利用 Spring AI 实现AI提示工程技术

Spring AI 提供了一个很方便的工具，让你能用 Java 语言来实现这些跟AI“好好说话”的提示技巧。通常情况下，把不同的技巧结合起来用效果更好，比如给AI定个“系统任务”，再给它几个“少量样本例子”。

Prompt Engineering 提示工程是教你怎么问大模型问题、怎么“下指令”，这个“大聪明”才能更好地理解你，给出你想要的答案或者帮你完成任务。

你可以把 Spring AI 看作是一个“翻译官”或者“连接器”，帮你用编程的方式跟那些“大聪明”AI模型（比如 OpenAI、Google 的 AI 等等）对话。

配置
有很多不同的“大聪明”AI模型，就像有的同学擅长数学，有的擅长语文。你可以选一个适合你任务的模型。

Spring AI 让你换模型很方便，就像换个设置就行，不需要改动很多代码。你想用 OpenAI 的，就加个 OpenAI 的设置；想用 Google 的，就加个 Google 的设置。

你甚至可以指定用某个公司出的某个具体型号的AI，比如 Claude 的一个叫做 "sonnet" 的型号。

设置AI怎么回答（调调AI的“脾气”和“字数”）:
温度 (Temperature): 这个控制AI回答的“随机性”或“创意”。

• 温度低（比如0.1）: AI回答会很确定，很“老实”，总是给出最可能的那个答案，适合要事实、要分类的任务。就像你问“1+1=？”，它会很确定地回答“2”。
• 温度中等（比如0.4-0.7）: 平衡型，既不太死板，也有点创意。
• 温度高（比如0.8-1.0）: AI回答会很有创意，很多样，可能会给出你意想不到的答案，适合写故事、头脑风暴。就像你问“给我讲个故事”，温度高它会想出更奇特的情节。

回答长度 (MaxTokens): 限制AI回答的“字数”（其实是AI理解的词块，叫做token）。

• 设短点（比如5-25）: 只想要一个词或者短语。
• 设中等（比如50-500）: 想要一段话或者短解释。
• 设长点（比如1000+）: 想要很长的文章或详细解释。

怎么选词 (Sampling Controls - Top-K 和 Top-P):
这是更高级的设置，用来控制AI在生成回答时怎么从可能的词语里挑选。简单说，就是让AI的回答更自然或者更多样。有点像你说话时，是在脑子里想很多词再挑，还是很快说出来。

让AI回答成特定格式：
除了普通的文字，你还可以让AI回答成有结构的数据，比如一个清单、一个表格，或者一个程序能直接看懂的格式（比如 JSON）。Spring AI 能帮你把AI的回答直接变成Java程序里能用的“数据包”，很方便。

不同AI的独有设置：
每个“大聪明”AI都有自己的特别技能和设置。Spring AI 也允许你使用这些独有的设置，这样就能充分发挥每个AI的特长。但用了这些独有设置，你的程序就可能只能跟这个特定的AI工作了。

提问的小技巧（Prompt Engineering 技术）
Spring AI 代码演示点击标题

零样本提示 (Zero-shot Prompting):

• 就是直接给AI任务，不给任何例子。
• AI学了很多知识，对一些常见任务（比如翻译、总结、分类）已经很熟了，直接说它也能懂。这种方法最简单。
• 例子： 给你一段电影评论，直接让AI判断它是“好评”还是“差评”，不告诉它好评差评的例子。
• 注意： 对简单的任务还好，但如果任务复杂或要求特别，可能效果不好。

一次性/少量样本提示 (One-shot / Few-shot Prompting):

• 给AI一个（One-shot）或几个（Few-shot）例子，告诉它你想让它怎么做。
• AI通过看你给的例子，就能明白你想要的回答格式或者做事方式。特别适合要求特定输出格式的任务。
• 例子： 你想让AI把客户的披萨订单描述变成一个程序能看懂的格式（JSON）。你就给它一个客户描述和对应的JSON格式，再给一个，AI看了就会学着按这个格式回答新的订单。
• 注意： 给的例子要好，越多例子AI学得越明白（当然也不能太多）。

系统提示 (System):
给AI一个“总任务”或“总规矩”，让它在整个对话中都记住。
例子： 告诉AI：“你的任务是分析电影评论，只能回答‘POSITIVE’、‘NEUTRAL’或‘NEGATIVE’。”AI就会一直按照这个规矩来。Spring AI 可以把AI的回答直接变成Java里的一个枚举类型（一种表示固定选项的数据类型），很方便。

