Spring AI提示词模板PromptTemplate：从基础构建到动态对话场景实战
1. 初识Spring AI提示词模板
第一次接触Spring AI的PromptTemplate时，我正为一个儿童教育项目犯愁。我们需要根据孩子的年龄、兴趣自动生成不同难度的故事，但直接调用大模型API返回的内容总是参差不齐。直到发现PromptTemplate这个神器，才真正体会到什么叫做"四两拨千斤"。
简单来说，PromptTemplate就像是个智能填空题模板。你提前设计好故事框架，比如"请给{age}岁的小朋友讲一个关于{topic}的{length}故事"，实际调用时只需传入具体参数，系统就会自动拼接成完整提示词。这比手动拼接字符串优雅多了，既避免了引号嵌套的噩梦，又保证了提示词结构的规范性。
在Spring AI框架中，PromptTemplate的核心价值在于：
- 参数化输入：用
{变量名}占位符动态替换内容 - 类型安全：自动校验参数类型，避免运行时错误
- 模板复用：一次编写多次调用，提升开发效率
- 易维护性：修改模板内容无需改动业务代码
举个例子，我们来看个基础模板：
String template = "作为一名{role}，请用{style}风格回答：{question}"; PromptTemplate promptTemplate = new PromptTemplate(template);当我们需要生成客服场景的提示词时：
Map<String, Object> params = Map.of( "role", "资深技术顾问", "style", "专业且友好", "question", "如何重置路由器密码" ); Prompt prompt = promptTemplate.create(params);这种写法比直接拼接"作为一名资深技术顾问..."的字符串要清爽得多，特别是当模板内容复杂时优势更加明显。我曾在项目中处理过包含15个变量的模板，如果用传统字符串拼接，光转义字符就能让人抓狂。
2. 构建动态对话系统
去年开发智能客服系统时，我深刻体会到多轮对话的复杂性。用户的问题往往需要结合上下文才能准确回答，比如当用户先问"你们有哪些云服务器"，接着问"最便宜的配置是什么"时，AI需要记住前文提到的产品线才能给出准确报价。
Spring AI通过SystemPromptTemplate和Message的组合完美解决了这个问题。下面通过故事创作助手的案例，演示如何实现带角色设定的动态对话：
2.1 系统角色设定
首先用SystemPromptTemplate定义AI的角色属性：
String systemTemplate = """ 你是一位精通{genre}的文学创作助手，具备以下特征： 1. 语言风格：{style} 2. 擅长领域：{expertise} 3. 禁止事项：{taboos} 请严格遵循这些设定进行创作"""; SystemPromptTemplate systemTemplate = new SystemPromptTemplate(systemTemplate); Message systemMessage = systemTemplate.createMessage(Map.of( "genre", "奇幻文学", "style", "生动形象且富有诗意", "expertise", "世界观构建和人物刻画", "taboos", "暴力血腥内容" ));这个系统消息会被注入到每次对话的上下文中，确保AI始终保持特定人设。实测发现，合理的系统提示能减少70%以上的跑题情况。
2.2 用户对话处理
用户输入通过普通PromptTemplate处理：
@GetMapping("/generate") public String generateStory( @RequestParam String theme, @RequestParam String character) { String userTemplate = "以{character}为主角，创作一个关于{theme}的短篇故事"; PromptTemplate userTemplate = new PromptTemplate(userTemplate); Message userMessage = userTemplate.createMessage(Map.of( "character", character, "theme", theme )); Prompt prompt = new Prompt(List.of(systemMessage, userMessage)); return chatClient.prompt(prompt).call().content(); }2.3 上下文保持技巧
要实现多轮对话的记忆功能，只需在每次请求时携带历史消息：
List<Message> messages = new ArrayList<>(); messages.add(systemMessage); // 保持系统设定 messages.addAll(historyMessages); // 添加历史对话 messages.add(userMessage); // 加入最新输入 Prompt prompt = new Prompt(messages);我在项目中会使用Redis缓存最近3轮对话，这样既能维持上下文连贯性，又避免过长的提示词消耗太多token。记住一个原则：大模型的短期记忆完全依赖于你提供的对话历史。
3. 高级模板技巧
经过多个项目的实战，我总结出这些提升Prompt效果的经验：
3.1 模板嵌套技术
复杂的业务场景往往需要多层模板嵌套。比如电商客服系统中：
String answerTemplate = """ {greeting} 关于您咨询的{product}问题： {solution} {ending}"""; String solutionTemplate = """ {#if isRefund}根据我们的退款政策{policy}{/if} {#if isExchange}可前往{location}办理换货{/if}"""; PromptTemplate solutionTmpl = new PromptTemplate(solutionTemplate); String solution = solutionTmpl.create(Map.of( "isRefund", true, "policy", "7天无理由退货" )); PromptTemplate answerTmpl = new PromptTemplate(answerTemplate); Prompt prompt = answerTmpl.create(Map.of( "greeting", "尊敬的VIP用户您好！", "product", "智能手表", "solution", solution, "ending", "祝您购物愉快" ));这种嵌套结构特别适合需要条件判断的场景。注意要控制嵌套层级，超过三层就会影响可读性。
3.2 模板组合策略
对于长文本生成，我常用分块组合策略。比如生成产品评测报告：
