当前位置：首页 > news >正文

Prompt Engineering指南

news 2026/5/12 2:30:24

前言

你是否觉得AI生成的代码有时候“编译不通过”或者“逻辑奇怪”？

其实，这可能不是模型的问题，而是我们的提问方式不对。

本文将带你从Java程序员的视角，深入浅出地掌握AI提示词工程（Prompt Engineering）。

通过类比Java核心概念、结构化公式和代码实战，你将学会如何像配置Spring Bean一样精准控制AI，让它成为你最得力的结对编程伙伴。

1. 为什么需要学习提示词工程？

想象一下，你招聘了一位博学多才（背熟了GitHub上所有开源代码）但刚毕业的实习生。

如果你说：“写个登录功能。” —— 实习生可能会给你写一个没加密、直接拼SQL的UserDao，甚至还用着java.util.Date。
如果你说：“请基于Spring Security 6，实现一个基于JWT的无状态认证过滤器。要求使用Lombok，处理好全局异常，并符合RESTful规范。” —— 实习生立马就能交出一份生产级可用的代码。

提示词工程（PromptEngineering），本质上就是“自然语言编程”。

作为程序员，你可以把它理解为写给AI的需求文档（Spec）。

以前我们指挥电脑用Java，现在我们指挥LLM用自然语言。

2. 第一部分：原理篇

在学习技巧之前，我们需要理解大语言模型（LLM）的底层逻辑，这和我们熟悉的Java运行机制截然不同。

2.1 概率预测 vs 确定性执行

Java代码的执行是确定性的（Deterministic）：if (a > b)永远是这个结果。
但LLM本质上是一个超级强大的“Token接龙”机器。

它不理解代码逻辑，它只是在计算概率。

AI写代码其实是在做高维度的自动补全。

2.2 上下文（Context）

AI的记忆是有限的，这个限制被称为上下文窗口（ContextWindow）。
你可以把Context想象成Spring容器中的依赖注入。

如果你不把业务逻辑背景（Context）注入给AI，它就会报“NullPointerException”（幻觉，瞎编）。
如果你把相关的Entity定义、Service接口都贴给它，它就能完美运行。

程序员操作指南1：

永远不要假设AI知道你的项目架构。把你当下的技术栈版本（Java 17/21? Spring Boot 2/3?）、依赖库（MyBatis还是JPA?）显式地告诉它。

2.3 关键参数：Temperature

在使用AI API时，有一个关键参数叫Temperature（0.0 - 1.0）。

Temperature=0.0(StrictMode): 相当于final。每次输出几乎一样。写代码、生成JSON时必须用这个。
Temperature=0.7+(CreativeMode): 相当于Random。适合写文案、头脑风暴。

3. 第二部分：结构篇

一个优秀的Prompt就像一个定义良好的Java类，包含必要的属性。

我们可以沿用BROKE框架：

要素	英文	对应Java概念	例子
角色	R ole	`Class Definition`	“你是一位拥有10年经验的Spring架构师...”
背景	B ackground	`Context / Fields`	“我们正在将老旧的JSP单体应用迁移到微服务...”
目标	O bjective	`Method Name`	“请重构这段代码...”
约束	K ey Constraints	`Interface / Config`	“使用Java 17 Record特性，避免使用Lombok，需包含Javadoc。”
示例	E xamples	`Unit Test / Assert`	“输入是JSON，输出是实体类，像这样...”

❌ 失败案例（Weak Reference）

“帮我写个Java爬虫。”

AI的反应：可能给你一段用HttpURLConnection写的、没有任何异常处理的、甚至还在用System.out.println的代码。

✅ 成功案例（Strong Reference）

[Role]你是一位精通并发编程的Java资深开发。
[Background]我需要抓取一个API接口的数据，该接口限流严格。
[Objective]请使用Java21的VirtualThreads(虚拟线程)编写一个高并发爬虫Demo。
[Constraints]
使用HttpClient(Java 11+)。
必须包含重试机制（Retry）。
使用CompletableFuture进行异步编排。
只有核心代码，不要废话。

