Java前后端开发实战：ChatGPT提示词工程入门指南

共计 2246 个字符，预计需要花费 6 分钟才能阅读完成。

技术背景：为什么需要提示词工程

在现代应用开发中，智能对话功能已成为提升用户体验的重要手段。对于 Java 开发者而言，将 ChatGPT 这样的 AI 能力整合到系统中可以：

• 减少简单重复问题的客服人力成本
• 实现 24 小时在线的智能问答服务
• 通过自然语言交互降低用户使用门槛
• 为产品增加差异化竞争力

提示词工程（Prompt Engineering）就是通过精心设计输入文本来获得更精准 AI 输出的技术，相当于 ” 与 AI 沟通的艺术 ”。

架构设计：Spring Boot + Vue 整合方案

典型的技术栈组合如下：

flowchart LR
    A[Vue 前端] -->|Axios| B[Spring Boot API]
    B -->|OpenAI SDK| C[ChatGPT API]
    B --> D[(MySQL)]

关键组件说明：

1. 前端层：Vue 3 组合式 API + Axios 处理 HTTP 请求
2. 后端层：Spring Boot 3.x 提供 REST 接口
3. AI 服务：通过官方 OpenAI Java SDK 接入
4. 数据存储：MySQL 记录对话历史

核心代码实现

后端 Spring Boot 接口（带 JWT 鉴权）

@RestController
@RequestMapping("/api/chat")
public class ChatController {

    @PostMapping
    public ResponseEntity<ChatResponse> chat(
        @RequestBody ChatRequest request,
        @RequestHeader("Authorization") String token) {

        // JWT 验证
        if (!JwtUtil.validateToken(token)) {return ResponseEntity.status(401).build();}

        // 构造提示词（实际项目建议抽离为策略模式）String prompt = "你是一个 Java 技术专家，用中文回答关于" 
            + request.getTopic() + "的问题：" + request.getQuestion();

        // 调用 OpenAI API
        OpenAiService service = new OpenAiService(API_KEY);
        CompletionRequest completionRequest = CompletionRequest.builder()
            .prompt(prompt)
            .model("text-davinci-003")
            .maxTokens(500)
            .build();

        CompletionResult result = service.createCompletion(completionRequest);

        return ResponseEntity.ok(new ChatResponse(result.getChoices().get(0).getText()));
    }
}

前端 Vue 调用示例

import axios from 'axios';

export default {data() {
    return {
      question: '',
      answer: ''
    }
  },
  methods: {async submitQuestion() {
      try {const token = localStorage.getItem('jwt');
        const response = await axios.post('/api/chat', {
          topic: 'Java 编程',
          question: this.question
        }, {headers: { Authorization: `Bearer ${token}` }
        });

        this.answer = response.data.answer;
      } catch (error) {console.error('请求失败:', error);
      }
    }
  }
}

五大常见陷阱及解决方案

1. 提示词过于笼统
2. 错误示例：” 告诉我关于 Java 的知识 ”

3. 修正方案：明确场景和范围，如 ” 用简单例子解释 Java 多线程的 synchronized 用法 ”

4. 忽略 token 限制

5. 问题：超过模型最大 token 数会导致截断

6. 方案：通过 text-davinci-003 的maxTokens参数控制，长文本考虑分块处理

7. 未处理敏感信息

8. 风险：用户可能输入个人隐私数据

9. 措施：后端增加关键词过滤和内容审核

10. 缺乏上下文管理

11. 现象：多轮对话时 AI” 忘记 ” 之前内容

12. 解决：在 prompt 中包含历史对话摘要

13. 响应时间过长

14. 原因：网络延迟 +AI 计算时间
15. 优化：前端添加加载状态，考虑流式传输(SSE)

性能优化实践

Token 计算策略

• 中文 1 个汉字≈2 个 token
• 通过 tiktoken 库精确计算
• 示例优化代码：

public String trimPrompt(String prompt, int maxTokens) {
    // 实现基于 token 数的截断逻辑
    // ...
}

缓存设计方案

1. 本地缓存：对高频问题使用 Caffeine
2. 分布式缓存：Redis 存储常见问答对
3. 对话缓存：用户会话级缓存（有效期 15 分钟）

@Cacheable(value = "chatCache", key = "#question")
public String getCachedAnswer(String question) {return null; // 缓存未命中时实际查询}

总结建议

在实际项目中引入 ChatGPT 时，建议从小功能点开始验证，例如：

• 文档智能搜索
• 错误日志分析助手
• 代码片段生成

注意平衡 AI 能力与系统稳定性，初期可以设置熔断机制，当 AI 服务不可用时自动降级到常规流程。随着对提示词工程的掌握加深，逐步探索更复杂的应用场景。