本博客文章展示了使用 Spring AI 实现实践的提示工程技术。该文章中的示例和模式基于全面的提示工程指南，该指南涵盖了有效提示工程的理论、原则和模式。本博客展示了如何使用 Spring AI 的流畅 ChatClient API 将这些概念转换为工作的 Java 代码。 配置部分概述了如何使用 Spring AI 设置和调整大型语言模型（LLM），包括选择合适的 LLM 提供商、配置重要的生成参数以控制模型输出的质量、风格和格式。博客还涵盖了 LLM 输出配置，包括温度、输出长度、采样控制和结构化响应格式。 然后，博客展示了各种提示工程技术，包括零次提示、一次和少次提示、系统、上下文和角色提示。零次提示涉及要求 AI 执行任务而不提供任何示例，而一次和少次提示提供模型一个或多个示例以指导其响应。 系统提示设置语言模型的总体上下文和目的，定义模型应该做什么的“大图”。博客提供了如何在生产 Java 应用程序中使用 Spring AI 的 ChatClient API 实现这些技术的示例。 博客中的示例遵循与原始指南中概述的相同模式和技术，用于本文的演示源代码可在 GitHub 上找到。博客还提供了相关研究论文和文档的参考，以供进一步阅读。 总之，本博客文章提供了使用 Spring AI 实现提示工程技术的综合指南，对于希望提高语言模型性能和有效性的开发者来说是一个宝贵的资源。