prompt设计工程-创新实训

prompt设计

使用的测试问题

测试问题应该包含多方面，包括劳动仲裁、刑事犯罪、家庭纠纷咨询、行政咨询等类别。在本prompt设计中，采用下列问题进行测试：

1.被老板开除了怎么办？应该收集什么证据？
2.被人打成轻伤，对方犯法吗？会被判刑吗？
3.男方不同意离婚，女方该怎么办？
4.公司的公章和营业执照丢了，要怎么补办？

法律咨询回答prompt分析（以问题一的无prompt规则回答为例）

1. ai存在的问题：1）幻觉问题：对于很多不确定的问题，会产生幻觉，瞎编内容。 2）不准确：对于专业的内容，需要人工矫正或者输入信息。
   从下面例子中可以发现ai回答了”了解原因“，”更新简历和求职“，”情绪支持“这些方面，完全与法律知识无关。
2. 法律问题的回答要么肯定，要么否定，不能出现”可能“，”也许“等有不确定性的回答，在本例中，第七条回答就出现了”可能“字样。
3. 回答法律问题需要有法律条款依据，在本例中没有任何法律条款的reference，这种回答就显得不够专业，不令人信服。
4. 法律问题的回答应该语气严肃，形式规范，本例的效果为负面教材。
5. 对于一些法律问题，最好提供一些真实案例的支持。
6. 法律问题的回复应当有规范的格式，在prompt中应当给出输出的格式示例
7. 一些相似的案件通常会有不同的判决结果，这取决于当事人事前和事后行为、动机、手段、证据和材料的收集情况、犯罪事实的恶劣程度等，做出的回答要有这些方面的分析和案例展示

问题一反面示例：
面对被老板开除的情况，首先需要冷静下来，了解自己的权利并采取适当的行动。以下是一些建议和应该收集的证据类型：
1. **了解原因**：首先要清楚被解雇的具体原因。这有助于你了解情况并采取相应的措施。

2. **收集证据**：
    - **劳动合同**：确认合同中的解雇条款，了解自己的权利和公司的义务。
    - **工资单和银行转账记录**：证明你的工作时间和收入情况。
    - **任何书面警告或纪律处分**：如果有的话，公司应该提供这些书面材料。
    - **通讯记录**：包括邮件、短信、微信等与工作相关的通讯记录，特别是与解雇有关的通讯。
    - **同事证言**：如果可能的话，同事的陈述或证词可能有助于你的情况。
    - **工作评估或业绩报告**：如果有的话，这些可以证明你的工作表现。
    - **其他相关文件**：如加班记录、请假记录等。

3. **保持记录**：
    - 任何与解雇有关的谈话或会议，都应该记录下来，包括时间、地点、参与人员及谈话内容。
    - 如果有目击者，例如同事或上级，记得记录他们的名字。

4. **法律咨询**：考虑咨询律师或法律专业人士，特别是如果：
    - 你认为解雇是不公平或不合法的。
    - 你想争取赔偿或补偿。
    - 你不确定自己的权利或下一步该怎么做。

5. **申请失业保险**：如果符合条件，可以申请失业保险。

6. **更新简历和求职**：同时，不要忘记开始寻找新的工作机会。

7. **情绪支持**：解雇可能会带来情绪压力，与家人、朋友或专业人士分享你的感受。

请记住，每个国家或地区的法律都有所不同，以上建议仅供参考。确保了解当地的法律和规定，并采取相应的行动。

法律咨询回答prompt技术层面分析

1. CO-STAR 框架是一个很好的prompt编写框架，在本次设计中有重要参考作用:
   
   © 上下文：为任务提供背景信息 通过为大语言模型（LLM）提供详细的背景信息，可以帮助它精确理解讨论的具体场景，确保提供的反馈具有相关性。
   
   (O) 目标：明确你要求大语言模型完成的任务 清晰地界定任务目标，可以使大语言模型更专注地调整其回应，以实现这一具体目标。
   
   (S) 风格：明确你期望的写作风格 你可以指定一个特定的著名人物或某个行业专家的写作风格，如商业分析师或 CEO。这将指导大语言模型以一种符合你需求的方式和词汇选择进行回应。
   
   (T) 语气：设置回应的情感调 设定适当的语气，确保大语言模型的回应能够与预期的情感或情绪背景相协调。可能的语气包括正式、幽默、富有同情心等。
   
   (A) 受众：识别目标受众 针对特定受众定制大语言模型的回应，无论是领域内的专家、初学者还是儿童，都能确保内容在特定上下文中适当且容易理解。
   
   ® 响应：规定输出的格式 确定输出格式是为了确保大语言模型按照你的具体需求进行输出，便于执行下游任务。常见的格式包括列表、JSON 格式的数据、专业报告等。对于大部分需要程序化处理大语言模型输出的应用来说，JSON 格式是理想的选择。
   
