前几篇我们教会了 AI 说话、流式输出、结构化返回，甚至记住了上下文。但你是否遇到过这种情况：同样的问题，问 ChatGPT 能给出完美答案，问你自己接的模型却答非所问？问题往往不出在模型本身，而在于你给它的“指令”——也就是 Prompt。

今天开始，我们进入一个全新的主题：提示词工程（Prompt Engineering）。这是 AI 应用开发中最被低估、却又最能拉开差距的技能。一个好的 Prompt，能让同一个模型的表现天差地别。本篇我们先掌握一套立即可用的框架——CO-STAR，再用少样本提示（Few-shot Prompting） 让 AI “有样学样”。整篇文章不需要引入任何新依赖，你可以在前面任意一个项目上直接实验。

一、痛点场景：AI 为什么不听你的话？

先来看一个真实案例。假设你正在做一个“智能邮件润色”功能，你给 AI 的指令是：

帮我润色这封邮件。

然后 AI 返回了一封语气浮夸、风格像演讲稿的“润色版”，你只能手动改回原来的调调。为什么？因为你没有告诉它：

• 背景：这是发给谁的邮件？
• 目标：希望达到什么效果？
• 风格：正式还是随意？
• 语气：热情还是冷静？
• 受众：对方是老板还是客户？
• 格式：要不要保留原来的段落结构？

当你把这六条信息补全后，AI 的输出质量会直线上升。CO-STAR 框架正是这六个维度的缩写。 它最初由新加坡 GovTech 的数据科学部门提出，现已成为开发者社区中最受欢迎的 Prompt 模板之一。

二、核心概念快览

2.1 CO-STAR 框架

CO-STAR 把一条高质量的 Prompt 拆解为六个要素，每个字母代表一个维度：

字母	含义	解释	示例
C	Context（背景）	告诉 AI 当前的情境，它需要知道哪些上下文	“你是一家电商公司的客服主管”
O	Objective（目标）	明确希望 AI 完成的具体任务	“请起草一封回复客户投诉的邮件”
S	Style（风格）	指定写作文体或风格	“用正式商务信函的风格”
T	Tone（语气）	设定情感色彩和态度	“语气要诚恳、有同理心，但不卑微”
A	Audience（受众）	说明最终读者是谁	“收件人是一位因物流延误而不满的客户”
R	Response（响应格式）	约束输出的结构和格式	“邮件主题单独一行，正文不超过 150 字”

记住这个框架，你就掌握了高质量 Prompt 的“骨架”。任何场景下的 Prompt 设计都可以从这六个维度去思考。

2.2 少样本提示（Few-shot Prompting）

除了给框架，还有另一种“立竿见影”的技巧：给 AI 几个例子，让它模仿你的格式和风格。 这就是少样本提示。在 Prompt 中提供 2-3 个“输入→输出”示例，模型会从中学习到你的期望模式，比单纯用文字描述效果更好。

比如你想让 AI 把口语化的问题转换成 SQL 查询，与其长篇大论地解释语法，不如直接给两个例子：

示例1：
用户问："上个月销售额是多少"
SQL: SELECT SUM(amount) FROM sales WHERE month = '2026-04';

示例2：
用户问："张三最近买了什么"
SQL: SELECT product FROM orders WHERE customer = '张三' ORDER BY date DESC;

然后再说你的真实问题，AI 会顺着这个模式往下写。这就是 Few-shot 的威力。

2.3 环境说明

本篇不需要新增任何依赖或 Bean，所有示例都在 ChatClient 上完成。我们会在同一个 Controller 里展示“裸问”、“CO-STAR 优化”和“CO-STAR + Few-shot”三种效果差异，让你直观感受 Prompt 工程的价值。

三、环境准备

继续使用之前任意一篇搭建的 Spring Boot 项目，确保 spring-ai-starter-model-openai 已引入，且 application.yml 中配置好了 API Key。以 DeepSeek 为例：

spring:
  ai:
    openai:
      api-key: ${DEEPSEEK_API_KEY}
      base-url: https://api.deepseek.com
      chat:
        options:
          model: deepseek-chat
          temperature: 0.7

关于 temperature 的设定：在需要模型严格遵循指令格式的场景（如格式化输出），建议温度设在 0.1-0.3 以降低随机性；但为了对比 Prompt 优化前后的差异，0.7 更能体现提示词的引导效果。你可以根据实际测试情况微调。

四、代码实战

4.1 编写 PromptService

创建一个 PromptService，把不同级别的 Prompt 封装成方法，方便对比效果：

package com.example.springaihelloworld.service;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.stereotype.Service;

@Service
public class PromptService {

    private final ChatClient chatClient;

    public PromptService(ChatClient chatClient) {
        this.chatClient = chatClient;
    }

    /**
     * 裸问：不给任何额外上下文
     */
    public String rawPrompt(String userInput) {
        return chatClient
                .prompt()
                .user(userInput)
                .call()
                .content();
    }