AI的输出：会精准地使用Executors.newVirtualThreadPerTaskExecutor()，并优雅地处理CompletableFuture。

4. 第三部分：进阶篇

4.1 少样本提示（Few-Shot Prompting）

给AI一两个“输入-输出”的例子（就像写Unit Test），它能迅速理解你的意图。

场景：你需要将下划线命名（DB字段）转为驼峰命名（Java字段），并且带Json注解。

用户：
将下列数据库字段转为Java Record字段定义：
user_name->@JsonProperty("user_name") String userName
created_at->@JsonProperty("created_at") LocalDateTime createdAt
is_deleted->[AI填空]

AI：@JsonProperty("is_deleted") Boolean isDeleted

4.2 思维链（Chain of Thought, CoT）

对于复杂的算法或Debug问题，告诉AI：“请一步步思考（Thinkstep-by-step）”。这就像我们在代码里打断点调试一样，能显著提高准确率。

Debug场景：

我遇到了一个ConcurrentModificationException。这是我的代码...请一步步分析在这个ArrayList遍历过程中，哪个线程在何时进行了修改操作，导致了异常。

4.3 分隔符的使用

使用符号将指令和代码分开。对于Java开发者，最亲切的莫过于 **Java 15+ 的文本块 **"""。

示例：

请解释下面"""包裹的代码中的内存泄漏风险：
"""
public class Cache {
private static final Map<String, Object> map = new HashMap<>();
// ...
}
"""

5. 第四部分：实战篇

5.1 场景一：遗留代码重构

Prompt:

你是重构专家。请将以下使用 Java 7 编写的嵌套for循环代码，重构为Java8StreamAPI风格。
要求：
如果逻辑允许，使用parallelStream()提升性能。
保持代码可读性，避免过长的链式调用。
解释你做了哪些改动。

5.2 场景二：生成防御性单元测试

Prompt:

针对以下PaymentService类，编写JUnit5+Mockito单元测试。
要求：
覆盖率：除了正常路径（Happy Path），必须覆盖边界条件（金额为负、余额不足、数据库超时）。
参数化测试：使用@ParameterizedTest测试多种货币类型。
断言：使用 AssertJ 进行流式断言。

5.3 场景三：DDD 领域建模

Prompt:

我正在设计一个电商系统的“订单（Order）”模块。请基于DDD（领域驱动设计）思想，帮我设计Order聚合根（Aggregate Root）。
要求：
包含核心属性（OrderID, OrderItems, Status）。
所有的状态变更（如“支付成功”、“发货”）必须通过行为方法（Behavior Methods）完成，禁止直接暴露 Setter。
确保不变性（Invariants）：例如“订单总金额不能为负”。
输出 Java 代码示例。

5.4 场景四：SQL 优化与转换

Prompt:

这是我现有的原生 SQL 查询，运行很慢：
SELECT * FROM users u LEFT JOIN orders o ON u.id = o.user_id WHERE ...
请任务：
分析可能的性能瓶颈（假设orders表有千万级数据）。
将其转换为SpringDataJPASpecification或MyBatisXML格式（二选一，推荐性能更好的一种）。

6. 第五部分：深度篇

6.1 检索增强生成（RAG）

单纯的Prompt受限于模型训练数据（比如它不知道你公司内部的API定义）。RAG(Retrieval-AugmentedGeneration)就像是给AI装了一个Hibernate：

Query: 用户提问。
Select: 系统先去向量数据库（Vector DB）查相关的文档。
Context: 把查到的文档作为Context注入给AI。
Generate: AI基于这些“私有数据”生成答案。

6.2 Java生态的AI集成：Spring AI

作为Java开发者，你不需要非得去学Python才能玩转AI。Spring官方推出了SpringAI项目。

代码示例：

@RestController publicclass AiController { privatefinal ChatClient chatClient; // 构造器注入，就像注入 JdbcTemplate 一样简单 public AiController(ChatClient.Builder builder) { this.chatClient = builder.build(); } @GetMapping("/ask") public String ask(@RequestParam String question) { // 链式调用，流式API return chatClient.prompt() .user(question) .system("你是一个Java助手") // 设定System Prompt .call() .content(); } }