现代大语言模型（LLM）的 Prompt 并不仅仅是文本,它是一个复合对象.

一、Prompt示例

---

1️⃣ Spring AI 

🎯 场景说明

你要构建一个 RAG 助手，它具备：

• 严格的行为规则

• 使用检索到的文档

• 能调用工具

• 返回强类型结构化输出

• 自动使用对话记忆

---

① 领域模型（结构化输出 Schema）

public record RagAnswer(
        String answer,
        List<String> sources
) {}

✅ 结构化输出
✅ 自动校验
✅ 不需要手动解析 JSON

---

② 工具定义（Tool Instructions）

@Component
public class TimeTools {

    @Tool(description = "Get current system time")
    public String currentTime() {
        return LocalDateTime.now().toString();
    }
}

✅ 工具 Schema 会自动注入 Prompt
✅ LLM 只有在需要时才会调用

---

③ 使用 Advisors 构建 ChatClient（上下文注入）

EmbeddingVectorStore vectorStore = ...;
ChatMemory chatMemory = new InMemoryChatMemory();

ChatClient chatClient = ChatClient.builder(chatModel)
        .advisors(
            new RetrievalAdvisor(vectorStore),       // RAG 检索上下文
            new MessageChatMemoryAdvisor(chatMemory) // 对话记忆
        )
        .build();

这一步隐式注入了：

• 检索到的文档

• 对话历史

⚠️ 注意：你没有在 Prompt 中手写这些内容

---

④ 执行完整 Prompt（所有特性一起）

RagAnswer result = chatClient.prompt()

    // 1️⃣ System message（规则）
    .system("""
        You are a senior AI tutor.
        Answer step-by-step.
        Only use provided context.
        If unsure, say "I don't know".
    """)

    // 2️⃣ User message（用户意图）
    .user("""
        Explain Retrieval-Augmented Generation.
        Also tell me the current time if helpful.
    """)

    // 3️⃣ Tool instructions（隐式）
    .tools(TimeTools.class)

    // 4️⃣ 强制结构化输出
    .call()
    .entity(RagAnswer.class);

---

⑤ LLM 实际“看到”的内容（概念层）

SYSTEM:
You are a senior AI tutor...

CONTEXT（由 Advisors 注入）:
[检索文档 1]
[检索文档 2]
[历史对话]

TOOLS:
currentTime() -> string

OUTPUT FORMAT:
{
  "answer": string,
  "sources": string[]
}

USER:
Explain Retrieval-Augmented Generation...

✅ 这是一个执行契约（Execution Contract）
❌ 不是一个简单的字符串 Prompt

---

2️⃣ LangChain —— 等价实现（Python）

同样的能力，但显式拼装

---

① 结构化输出 Schema

from pydantic import BaseModel
from typing import List

class RagAnswer(BaseModel):
    answer: str
    sources: List[str]

---

② 工具定义

from langchain.tools import tool
from datetime import datetime

@tool
def current_time() -> str:
    """Get current system time"""
    return datetime.now().isoformat()

---

③ Retriever（上下文注入）

retriever = vectorstore.as_retriever()

---

④ Prompt 模板（多消息）

from langchain.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", 
     "You are a senior AI tutor. "
     "Answer step-by-step. "
     "Only use provided context."),
    ("human", "{question}")
])

---

⑤ 组合所有组件

llm = chat_model.bind_tools([current_time])
llm = llm.with_structured_output(RagAnswer)

chain = (
    {
        "context": retriever,
        "question": lambda x: x
    }
    | prompt
    | llm
)

result = chain.invoke("Explain Retrieval-Augmented Generation")

---

3️⃣ 功能对照表（Spring AI vs LangChain）

功能	Spring AI	LangChain
System 消息	.system()	("system", "...")
User 消息	.user()	("human", "...")
Assistant 消息	隐式	AIMessage
工具指令	.tools()	bind_tools()
结构化输出	.entity(Class)	with_structured_output()
RAG 上下文	RetrievalAdvisor	显式 retriever
记忆	MemoryAdvisor	显式 memory

---

✅ 最终模型

Prompt =
  行为规则
+ 能力（工具）
+ 记忆
+ 检索知识
+ 输出契约
+ 用户意图

👉 你不是在“写提示词”
👉 你是在“编程 AI 的行为”

---

二、再深入解释

1️⃣ 为什么这不再是「Prompt 字符串」？

传统做法：

String prompt = "You are an AI, answer this question...";

❌ 问题：

• 无法约束输出

• 无法注入工具

• 无法复用记忆

• 无法控制上下文来源

• 不可测试、不可维护

---

现代 Prompt 的本质

👉 一次 LLM 调用 = 一个执行契约

它包含：

• 输入（消息 + 上下文）

• 能力（工具）

• 约束（结构化输出）

• 状态（记忆）

就像调用一个函数：

RagAnswer answer = ai.execute(contract);

---

2️⃣ Spring AI vs LangChain 的核心差异

Spring AI：隐式 + 强类型

• Advisor 自动注入上下文

• Java record 直接做输出

• 非常适合企业、后端、DDD

LangChain：显式 + 函数式

• 所有步骤自己拼

• 更灵活、实验性强

• 适合 Python、研究、Agent flow

👉 能力是一样的，哲学不同

---

3️⃣ Tool 为什么不是“函数调用字符串”？

你不是在告诉模型：

“调用 currentTime()”

你是在告诉模型：

「你有一个能力，可以在需要时使用」

模型会：

1. 判断是否需要工具

2. 生成 Tool Call

3. 框架执行

4. 结果回注入上下文

---

4️⃣ Structured Output = 类型安全的 AI

没有结构化输出：

{
  "answer": "maybe...",
  "source": "???"
}

❌ 崩溃在生产环境

有结构化输出：

RagAnswer answer = result;

✅ 编译期 + 运行期安全

---

5️⃣ 一句话总结

Prompt Engineering 已经结束了
Prompt Programming 才刚开始