    /**
     * 使用 CO-STAR 框架优化的 Prompt
     */
    public String costarPrompt(String userInput) {
        String systemPrompt = """
                你是一个专业的客户服务代表。

                ## 背景（Context）
                你在一家售卖智能家居产品的电商公司工作。用户可能会询问产品功能、退换货政策、物流状态等问题。

                ## 目标（Objective）
                根据用户输入，给出一个礼貌、专业且信息准确的回复。

                ## 风格（Style）
                简洁清晰，避免冗长，每段不超过两句话。

                ## 语气（Tone）
                亲切但不随意，耐心但不啰嗦。

                ## 受众（Audience）
                大多数用户是非技术背景，避免使用术语。如果必须提到技术参数，要加上简短解释。

                ## 响应格式（Response）
                先对用户的问题表示理解，再给出核心解决方案，最后询问是否还有其他可以帮助的地方。
                """;

        return chatClient
                .prompt()
                .system(systemPrompt)
                .user(userInput)
                .call()
                .content();
    }

    /**
     * CO-STAR + 少样本提示（Few-shot）
     * 在 CO-STAR 基础上，给出两个具体的"用户问题 → 理想回复"示例
     */
    public String costarWithFewShotPrompt(String userInput) {
        String systemPrompt = """
                你是一个专业的客户服务代表。

                ## 背景（Context）
                你在一家售卖智能家居产品的电商公司工作。用户可能会询问产品功能、退换货政策、物流状态等问题。

                ## 目标（Objective）
                根据用户输入，给出一个礼貌、专业且信息准确的回复。

                ## 风格（Style）
                简洁清晰，避免冗长，每段不超过两句话。

                ## 语气（Tone）
                亲切但不随意，耐心但不啰嗦。

                ## 受众（Audience）
                大多数用户是非技术背景，避免使用术语。如果必须提到技术参数，要加上简短解释。

                ## 响应格式（Response）
                先对用户的问题表示理解，再给出核心解决方案，最后询问是否还有其他可以帮助的地方。

                ## 示例（Examples）
                以下是你之前处理过的两个工单，供你参考回复的风格：

                ---示例1---
                用户问题：我刚买的智能灯泡怎么连不上Wi-Fi？
                客服回复：您好，非常理解您遇到连网问题的烦恼。首先请确认灯泡处于配对模式（快闪白光），然后打开App搜索设备。如果仍然不行，可以尝试将灯泡靠近路由器再试一次。还有其他问题可以随时问我哦。
                ---示例1结束---

                ---示例2---
                用户问题：这个插座防水吗？能不能用在浴室里？
                客服回复：您好，感谢您的关注。这款插座不具备防水功能，不建议在浴室等潮湿环境中使用，存在安全隐患。我们有专门为浴室设计的防溅水款，需要我为您推荐链接吗？
                ---示例2结束---
                """;

        return chatClient
                .prompt()
                .system(systemPrompt)
                .user(userInput)
                .call()
                .content();
    }
}

代码说明：

• rawPrompt：直接把用户的话丢给模型，没有任何额外指引，用来做“最差情况”的参照。
• costarPrompt：在 System Prompt 中严格按照 CO-STAR 六要素编写了背景、目标、风格、语气、受众和响应格式。
• costarWithFewShotPrompt：在 CO-STAR 基础上追加了两个具体示例，让 AI 能模仿实际的回复风格。

4.2 编写对比 Controller

新建 PromptComparisonController，提供三个端点，方便你用同一个问题横向对比：

package com.example.springaihelloworld.controller;

import com.example.springaihelloworld.service.PromptService;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class PromptComparisonController {

    private final PromptService promptService;

    public PromptComparisonController(PromptService promptService) {
        this.promptService = promptService;
    }

    /**
     * 裸问：不做任何提示词优化
     */
    @GetMapping("/prompt/raw")
    public String raw(@RequestParam(defaultValue = "你们家智能门铃怎么安装") String q) {
        return promptService.rawPrompt(q);
    }

    /**
     * CO-STAR 优化版
     */
    @GetMapping("/prompt/costar")
    public String costar(@RequestParam(defaultValue = "你们家智能门铃怎么安装") String q) {
        return promptService.costarPrompt(q);
    }

    /**
     * CO-STAR + Few-shot 增强版
     */
    @GetMapping("/prompt/fewshot")
    public String fewshot(@RequestParam(defaultValue = "你们家智能门铃怎么安装") String q) {
        return promptService.costarWithFewShotPrompt(q);
    }
}

五、运行与演示

5.1 启动项目

确认 API Key 已设置，启动 Spring Boot。

5.2 对比三种效果

用同一个问题，分别访问三个接口，观察回复的差异。建议用“你们家智能门铃怎么安装”或者“刚买的台灯有问题想退货”这种客服场景的问题。

裸问版：

http://localhost:8080/prompt/raw?q=你们家智能门铃怎么安装

可能的回复：

智能门铃安装步骤：1. 将门铃底座固定在墙上。2. 连接电源线。3. 下载App扫描二维码配对。4. 测试门铃是否正常工作。如有问题请联系客服。

像是一份说明书摘抄，缺少人情味，也没有主动提供进一步帮助。

CO-STAR 优化版：

http://localhost:8080/prompt/costar?q=你们家智能门铃怎么安装

可能的回复：

您好，很高兴为您解答智能门铃的安装问题。安装前请确保门口有稳定的Wi-Fi信号。先用底座定位钻孔位置，固定好底座后，将门铃本体扣上并接通电源。然后打开App扫描门铃背面的二维码，按照引导完成配对即可。如果在配对过程中遇到问题，可以随时告诉我，我会一步步协助您。

