Spring AI PromptTemplate 实践指南(附 LangChain 对比)

/** * 辅助方法：打印流式响应（ChatResponse） */privatevoidprintStreamResponseFromChatResponse(Flux<ChatResponse> response) throws InterruptedException {    CountDownLatch latch = new CountDownLatch(1);    response        .doOnNext(chatResponse -> {            String content = chatResponse.getResult().getOutput().getText();            if (content != null) {                System.out.print(content);            }        })        .doOnComplete(() -> {            System.out.println("\n[完成]");            latch.countDown();        })        .doOnError(error -> {            System.err.println("\n[错误]: " + error.getMessage());            latch.countDown();        })        .subscribe();    latch.await(30, TimeUnit.SECONDS);}

@Testvoid demo1_SimpleStringPrompt() throws InterruptedException {    System.out.println("========== 示例 1：简单字符串 Prompt ==========");    // 直接传入字符串，Spring AI 内部会转换为 Prompt    String message = "你好，请介绍一下自己";    Flux<String> response = dashScopeChatModel.stream(message);    printStreamResponse(response);}

========== 示例1：简单字符串 Prompt ==========你好！😊 我是通义千问（Qwen），阿里巴巴集团旗下的超大规模语言模型。我能够理解并生成多种语言的文本，比如中文、英文、法语、西班牙语、葡萄牙语、俄语、阿拉伯语、日语、韩语、越南语、泰语、印尼语等，支持跨语言交流与创作。我可以帮你：🔹 解答各类问题（科学、文化、生活、技术等）  🔹 创作文字（写故事、公文、邮件、剧本、诗歌、歌词等）  🔹 编程辅助（解释代码、调试建议、多语言代码生成）  🔹 逻辑推理与数学计算  🔹 多轮对话与个性化表达（比如模仿某种风格、调整语气）  🔹 文件处理（支持上传 PDF、Word、Excel、PPT、TXT 等格式，可阅读并分析其中内容）我注重准确性、安全性和实用性，也会尽力以友好、清晰、有温度的方式与你交流。不过需要说明的是：我的知识截止于2024年，无法实时获取最新网络信息（如今日天气、股市行情等），也不具备个人经历或主观意识。很高兴认识你！如果你有任何问题、想法，或者想一起写点什么、学点什么——随时告诉我吧 🌟[完成]Process finished with exit code 0

from langchain_openai import ChatOpenAIllm = ChatOpenAI(model="qwen-turbo", streaming=True)# 方式 1：直接字符串for chunk in llm.stream("你好，请介绍一下自己"):    print(chunk.content, end="", flush=True)# 方式 2：使用 PromptTemplate（为后续变量替换做准备）from langchain_core.prompts import PromptTemplateprompt = PromptTemplate.from_template("你好，请介绍一下自己")for chunk in llm.stream(prompt.invoke({})):    print(chunk.content, end="", flush=True)

@Testvoid demo2_PromptObject() throws InterruptedException {    System.out.println("\n========== 示例 2：Prompt 对象 ==========");    // 创建 UserMessage    UserMessage userMessage = new UserMessage("什么是人工智能？");    // 创建 Prompt 对象    Prompt prompt = new Prompt(userMessage);    Flux<ChatResponse> response = dashScopeChatModel.stream(prompt);    printStreamResponseFromChatResponse(response);}