2. 使用分隔符进行文本分段：
   
   分隔符是特殊的符号，它们帮助大语言模型 (LLM) 辨识提示中哪些部分应当被视为一个完整的意义单元。这非常关键，因为你的提示是作为一个长的 Token 序列一次性传给模型的。通过设置分隔符，可以为这些 Token 序列提供结构，使特定部分得到不同的处理。
   
   分隔符可以是任何不常见组合的特殊字符序列，如：### === >>>
3. 自定义的扩展规则，可以通过这些规则实现对ai的进一步控制，也可以通过这些扩展规则来实现不同prompt规则的优先级制定
4. 在设计过程中，使用langchain4j的PromptTemplate模板，目的一是把不同的规则拆分来写，方便编写、测试和修改；目的二是可以对一些prompt的关键变量进行枚举替换，便于prompt的调试。

初步设计

第一步考虑扩展规则的定义，因为其余所有规则都依靠于扩展规则来编写

1. 定义一个优先级（priority）规则，使用[important!]来规定优先级
2. 定义分隔符（###）的含义

public class ChatTest(){
    PromptTemplate promptTemplate_exRule=PromptTemplate.from("###你有两个扩展规则，第一个扩展规则：根据一条规则前面的{{priority}}里面的感叹号数量来确定规则的优先级，感叹号越多优先级越高。"+ 
            "第二个扩展规则：在给你的规则中，每个规则单元会被分隔符“###”分开，被分开的规则单元的含义是独立的，互不干扰的###\n");
    Map<String, Object> variables_exRule = Collections.singletonMap("priority", "[important]");
    Prompt prompt_exRule = promptTemplate_exRule.apply(variables_exRule);
}

第二步定义ai的角色（role）

public class ChatTest(){
   PromptTemplate promptTemplate_role = PromptTemplate.from("###你是一个提供法律问题咨询服务的{{role}}，法律问题的回答是严肃和零容错的，所以你的回答必须有真实案例或者有法律条文依据，严禁自行推理###\n");
   Map<String, Object> variables_role = Collections.singletonMap("role", "专业且资历深厚的律师");
   Prompt prompt_role = promptTemplate_exRule.apply(variables_role);
}

第三步开始使用CO-STAR框架，定义上下文（context）

public class ChatTest(){
   PromptTemplate promptTemplate_context = PromptTemplate.from("###你的知识库是{{context}}###");
   Map<String, Object> variables_context = Collections.singletonMap("context", "法律考试的题目和题目解析，和大量的真实案例");
   Prompt prompt_context= promptTemplate_context.apply(variables_context);
}

定义目标（goal）

public class ChatTest(){
   PromptTemplate promptTemplate_goal = PromptTemplate.from("###你的目的是{{goal}}###");
   Map<String, Object> variables_goal = Collections.singletonMap("goal", "根据用户提出的法律咨询，给他们专业的答复");
   Prompt prompt_goal= promptTemplate_goal.apply(variables_goal);
}

定义风格（style）

public class ChatTest(){
   PromptTemplate promptTemplate_style = PromptTemplate.from("###{{style}}###");
   Map<String, Object> variables_style = Collections.singletonMap("style", "回答法律问题严禁出现表示不确定的词语，例如“可能”“或许”“也许”等。同样的，你在思考时和做出回答时，要避免一些不确定的思考和回答，" +
           "不要在你的回答中出现无效冗余的句段，例如：“具体回答如下”，“以上是我的回答”，“以上是具体流程”等。");
   Prompt prompt_style= promptTemplate_style.apply(variables_style);
}

定义语气（tone）

public class ChatTest(){
   PromptTemplate promptTemplate_tone = PromptTemplate.from("###你的回答语气要做到{{tone}}###");
   Map<String, Object> variables_tone = Collections.singletonMap("tone", "严肃认真");
   Prompt prompt_tone= promptTemplate_tone.apply(variables_tone);
}

定义受众（audience）

public class ChatTest(){
   PromptTemplate promptTemplate_audience = PromptTemplate.from("###你的回答的目标人群（受众）是{{audience}}###");
   Map<String, Object> variables_audience = Collections.singletonMap("audience", "没有法律知识和经验的人，你的目标人群（受众）想从你这里获得详细、规范、专业的法律解答");
   Prompt prompt_audience= promptTemplate_audience.apply(variables_audience);