角色提示 (Role):
让AI扮演一个特定的角色。
这样AI的回答就会符合这个角色的特点、语气和知识背景。
例子： 让AI扮演“导游”，你告诉它你在哪里，它就会给你推荐景点，而且说话方式会像导游一样。你还可以加上风格要求，比如让它做“幽默的导游”。

情境提示 (Context):
给AI一些额外的、和当前问题相关的背景信息。
帮助AI更好地理解问题，给出更准确、更相关的回答。
例子： 你想让AI给你推荐文章主题，你告诉它：“我们正在为一个关于80年代街机游戏的博客写文章。”这个“80年代街机游戏博客”就是情境，AI就会围绕这个来推荐主题。Spring AI 可以很方便地把这些背景信息（用 param() 方法）加到你的问题里。

后退提示 (Step-back Prompting):
遇到复杂问题时，先让AI往后退一步，思考一些更基础、更高层面的东西，然后再回来解决具体问题。
 把复杂问题分解成几步，帮助AI理清思路，回答更准确。
例子： 你想让AI写一个第一人称射击游戏的新关卡故事。先让AI根据现有的游戏，想出5个能让关卡有趣又有挑战性的“设定要素”。然后把这5个要素作为“背景信息”，再让AI写故事。这样故事就会包含你想要的要素。

思路链 (Chain of Thought - CoT):
让AI展示它思考问题的过程，一步一步地得出答案。就像你解数学题要写出过程一样。
尤其是对需要推理、计算或逻辑的问题，让AI展示过程能帮助它减少错误，答案更可靠。
通常在问题里加上“让我们一步一步思考”（Let's think step by step）之类的提示语。
例子： 问AI一个年龄问题（比如“我3岁时搭档是我3倍大，我现在20岁，搭档多大？”），加上“让我们一步一步思考”，AI就会先算年龄差，再算现在的年龄。你也可以通过给它一个这样的解题例子（Few-shot）来引导它。

自洽性 (Self-consistency):
 同一个问题，让AI回答很多次（比如5次），每次可能答案有点不一样，然后看看哪个答案出现次数最多，就选那个答案。
AI有时候会犯错，问很多次再“投票”，多数人的意见通常更可靠。适合做重要决策时用。
Spring AI 的代码例子就是循环调用AI 5次，然后统计“好评”和“差评”哪个多。用这个方法，AI回答时通常会用高“温度”，让它每次思考的角度不一样。
注意： 问很多次，会花更多时间和钱。

思路树 (Tree of Thoughts - ToT):
比思路链更厉害一点。AI不只是一条直线思考，而是像树枝一样，同时想很多种解决问题的思路和可能的下一步，然后评估哪条路最好，再沿着最好的路继续想。
解决特别复杂、有很多可能性的问题，比如下棋（要想很多步）。
注意： 这个技术比较高级，原文没有提供直接的Spring AI代码示例，但给了一个下棋的例子来解释：先让AI想3种开局方法，评估哪个最好，再基于最好的开局想后面几步棋。

自动提示工程 (Automatic Prompt Engineering - APE):
 不是你手动想怎么问问题，而是让AI自己来帮你想，甚至生成很多种不同的问法，然后自己评估哪种问法能得到最好的结果。
 利用AI的智能来优化“提问”这个过程。特别适合处理很复杂、你不知道怎么问才好的任务。
例子： 你想让AI帮你写一个聊天机器人的训练数据，需要客户下订单的各种不同说法（比如“我要一件S码的Metallica T恤”）。你可以让AI生成10种意思一样但说法不同的句子。然后你可以让AI评估（比如用一种叫BLEU的方法）哪种说法最好。

代码提示 (Code Prompting):
专门让AI处理跟代码相关的任务。
 AI很擅长理解和生成代码。
例子：

• 让AI写一段代码（比如写一个Bash脚本）。
• 给AI一段代码，让它解释这段代码是干什么的。
• 给AI一段Bash代码，让它翻译成Python代码。

总结：
在实际写程序用AI的时候，记得：

• 多试试不同的设置（温度、字数限制等）。
• 重要的任务，可以用“自洽性”让AI多回答几次，求个“平均值”或“多数意见”。
• 利用 Spring AI 把AI的回答直接变成程序里用的数据结构，很方便。
• 用“情境提示”给AI背景信息，让它回答更准确。