========== 示例2：Prompt 对象 ==========人工智能（Artificial Intelligence，简称 AI）是指由人类设计和构建的系统或机器所展现出的、通常与人类智能相关的认知能力。这些能力包括但不限于：🔹 **感知**：如通过计算机视觉识别图像中的物体，或通过语音识别理解人类语言；  🔹 **学习**：从数据中自动发现规律与模式（如机器学习、深度学习），无需显式编程；  🔹 **推理与决策**：基于已有知识或规则进行逻辑推断、权衡利弊并做出选择（例如下棋程序AlphaGo、医疗诊断辅助系统）；  🔹 **语言理解与生成**：理解自然语言含义，并能生成连贯、符合语境的文本或对话（如大语言模型ChatGPT、文心一言）；  🔹 **规划与问题求解**：在复杂环境中设定目标、分解任务、制定策略（如自动驾驶路径规划、物流调度系统）；  🔹 **适应与自主性**：在动态环境中持续学习、调整行为（如机器人自主导航避障）。📌 **关键说明**：- AI ≠ 人类意识或通用智能：当前绝大多数AI属于“狭义AI”（Narrow AI），专精于特定任务（如翻译、人脸识别）。尚不存在具备自我意识、常识推理和跨领域泛化能力的“通用人工智能”（AGI），这仍是理论探索与长期研究目标。- AI 的实现依赖多学科交叉：包括计算机科学、数学（统计学、优化理论）、神经科学、语言学、哲学等。- 技术基础不断演进：从早期基于规则的专家系统，到以数据驱动的机器学习，再到如今以大模型为代表的生成式AI（GenAI），其能力边界正快速拓展。💡 简单类比：  > 人工智能就像为机器装上“可编程的大脑”，让它不仅能执行指令，还能从经验中学习、理解模糊信息、并完成原本需要人类智慧的任务——但它没有感受、意图或主观体验。如果你对某类AI（如大模型、AI伦理、AI如何工作）感兴趣，我可以进一步为你深入解析 😊[完成]

from langchain_core.prompts import ChatPromptTemplatefrom langchain_core.messages import HumanMessage# 方式 1：使用 ChatPromptTemplateprompt = ChatPromptTemplate.from_messages([    ("user", "什么是人工智能？")])for chunk in llm.stream(prompt.invoke({})):    print(chunk.content, end="", flush=True)# 方式 2：直接使用消息对象human_msg = HumanMessage(content="什么是人工智能？")for chunk in llm.stream([human_msg]):    print(chunk.content, end="", flush=True)

@Testvoid demo3_PromptWithSystemMessage() throws InterruptedException {    System.out.println("\n========== 示例 3：带系统消息的 Prompt ==========");    // 系统消息：设定 AI 的角色    SystemMessage systemMessage = new SystemMessage(        "你是一个专业的编程助手，擅长解答技术问题。" +        "请用简洁明了的方式回答问题，并提供代码示例。"    );    // 用户消息    UserMessage userMessage = new UserMessage("如何用 Java 实现单例模式？");    // 创建包含多个消息的 Prompt    Prompt prompt = new Prompt(List.of(systemMessage, userMessage));    Flux<ChatResponse> response = dashScopeChatModel.stream(prompt);    printStreamResponseFromChatResponse(response);}

========== 示例3：带系统消息的 Prompt ==========在 Java 中，单例模式（Singleton Pattern）确保一个类**只有一个实例**，并提供一个全局访问点。以下是几种常用、线程安全的实现方式（按推荐程度排序）：---### ✅ 1. **枚举单例（最推荐 ✅）—— 简洁、线程安全、防反射/反序列化攻击**```javapublic enum Singleton {    INSTANCE;    publicvoiddoSomething() {        System.out.println("Singleton instance is working...");    }}// 使用Singleton.INSTANCE.doSomething();```> ✅ 优点：天然线程安全、防止反射破坏、防止反序列化创建新实例；简洁优雅。  > ⚠️ 注意：不能延时加载（JVM 加载类时即初始化）。---### ✅ 2. **静态内部类（推荐 ✅）—— 懒汉式 + 线程安全 + 高效**```javapublic class Singleton {    privateSingleton() {} // 私有构造器    private static class SingletonHolder {        private static final Singleton INSTANCE = new Singleton();    }    publicstatic Singleton getInstance() {        return SingletonHolder.INSTANCE;    }    publicvoiddoSomething() {        System.out.println("Lazy-loaded singleton");    }}```> ✅ 优点：懒加载（首次调用 `getInstance()` 才初始化）、线程安全（JVM 类加载机制保证）、无同步开销。---### ✅ 3. **双重检查锁定（DCL）+ volatile（经典但需谨慎）**```javapublic class Singleton {    private static volatile Singleton instance;    privateSingleton() {}    publicstatic Singleton getInstance() {        if (instance == null) {                    // 第一次检查（避免同步开销）            synchronized (Singleton.class) {                if (instance == null) {            // 第二次检查（确保只创建一次）                    instance = new Singleton();                }            }        }        return instance;    }}```> ⚠️ 注意：`volatile` 关键字**必不可少**（禁止指令重排序，保证可见性和有序性）。  > ✅ 优点：懒加载、线程安全、高性能（仅首次创建加锁）。[完成]

