📗
02.SpringAI(V1.0.0)-PromptEngineer和ToolCalling-

用户7020

2025年12月3日修改

今天我们正式进入大模型应用开发实战阶段，利用大模型来解决实际问题。​

那么大模型与传统应用结合有哪些不同的方案呢？

1.
大模型应用开发技术架构​

接下来我们就来了解下常见的大模型开发技术架构。

1.1
技术架构​

目前，大模型应用开发的技术架构主要有四种：

1.1.1
纯Prompt模式​

不同的提示词能够让大模型给出差异巨大的答案。

不断雕琢提示词，使大模型能给出最理想的答案，这个过程就叫做提示词工程（Prompt Engineering）。​

很多简单的AI应用，仅仅靠一段足够好的提示词就能实现了，这就是纯Prompt模式。​

其流程如图：

画板

1.1.2
FunctionCalling​

大模型虽然可以理解自然语言，更清晰弄懂用户意图，但是确无法直接操作数据库、执行严格的业务规则。这个时候我们就可以整合传统应用于大模型的能力了。​

简单来说，可以分为以下步骤：

1.
我们可以把传统应用中的部分功能封装成一个个函数（Function）。​

2.
然后在提示词中描述用户的需求，并且描述清楚每个函数的作用，要求AI理解用户意图，判断什么时候需要调用哪个函数，并且将任务拆解为多个步骤（Agent）。​

3.
当AI执行到某一步，需要调用某个函数时，会返回要调用的函数名称、函数需要的参数信息。​

4.
传统应用接收到这些数据以后，就可以调用本地函数。再把函数执行结果封装为提示词，再次发送给AI。​

5.
以此类推，逐步执行，直到达成最终结果。​

流程如图：

画板

❗

注意：

并不是所有大模型都支持Function Calling，比如早期的DeepSeek-R1模型就不支持（最新版已经支持了）。​

1.1.3
RAG​

RAG（Retrieval-Augmented Generation）叫做检索增强生成。简单来说就是把信息检索技术和大模型结合的方案。​

大模型从知识角度存在很多限制：

•
时效性差：大模型训练比较耗时，其训练数据都是旧数据，无法实时更新​

•
缺少专业领域知识：大模型训练数据都是采集的通用数据，缺少专业数据​

可能有同学会说， 简单啊，我把最新的数据或者专业文档都拼接到提示词，一起发给大模型，不就可以了。​

同学，你想的太简单了，现在的大模型都是基于Transformer神经网络，Transformer的强项就是所谓的注意力机制。它可以根据上下文来分析文本含义，所以理解人类意图更加准确。​