模型对同一问题连跑 3 次，记录输出是不是每次一字不差；再把 1.5 的连跑 3 次对比。答案在buildModel那个temperature参数上，跑出来你才信"0.0 几乎确定"。
3. ⭐⭐把示例顺序对调：故意把 few-shot 里一对UserMessage/AiMessage的顺序反过来，重跑看翻译变成什么样——体会"消息顺序为什么重要"。答案在fewShotDemo那几行messages.add。

六、生产环境进阶：三个加分项

1. 抽取类任务把温度压到 0。信息抽取、分类、SQL 生成要的是确定事实，不要文采——温度 0.7 会让模型"自由发挥"写出不合规结果。下一课结构化输出就把温度压到了 0.0。

2. 提示词模板进配置/数据库。演示里模板写死在代码里；生产环境规则经常运营同学改，把模板抽到配置中心或数据库，改规则不用发版。

3. few-shot 示例要挑有代表性的。示例不是越多越好，2~3 组覆盖典型情况即可；示例本身错了，模型会跟着错得很自信。

七、面试回答模板

面试官：PromptTemplate 相比硬拼字符串好在哪？

一句话：提示词拆成固定模板 + 动态变量，规则写一次复用 N 次。展开：{{var}}双大括号占位，apply(Map)填值，同一个模板能 apply 出多份不同变量的提示词，便于统一维护和测试。硬拼字符串变量一多就乱，还没法复用规则。（指向本课第一节 + lesson-02 的templateDemo）

追问：为什么说 LLM 对话是"消息列表"而不是一段长文本？

因为每条消息带角色：SystemMessage（人设，优先级最高）、UserMessage（用户）、AiMessage（模型）交替排列。有了角色标记，模型才分得清哪句是规则、哪句是数据。第 4 课的"对话记忆"本质上就是在维护这个列表。（指向本课第 2 小节）

追问：few-shot 和 system prompt 怎么分工？什么时候 few-shot 更好用？

SystemMessage 写"人设和大规则"，few-shot 给"具体格式和风格的样例"。格式要求特殊（固定 JSON、固定句式）或要模仿某种语气时，给示例比写一百字规则管用——模型照样表抄格式更准。简单任务 zero-shot 就够。（指向本课第 3 小节 +fewShotDemo实测）

追问：temperature 和 top_p 的区别？

temperature 调"随机程度"：0 死板（抽取/分类）、0.7 自然、1+ 发散易跑偏；top_p 是 nucleus sampling，按概率累积只从最高的前百分之几的词里选。它是建模型时的参数，不是每次调用传的。（指向本课第 4 小节）

八、总结表

九、关于这个系列

本文是「Java 后端实战精通营」系列第 2 篇，原则：实战驱动、由浅到深、面试向，每篇文章的结论都可以亲手验证。

👉LangChain4j 实战精通营（10 课）：https://gitee.com/j67mk2/langchain4j-journey

• 本文对应源码位置：lesson-02/（控制台工程，主类PromptDemoApplication内含模板 / few-shot / 温度三个 demo）

系列文章一览（按发布顺序）：

下一篇预告：《LangChain4j 结构化输出：让模型吐出 Java 对象，JSON 不再手写解析》——这两课你拿到的回答都是"一大段自由文本"，但业务要的是能塞进数据库的 Java 对象。下一课讲怎么让模型稳定吐 JSON，以及最优雅的AiServices直接返回 JavaBean。

跑完有任何报错，把终端输出发评论区，一起排查。

标签建议：LangChain4j、提示词工程、PromptTemplate
摘要建议（≤256 字）：还在用str + var硬拼提示词？LangChain4j 的 PromptTemplate 把规则写成带{{占位符}}的答题卡，运行时填变量，同一模板翻三个方向。本文用一个主类跑通模板变量、消息体系（System/User/AiMessage）、few-shot 示例模仿、temperature 0.0 vs 1.5 对比三个实测，看清"给示例比写规则更能把格式统一"，附 3 道改参数挑战题与面试回答模板，源码在 lesson-02 可 clone 直接跑。