from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_messages([    ("system", "你是一个专业的编程助手，擅长解答技术问题。请用简洁明了的方式回答问题，并提供代码示例。"),    ("user", "如何用 Java 实现单例模式？")])for chunk in llm.stream(prompt.invoke({})):    print(chunk.content, end="", flush=True)

@Testvoid demo4_PromptWithChatOptions() throws InterruptedException {    System.out.println("\n========== 示例 4：带聊天选项的 Prompt ==========");    UserMessage userMessage = new UserMessage("写一首关于春天的诗");    // 创建聊天选项    ChatOptions options = ChatOptions.builder()        .temperature(0.8)  // 温度：控制随机性，0-1 之间，越高越有创造性        .maxTokens(500)    // 最大 token 数：限制回答长度        .build();    // 创建带选项的 Prompt    Prompt prompt = new Prompt(userMessage, options);    Flux<ChatResponse> response = dashScopeChatModel.stream(prompt);    printStreamResponseFromChatResponse(response);}

========== 示例4：带聊天选项的 Prompt ==========《春笺》风在枝头试笔，写第一行新绿，  柳线垂落，蘸着溪水临摹云影。  泥土松动，蚯蚓在暗处誊抄暖意，  草尖微颤，抖落一粒粒细小的光。桃夭未落，已把粉红寄给山岗；  梨雪初凝，又将素白托付给斜阳。  蜂翅驮着蜜的邮戳，在花间往返，  而布谷的啼鸣，是大地盖下的印章。我伫立田埂，看犁沟蜿蜒如句读——  春不押韵，却自有节律；  不设伏笔，却处处伏着青翠的伏笔。  当夕照把影子拉长成一行未写完的诗，  风轻轻翻页：万物正破题。[完成]

from langchain_core.prompts import PromptTemplateprompt = PromptTemplate.from_template("写一首关于春天的诗")# 通过 bind 方法传递采样参数llm_with_options = llm.bind(temperature=0.8, max_tokens=500)for chunk in llm_with_options.stream(prompt.invoke({})):    print(chunk.content, end="", flush=True)

@Testvoid demo5_CompletePrompt() throws InterruptedException {    System.out.println("\n========== 示例 5：完整的 Prompt ==========");    // 系统消息：设定角色    SystemMessage systemMessage = new SystemMessage(        "你是一个经验丰富的技术面试官，擅长提出有深度的技术问题。"    );    // 用户消息    UserMessage userMessage = new UserMessage(        "请给我出 3 个 Java 中级开发者的面试问题"    );    // 聊天选项    ChatOptions options = ChatOptions.builder()        .temperature(0.7)        .maxTokens(100)        .build();    // 创建完整的 Prompt    Prompt prompt = new Prompt(        List.of(systemMessage, userMessage),        options    );    Flux<ChatResponse> response = dashScopeChatModel.stream(prompt);    printStreamResponseFromChatResponse(response);}

========== 示例5：完整的 Prompt ==========当然可以！以下是3个针对**Java中级开发者**（通常指有2–4年经验，熟悉核心API、JVM基础、常用框架和设计原则）的面试问题，兼顾深度、实践性和考察维度（概念理解、代码能力、问题分析与权衡意识）：---**1. 【JVM & 内存模型】**  > 请解释 `String str = new String("hello")` 这行代码在JVM中会[完成]Process finished with exit code 0

prompt = ChatPromptTemplate.from_messages([    ("system", "你是一个经验丰富的技术面试官，擅长提出有深度的技术问题。"),    ("user", "请给我出 3 个 Java 中级开发者的面试问题")])llm_with_options = llm.bind(temperature=0.7, max_tokens=100)for chunk in llm_with_options.stream(prompt.invoke({})):    print(chunk.content, end="", flush=True)