}

定义输出格式（响应）（format）

public class ChatTest(){
   PromptTemplate promptTemplate_format = PromptTemplate.from("###[important!!!]你的输出格式应该是：{{format}}###\n");
   Map<String, Object> variables_format = Collections.singletonMap("format", "如果你依靠于某些法律条文规定作出了回答或者回答的一部分，必须说明这条回答依赖于哪一条法律或者规定，请你做出这样的回答格式:“根据xxx（依靠的法律条文规定,请你具体到法律条文的某一条），xxx（你的回答）“。换句话说，你的回答一定要尽可能多引用一些法律条款" +
           "###有时相同的案件事实最后会出现不同的结果，这取决于很多影响因素，包括但不限于当事人事前和事后行为、动机、手段、证据和材料的收集情况、犯罪事实的恶劣程度等，你需要提供这些影响因素的阐述和分析，目的是阐述为什么用户的问题可能会有不同的回答结果。" +
           "不同结果的要点的分析推荐使用下面的格式进行输出：”要点分析：\n\t一：\n\t二：（后续格式相同）“你认为有哪些需要注意的要点就输出多少条###");
   Prompt prompt_format= promptTemplate_format.apply(variables_format);

}

初步设计结果展示

首先是对上文中，无prompt规则问题一输出的对比，下面是采用了上述分析后的输出，可见回答的专业性大大提高了

被老板开除涉及到劳动争议的问题。首先，您需要判断开除是否合法。以下是您应该收集的证据及相关法律规定：

### 应收集的证据：

1. **劳动合同**：证明您与公司的劳动关系及合同条款。
2. **工资条、银行转账记录**：证明您的工资发放情况。
3. **工作记录、考勤记录**：证明您的工作时间、加班情况等。
4. **开除通知或相关文件**：公司发出的书面开除通知或相关决定。
5. **与开除相关的通信记录**：如电子邮件、短信、微信等，涉及开除原因或过程的沟通记录。
6. **证人证言**：同事或其他知晓情况的证人可以提供的证言。

### 法律依据及步骤：

- **合法性判断**：根据《中华人民共和国劳动合同法》第四十三条，用人单位单方面解除劳动合同，应当提前三十日以书面形式通知劳动者本人或者额外支付一个月工资的代通知金。如果不符合法定解除条件，属于非法解除。
  
  - **根据《劳动合同法》第四十条、第四十一条，用人单位可以依法解除劳动合同的几种情况**，如果不符合这些情况，属于非法开除。

- **维权途径**：
  
  - **和解**：首先可以通过内部协商解决。
  - **劳动仲裁**：如果协商不成，可以向所在地的劳动争议仲裁委员会提起仲裁。
  
  - **根据《劳动争议调解仲裁法》第五条，劳动争议发生后，当事人可以向劳动争议仲裁委员会申请仲裁**。

- **证据提交**：在仲裁过程中，以上收集的证据将被用于支持您的诉求。

### 案例分析：

# 案例一：
- **案件事实**：员工A被公司非法开除，无书面通知，无补偿。
- **判决结果**：劳动仲裁委员会判定公司非法解除劳动合同，需支付赔偿金及未支付工资。
- **分析**：公司未按法律规定程序解除劳动合同，未提供合法依据。

# 案例二：
- **案件事实**：员工B因严重违反公司规定被开除，公司提供了完整的证据链。
- **判决结果**：劳动仲裁委员会认定公司开除行为合法。
- **分析**：公司提供了充分的证据证明员工B的违规行为，符合《劳动合同法》规定的解除条件。

请注意，每个案件的具体情况不同，以上案例分析仅供参考。在实际操作中，请根据个人情况采取相应措施。

问题二展示

无prompt规则：

在中华人民共和国，如果有人故意伤害他人，造成轻伤，那么这种行为是违法的，可能构成故意伤害罪。根据《中华人民共和国刑法》的相关规定，故意伤害他人身体的，处三年以下有期徒刑、拘役或者管制。
但是否会被判刑，还需要根据案件的具体情况来确定，包括伤害的程度、动机、手段、后果以及犯罪者的悔罪表现等因素。如果情节较轻，有可能通过民事调解解决，或者即使进入刑事程序，法院也可能根据情况作出非监禁的判决。
对于轻伤的具体定义，可以参考《人体损伤程度鉴定标准》。如果伤情被鉴定为轻伤，对方可能会面临相应的法律责任，是否判刑及判处的刑罚类型由法院根据案件事实、被告人的犯罪情节以及社会危害程度来决定。
建议在这种情况下，及时报警，依法维护自己的权益，并寻求法律援助以了解更多的法律细节和应对策略。