可以看到：开头有了打招呼、中间步骤更有人情味、最后主动提出协助。这就是 CO-STAR 中 T（语气）和 R（响应格式）的作用。

CO-STAR + Few-shot 增强版：

http://localhost:8080/prompt/fewshot?q=你们家智能门铃怎么安装

可能的回复：

您好，完全理解您对新设备的期待和一点小忐忑！安装其实很简单：找个离路由器近的位置，用自带螺丝固定底座，然后把门铃主体扣上去，听到“咔哒”一声就好了。打开App点“添加设备”，扫门铃背后的码，跟着提示走就行。如果过程中指示灯不是白色快闪，可以长按重置按钮5秒进入配对模式。需要我帮您录个安装短视频吗？

对比三个回复，你会发现 Few-shot 版不仅完全继承了 CO-STAR 的结构，还学会了示例中的“先用共情句开头”、“使用口语化短句”、“最后询问是否需要进一步帮助”等隐性风格，甚至主动提出了“录视频”这种超出基本指令的贴心服务。这就是少样本提示的独特价值——示例比描述更能精准地传递你期望的风格。

六、常见问题与避坑提示

问题一：CO-STAR 维度太多，记不住怎么办？

刚开始不需要每次都写满六个维度。你可以先抓住 C（背景）和 O（目标），这两个是最核心的。熟练后再逐步加上 S、T、A、R。很多 AI 辅助写 Prompt 的工具（包括 Cursor）也内置了 CO-STAR 模板，可以直接调用。

问题二：Few-shot 的示例要怎么选？

• 示例要覆盖你期望的主要场景。如果用户会问“安装”、“退货”、“功能”，三个场景各给一个例子。
• 示例的格式要和期望输出完全一致。
• 不要给“反面示例”，模型有时会混淆。

问题三：加了 System Prompt 后，回复还是不像示例

可能原因：

• 温度（temperature）太高，模型随机性过大，建议降到 0.3-0.5。
• 示例太少，增加到 3-4 个。
• System Prompt 中的描述和示例风格冲突（比如你要求“简洁”，但示例都很长）。这时优先调整示例，因为示例的优先级通常高于文字描述。

问题四：Prompt 太长会不会影响速度？

会。Prompt 越长，API 调用耗时越长，Token 消耗也越多。对于生产环境，建议将 System Prompt 提炼到 2000 字符以内，示例也控制在 2-3 个。如果业务场景复杂，可以考虑将长 Prompt 拆分为“核心指令 + 按需加载的知识库”（这就是 RAG 的核心思想，后面会专门讲）。

问题五：CO-STAR 只能用在客服场景吗？

当然不是。CO-STAR 是通用框架，你可以套用到任何场景。比如代码审查：

• C：你是一个资深 Java 代码审查员
• O：检查代码中的线程安全、空指针和性能问题
• S：专业但不傲慢
• T：直接、建设性
• A：有 3 年经验的 Java 开发者
• R：每条建议包含“问题”、“风险”、“改进方案”

你会发现这个框架几乎可以无限复用。

七、小结与下一步预告

本篇回顾

• 理解了 Prompt 质量对 AI 输出的决定性影响。
• 掌握了 CO-STAR 框架：Context、Objective、Style、Tone、Audience、Response。
• 学会了少样本提示（Few-shot Prompting）：用示例引导模型输出。
• 通过代码实战，对比了裸问、CO-STAR 优化版、Few-shot 增强版三种效果差异。

动手建议

在你自己项目中，挑一个已有的 AI 功能，用 CO-STAR 框架重写它的 System Prompt，然后对比前后的输出质量。你会发现：很多时候不是模型不够好，而是你没有把话说明白。

下一步预告

CO-STAR 解决了“怎么说”，但遇到复杂推理任务（比如数学题、逻辑分析、多步骤决策）时，光靠格式还不够。下一篇我们将学习思维链（Chain of Thought） 和 自我一致性（Self-Consistency），让 AI 像人一样“一步一步推理”，大幅提升复杂问题的准确率。我们还会结合 Cursor Rules，把这些 Prompt 技巧沉淀为可复用的团队规范。

下一篇《提示词工程（下）：思维链、自我一致与 Cursor 规则》见。

---

本系列博客基于 Spring AI 1.1.6 版本编写。提示词工程的最佳实践与模型能力密切相关，不同模型对同一 Prompt 的响应可能存在差异，建议在实际项目中针对所选模型进行充分测试和调优。