@Testvoid demo6_MultiTurnConversation() throws InterruptedException {    System.out.println("\n========== 示例 6：多轮对话 Prompt ==========");    // 构建对话历史    SystemMessage systemMessage = new SystemMessage("你是一个友好的助手");    UserMessage firstQuestion = new UserMessage("Java 和 Python 有什么区别？");    UserMessage followUp = new UserMessage("那在性能方面呢？");    ChatOptions chatOptions = ChatOptions.builder().maxTokens(100).build();    // 将所有消息放入 Prompt    Prompt prompt = new Prompt(List.of(        systemMessage,        firstQuestion,        followUp    ),                               chatOptions);    Flux<ChatResponse> response = dashScopeChatModel.stream(prompt);    printStreamResponseFromChatResponse(response);}

========== 示例6：多轮对话 Prompt ==========在性能方面，Java 通常显著优于 Python，主要原因在于它们的执行机制和设计哲学不同。以下是关键对比点：✅ **执行方式**- **Java**：编译为字节码 → 由 JVM（Java 虚拟机）即时编译（JIT）为高度优化的本地机器码运行。JIT 可在运行时分析热点代码并动态优化（如方法内联、逃逸分析、锁消除等），长期运行[完成]Disconnected from the target VM, address: '127.0.0.1:54900', transport: 'socket'Process finished with exit code 0

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder# 方式 1：直接列出所有消息prompt = ChatPromptTemplate.from_messages([    ("system", "你是一个友好的助手"),    ("user", "Java 和 Python 有什么区别？"),    ("user", "那在性能方面呢？")])for chunk in llm.bind(max_tokens=100).stream(prompt.invoke({})):    print(chunk.content, end="", flush=True)# 方式 2：使用 MessagesPlaceholder 动态管理历史（推荐）dynamic_prompt = ChatPromptTemplate.from_messages([    ("system", "你是一个友好的助手"),    MessagesPlaceholder("history"),    ("user", "{question}")])# 调用时传入历史消息列表response = dynamic_prompt.invoke({    "history": [        ("user", "Java 和 Python 有什么区别？"),        ("assistant", "Java 是编译型语言，Python 是解释型语言...")    ],    "question": "那在性能方面呢？"})for chunk in llm.stream(response.to_messages()):    print(chunk.content, end="", flush=True)

@Testvoid demo7_TemperatureComparison() throws InterruptedException {    System.out.println("\n========== 示例 7：温度参数对比 ==========");    String question = "给创业公司起一个名字";    // 低温度：更保守、确定性高    System.out.println("\n--- 低温度 (0.2) - 更保守 ---");    ChatOptions lowTemp = ChatOptions.builder().maxTokens(150).temperature(0.2).build();    Prompt prompt1 = new Prompt(new UserMessage(question), lowTemp);    printStreamResponseFromChatResponse(dashScopeChatModel.stream(prompt1));    Thread.sleep(1000);    // 高温度：更有创造性    System.out.println("\n--- 高温度 (0.9) - 更有创造性 ---");    ChatOptions highTemp = ChatOptions.builder().maxTokens(150).temperature(0.9).build();    Prompt prompt2 = new Prompt(new UserMessage(question), highTemp);    printStreamResponseFromChatResponse(dashScopeChatModel.stream(prompt2));}

question = "给创业公司起一个名字"prompt = PromptTemplate.from_template(question)print("\n--- 低温度 (0.2) - 更保守 ---")for chunk in llm.bind(temperature=0.2, max_tokens=150).stream(prompt.invoke({})):    print(chunk.content, end="", flush=True)print("\n\n--- 高温度 (0.9) - 更有创造性 ---")for chunk in llm.bind(temperature=0.9, max_tokens=150).stream(prompt.invoke({})):    print(chunk.content, end="", flush=True)