String introTemplate = "概述{product}的核心特性"; String prosTemplate = "列出{product}的{count}个优点"; String consTemplate = "客观评价{product}的不足"; // 分别生成各部分 PromptTemplate introTmpl = new PromptTemplate(introTemplate); String intro = introTmpl.create(...); PromptTemplate prosTmpl = new PromptTemplate(prosTemplate); String pros = prosTmpl.create(...); // 组合最终提示词 String report = String.join("\n\n", intro, pros, cons); Prompt finalPrompt = new Prompt(report);这种方式比单一长模板更灵活，各部分可以独立调整。有次客户临时要求增加"竞品对比"模块，我只用新增一个模板块就实现了需求变更。
3.3 异常处理机制
模板渲染可能遇到参数缺失等异常，推荐使用try-catch包装：
try { Prompt prompt = promptTemplate.create(params); } catch (IllegalArgumentException e) { log.error("缺少必要参数: {}", e.getMessage()); // 回退到默认模板 Prompt prompt = promptTemplate.create(defaultParams); }我在项目中会为每个模板配置fallback参数，确保即使部分参数缺失也能生成基本可用的提示词。比如故事生成中缺少"风格"参数时，默认使用"通俗易懂"风格。
4. 实战：故事创作助手
让我们用完整案例串联所学知识。假设要开发一个支持动态设定的故事生成器，需求如下：
- 可指定故事类型（童话/科幻/悬疑）
- 能自定义角色特征
- 支持多轮续写功能
4.1 基础架构设计
创建Spring Boot项目后，先定义核心接口：
@RestController @RequestMapping("/story") public class StoryController { private final ChatClient chatClient; // 初始化系统角色设定 private final SystemPromptTemplate systemTemplate = new SystemPromptTemplate(""" 你是一位{type}故事专家，擅长： 1. 使用{tone}风格叙事 2. 塑造{characterTraits}的角色 3. 创作包含{elements}的情节 请严格保持人设"""); @PostMapping("/generate") public String generate( @RequestBody StoryRequest request, @RequestHeader(required = false) String conversationId) { // 实现步骤见下文 } } record StoryRequest( String type, String tone, String characterTraits, String elements, String plotOutline) {}4.2 提示词组装逻辑
在generate方法中实现核心逻辑：
// 1. 创建系统消息 Message systemMessage = systemTemplate.createMessage(Map.of( "type", request.type(), "tone", request.tone(), "characterTraits", request.characterTraits(), "elements", request.elements() )); // 2. 处理用户输入 String userTemplate = """ {#if outline}基于以下大纲继续创作：{outline} {#else}请创作一个新的{type}故事{/if}"""; PromptTemplate userTemplate = new PromptTemplate(userTemplate); Message userMessage = userTemplate.createMessage(Map.of( "outline", request.plotOutline(), "type", request.type() )); // 3. 如果有历史对话，从缓存加载 List<Message> messages = new ArrayList<>(); messages.add(systemMessage); if (conversationId != null) { messages.addAll(cache.get(conversationId)); } messages.add(userMessage); // 4. 调用大模型 Prompt prompt = new Prompt(messages); String result = chatClient.prompt(prompt).call().content(); // 5. 更新对话历史（保留最近3轮） if (messages.size() > 4) { messages.remove(1); // 移除最早的用户消息 } cache.put(conversationId, messages.subList(1, messages.size()));4.3 效果优化技巧
通过以下策略提升生成质量：
- 温度系数调节：创造性故事设temperature=0.7，严谨内容设0.3
chatClient.prompt(prompt) .options(ChatOptions.builder() .withTemperature(0.7) .build()) .call(); - 停止序列：避免故事无限延续
.options(ChatOptions.builder() .withStopWords(List.of("\n###", "完")) .build()) - 重试机制：当返回内容不符合要求时自动重试
int retry = 0; while (retry < 3) { String content = chatClient.prompt(prompt).call().content(); if (isValid(content)) { return content; } retry++; }
4.4 完整调用示例
请求示例：
POST /story/generate Content-Type: application/json X-Conversation-Id: abc123 { "type": "科幻", "tone": "赛博朋克风格", "characterTraits": "反叛的AI工程师", "elements": "神经接口、地下黑客组织", "plotOutline": "主角发现公司正在开发意识控制技术" }响应示例：
{ "content": "在霓虹闪烁的新东京，艾琳敲击着全息键盘，她的神经接口闪烁着危险的蓝光。作为天网科技的首席工程师，她刚刚破解了公司最深层的加密协议...", "conversationId": "abc123" }续写时只需携带相同的conversationId，系统会自动保持故事连贯性。这种设计模式已经在我们多个内容生成项目中验证，平均用户满意度达到4.8/5分。