Spring AI 2.0 开发Java Agent智能体 - 对话与提示词工程（Prompt）

大家好，我是Java1234_小锋老师，最近更新《2027版本 Spring AI 2.0 开发Java Agent智能体 视频教程》专辑，感谢大家支持。

本课程主要介绍和讲解Spring AI 2.0简介，Spring AI 2.0 HelloWorld搭建，Advisors — 拦截器模式增强AI能力，对话与提示词工程（Prompt），工具调用 (Function Calling / Tools) ，RAG(检索增强生成)，MCP(模型 上下文协议)和多模态支持。
等这个Spring AI2.0基础课程录制完成，接下来要发布2个 企业级Java AI实战课程，RAG企业知识库系统和AI智能客服系统。大家可以点点关注，后面更精彩。

视频教程+课件+源码打包下载：

链接：https://pan.baidu.com/s/1o-zRfndo1HHrS_uFroOiCw?pwd=1234
提取码：0000

Spring AI 2.0 开发Java Agent智能体 - 对话与提示词工程（Prompt）

一、核心概念总览

Spring AI 2.0 提供了统一、易用的对话与提示词工程 API，核心组件包括：

二、核心知识点详解

1. 消息类型（Message Type）

Spring AI 定义了四种标准消息类型，用于构建结构化对话：

• SYSTEM：设定 AI 角色、行为准则和能力边界（如 "你是一位 Java 开发专家，只回答编程相关问题"）

• USER：用户输入的问题或指令

• ASSISTANT：AI 的历史回复（用于多轮对话上下文）

• TOOL：工具调用的结果（如函数执行返回值）

2. 提示词工程基础原则

有效提示词应包含三要素：

• 角色设定：明确 AI 身份和能力范围

• 上下文信息：提供必要背景知识

• 清晰指令：明确任务目标和输出格式

提示词优化技巧：

• 使用分隔符（如 ```、---）区分不同内容块

• 设定输出格式（如 JSON、Markdown）

• 控制模型参数（temperature：0~1，越低越确定；maxTokens：最大输出长度）Spring

3. 提示词模板（PromptTemplate）

解决硬编码提示词的复用性和维护性问题，支持：

• 变量替换（使用{}占位符）

• 外部文件加载（从 resources 读取模板）

• 自定义渲染器（如修改分隔符为<>）

• 系统提示词模板（SystemPromptTemplate）专门用于角色设定

4. ChatClient 流畅 API

Spring AI 2.0 推荐使用 ChatClient 进行对话开发，特点：

• 链式调用，代码简洁

• 内置提示词构建器

• 支持流式响应（Flux<String>）

• 统一处理不同模型的响应格式Spring

三，具体应用实例

1，PromptTemplate提示词模版

我们如果不用提示词模版，很多时候写代码是这样的：

// 不用模板：手写相同的逻辑，重复且难以维护 @GetMapping("/chat/java") public String java() { return chatClient.prompt().user("介绍下Java").call().content(); } ​ @GetMapping("/chat/python") public String python() { return chatClient.prompt().user("介绍下Python").call().content(); }

我们现在用提示词模版简化系统设计：

/** * 使用模板：一套代码应对所有场景 * @param topic * @return */ @RequestMapping(value = "/ask",produces = "text/html;charset=utf-8") public Flux<String> ask(String topic) { PromptTemplate template = new PromptTemplate("介绍下{topic}"); Prompt prompt = template.create(Map.of("topic", topic)); return chatClient.prompt(prompt) .stream() .content(); }

测试，浏览器输入：http://localhost:8080/ask?topic=java

再测试，浏览器输入：http://localhost:8080/ask?topic=python

2，使用ChatClient的流式 API 可以最快速地组装提示词

我们看下代码：

/** * 使用 `ChatClient` 的流式 API 可以最快速地组装提示词 * @param topic * @return */ @RequestMapping(value = "/ask2",produces = "text/html;charset=utf-8") public Flux<String> ask2(String topic) { return chatClient.prompt() .system("你是一个专业的书评助手") // 设置系统提示 .user(u->u.text("请给我三本关于{topic}的书籍").param("topic", topic)) .stream() .content(); }

测试，浏览器输入：http://localhost:8080/ask2?topic=python

再测试，浏览器输入：http://localhost:8080/ask2?topic=java

3，系统提示词工程 —— defaultSystem

通过defaultSystem构建"专家角色"，将其作为 AI 的"行动纲领"，确保所有对话都有统一的行为准则。

我们先在AiConfiguration配置类里加一个ChatClient实例：

/** * 创建一个 ChatClient 对象，用于处理聊天请求。 * * @param model OpenAiChatModel 对象，用于处理聊天请求。 * @return ChatClient 对象，用于处理聊天请求。 */ @Bean public ChatClient chatClient3(OpenAiChatModel model){ // System Prompt 工程：清晰定义 AI 的角色、任务、约束和输出格式 String systemPrompt = """ 你是一个资深的 Java 技术顾问。 禁止回答任何非技术类问题，例如天气或娱乐八卦。 代码示例必须符合 Java 17+ 规范。 回答需要符合以下格式：首先一句话概括问题的核心，然后提供代码示例，最后补充注意事项。 如果自己不确定，可以说"关于这个问题，我目前没有确切的信息"，禁止编造内容。 """; return ChatClient .builder(model) // 创建 ChatClient 对象，并设置模型为 model .defaultSystem(systemPrompt) .defaultAdvisors(new SimpleLoggerAdvisor()) // 添加一个 SimpleLoggerAdvisor，记录请求日志 .build(); // 构建 ChatClient 对象 }

接下来，MyAiChatController里加下chatClient3实例，以及定义一个新接口方法：

@Autowired private ChatClient chatClient3 ;

/** * @param question * @return */ @RequestMapping(value = "/ask3",produces = "text/html;charset=utf-8") public Flux<String> ask3(String question) { return chatClient3.prompt() // 创建一个 Prompt 对象，用于构建聊天请求。 .user( question) // 设置用户输入的文本。 .stream() // 调用 ChatClient 对象的 call() 方法，发送聊天请求给大模型并获取响应。 .content(); // 获取响应的文本内容。 }

我们来测试下，浏览器输入：http://localhost:8080/ask3?question=写一个java起泡法排序算法