// 模板内容请分析以下{language}代码：```{code}```// 用户传入的 code 变量public classTest{ }  // 含 {}

PromptTemplate promptTemplate = PromptTemplate.builder()    .renderer(StTemplateRenderer.builder()        .startDelimiterToken('<')   // 使用<var>替代{var}        .endDelimiterToken('>')        .build())    .template("请分析<language>代码：\n```<code>```")    .build();String result = promptTemplate.render(Map.of(    "language", "java",    "code", "public class Test { }"  // 安全，不会冲突));

# LangChain 默认使用{var}语法，需手动转义代码中的{}template = "请分析{language}代码：\n```{code}```"# 方案：将代码中的{}替换为{{}}（f-string 转义规则）code_escaped = code.replace("{", "{{").replace("}", "}}")prompt = PromptTemplate.from_template(template)result = prompt.format(language="java", code=code_escaped)

src/main/resources/└── prompts/    ├── code-review.st              # 代码审查模板    ├── expert-explanation.st       # 专家解释模板    ├── open-source-recommendation.st  # 开源项目推荐    └── README.md                   # 模板说明与版本记录

@Testvoiddemo1_LoadSimplePromptFromFile() throws IOException, InterruptedException {    System.out.println("========== 示例 1：从文件加载简单提示词 ==========");    ChatClient chatClient = chatClientBuilder.build();    // 从 classpath 读取提示词文件    ClassPathResource resource = new ClassPathResource("prompts/open-source-recommendation.st");    String templateContent = resource.getContentAsString(StandardCharsets.UTF_8);    System.out.println("\n读取的模板内容：" + templateContent.trim());    // 创建 PromptTemplate    PromptTemplate promptTemplate = new PromptTemplate(templateContent);    System.out.println("\n--- 测试 1：Java 相关 ---");    String renderedPrompt1 = promptTemplate.render(Map.of("topic", "Java"));    System.out.println("渲染后的提示词：" + renderedPrompt1);    Flux<String> response1 = chatClient.prompt()    .user(renderedPrompt1)    .stream()    .content();    printStreamResponse(response1);    Thread.sleep(500);    System.out.println("\n\n--- 测试 2：微服务相关 ---");    String renderedPrompt2 = promptTemplate.render(Map.of("topic", "微服务"));    System.out.println("渲染后的提示词：" + renderedPrompt2);    Flux<String> response2 = chatClient.prompt()    .user(renderedPrompt2)    .stream()    .content();    printStreamResponse(response2);    System.out.println("\n\n💡 说明：");    System.out.println("• 提示词保存在独立的 .st 文件中");    System.out.println("• 通过 ClassPathResource 读取文件内容");    System.out.println("• 修改提示词无需重新编译代码");}

from langchain_core.prompts import PromptTemplatefrom pathlib import Path# 读取模板文件template_path = Path("prompts/open-source-recommendation.txt")template_content = template_path.read_text(encoding="utf-8")# 创建 PromptTemplateprompt_template = PromptTemplate.from_template(template_content)# 渲染变量（两种写法等价）rendered_1 = prompt_template.invoke({"topic": "Java"})  # 返回 PromptValuerendered_2 = prompt_template.format(topic="Java")        # 返回字符串# 调用模型for chunk in llm.stream(rendered_1):    print(chunk.content, end="", flush=True)

你是一个{role}专家。请用{language}语言，为{audience}受众解释{topic}的概念。要求：{requirements}@Testvoid demo2_LoadComplexPromptFromFile() throws IOException, InterruptedException {    System.out.println("\n========== 示例 2：从文件加载复杂提示词 ==========");    ChatClient chatClient = chatClientBuilder.build();    // 从 classpath 读取提示词文件    ClassPathResource resource = new ClassPathResource("prompts/expert-explanation.st");    String templateContent = resource.getContentAsString(StandardCharsets.UTF_8);    System.out.println("\n读取的模板内容:\n" + templateContent);    // 创建 PromptTemplate    PromptTemplate promptTemplate = new PromptTemplate(templateContent);    System.out.println("\n--- 场景 1：技术专家向初学者解释 ---");    Map<String, Object> variables1 = Map.of(        "role", "技术",        "language", "简单易懂的中文",        "audience", "编程初学者",        "topic", "面向对象编程",        "requirements", "使用生活中的比喻，避免专业术语"    );    String renderedPrompt1 = promptTemplate.render(variables1);    System.out.println("渲染后的提示词:\n" + renderedPrompt1);    Flux<String> response1 = chatClient.prompt()            .user(renderedPrompt1)            .stream()            .content();    printStreamResponse(response1);    Thread.sleep(500);    System.out.println("\n\n--- 场景 2：教育专家向学生讲解 ---");    Map<String, Object> variables2 = Map.of(        "role", "教育",        "language", "生动的中文",        "audience", "大学生",        "topic", "机器学习",        "requirements", "结合实例，深入浅出"    );    String renderedPrompt2 = promptTemplate.render(variables2);    System.out.println("渲染后的提示词:\n" + renderedPrompt2);    Flux<String> response2 = chatClient.prompt()            .user(renderedPrompt2)            .stream()            .content();    printStreamResponse(response2);    System.out.println("\n\n💡 说明：");    System.out.println("• 复杂的多变量模板也可以保存在文件中");    System.out.println("• 提示词格式更清晰，易于阅读和修改");    System.out.println("• 适合团队协作文档化");}

请分析以下代码，找出其中的问题并提供改进建议：```{language}{code}

@Testvoiddemo3_CodeReviewPrompt() throws IOException, InterruptedException {    System.out.println("\n========== 示例 3：代码审查提示词 ==========");    ChatClient chatClient = chatClientBuilder.build();    // 从 classpath 读取提示词文件    ClassPathResource resource = new ClassPathResource("prompts/code-review.st");    String templateContent = resource.getContentAsString(StandardCharsets.UTF_8);    System.out.println("\n读取的模板内容:\n" + templateContent);    // 创建 PromptTemplate    PromptTemplate promptTemplate = new PromptTemplate(templateContent);    System.out.println("\n--- 代码审查示例 ---");    Map<String, Object> variables = Map.of(        "language", "java",        "code", """            public class UserService {                public User getUserById(String id) {                    String sql = "SELECT * FROM users WHERE id = '" + id + "'";                    return jdbcTemplate.queryForObject(sql, User.class);                }            }            """    );    String renderedPrompt = promptTemplate.render(variables);    System.out.println("渲染后的提示词:\n" + renderedPrompt);    Flux<String> response = chatClient.prompt()            .user(renderedPrompt)            .stream()            .content();    printStreamResponse(response);    System.out.println("\n\n💡 说明：");    System.out.println("• 可以将常用的提示词模板统一管理");    System.out.println("• 便于维护和更新");    System.out.println("• 可以在不同项目中复用");}

原始 logits: [2.0, 1.0, 0.1]  # token A/B/C 的偏好分数应用 Temperature:scaled = logits / T- T=0.2: [10.0, 5.0, 0.5]  → 概率分布更尖锐，输出更确定- T=1.0: [2.0, 1.0, 0.1]   → 原始分布- T=2.0: [1.0, 0.5, 0.05]  → 概率分布更平缓，输出更多样Softmax 归一化后采样下一个 token

原始概率: [A:0.5, B:0.3, C:0.15, D:0.03, E:0.02]Top-p=0.9 时：1. 累加概率：A(0.5)+B(0.3)+C(0.15)=0.95 ≥ 0.92. 保留{A,B,C}，重新归一化后采样3. 自动排除低概率"噪音"token

prompts/├── code-review-v1.0.st      # 初始版本├── code-review-v1.1.st      # 增加安全检测维度├── code-review-v2.0.st      # 适配新模型，优化 token 使用└── CHANGELOG.md             # 记录变更内容与适用场景

// 启用自动转义（配置自定义分隔符时）StTemplateRenderer renderer = StTemplateRenderer.builder()    .startDelimiterToken('<')    .endDelimiterToken('>')    .autoEscape(true)  // 关键配置    .build();