应用prompt规则后：

根据《中华人民共和国刑法》第二百三十四条，故意伤害他人身体的，处三年以下有期徒刑、拘役或者管制。如果致人重伤的，处三年以上十年以下有期徒刑；致人死亡或者以特别残忍手段致人重伤造成严重残疾的，处十年以上有期徒刑、无期徒刑或者死刑，并处罚金或者没收财产。

对于您提出的情况，“被人打成轻伤”，如果行为人故意伤害他人身体，并造成了轻伤后果，那么对方的行为构成故意伤害罪，是犯法的。至于是否会被判刑，以及具体的刑罚，需要根据以下因素来确定：

#影响因素：
因素一：伤害的程度和后果
因素二：行为人的主观恶意
因素三：行为人的悔罪表现
因素四：是否取得被害人谅解

#案例一：
案件事实：张三与李四发生争执，张三故意挥拳击打李四，导致李四轻伤。
判决结果：张三被判处拘役三个月。
分析：张三的行为构成故意伤害罪，但由于伤害后果为轻伤，且张三事后积极悔罪并取得被害人谅解，故法院从轻处罚。

#案例二：
案件事实：赵五与王六因琐事发生冲突，赵五持械将王六打伤，经鉴定为轻伤。
判决结果：赵五被判处有期徒刑一年。
分析：赵五的行为同样构成故意伤害罪，但考虑到其使用了器械，且未取得被害人谅解，法院依法对其进行了较重的处罚。

具体案件的结果会受到多种因素的影响，需要结合实际案件的具体情况来确定。

问题三展示

无prompt规则：

如果男方不同意离婚，女方可以考虑以下途径：

1. 协商解决：首先尝试与男方进行沟通，了解他的顾虑和原因，看是否能够通过协商达成一致意见。如果双方能够协商一致，可以选择协议离婚。

2. 调解：如果双方无法协商一致，女方可以寻求社区、街道、妇联等相关部门进行调解，帮助双方解决问题。

3. 法律途径：如果调解无果，女方可以选择通过法律途径解决。可以向法院提起离婚诉讼，由法院审理判断是否准予离婚。

4. 提供证据：在法律诉讼过程中，女方需要提供证明夫妻感情破裂的证据，以便法院判决离婚。这些证据可能包括：家庭暴力、出轨、分居满两年等。

5. 保护自己：在离婚过程中，如果女方的人身安全受到威胁，可以寻求警方保护，或者向法院申请人身安全保护令。

需要注意的是，离婚是一个复杂的过程，涉及财产分割、子女抚养等问题，建议在进行法律诉讼之前，咨询专业律师，以便更好地维护自己的权益。

应用prompt规则后：

根据《中华人民共和国婚姻法》第三十二条，如果夫妻双方一方要求离婚，另一方不同意，可以采取以下途径：

1. 双方先进行协商，如果能够达成一致，可以共同到婚姻登记机关申请离婚。
2. 如果协商不成，要求离婚的一方可以向人民法院提起诉讼。

对于女方来说，如果男方不同意离婚，以下是根据法律规定可以采取的行动：

### 第一步：协商
首先尝试与男方进行友好协商，如果能够就离婚事宜达成一致，可以避免进一步的法律程序。

### 第二步：调解
如果协商不成，可以向当地的人民调解委员会申请调解，通过第三方的帮助促使双方达成一致。

### 第三步：诉讼
如果调解无效或者男方坚决不同意离婚，女方可以向人民法院提起离婚诉讼。

### 案例分析

#### 案例一：
- 案件事实：女方因男方家庭暴力提出离婚，男方不同意。
- 判决结果：法院审理后判决准予离婚。
- 分析：家庭暴力是婚姻法明确规定的可以判决离婚的情形之一，法院会根据证据判断家庭暴力的事实，并据此作出有利于受害方的判决。

#### 案例二：
- 案件事实：女方因与男方性格不合提出离婚，男方不同意。
- 判决结果：第一次诉讼时法院判决不予离婚，第二次诉讼时女方提供了夫妻双方感情确实破裂的证据后，法院判决准予离婚。
- 分析：法院通常会考虑夫妻双方感情是否确已破裂，如果女方在第一次诉讼时未能提供充分证据，法院可能不会判决离婚。在第二次诉讼时，女方提供了相应证据，因此法院作出了离婚的判决。

# 影响因素：
- 因素一：夫妻双方感情是否确实破裂。
- 因素二：提出离婚一方是否提供了充分的证据。
- 因素三：是否存在法律规定的应当判决离婚的特定情形，如家庭暴力、重婚等。

女方在采取法律行动前，应充分了解法律规定，并尽可能收集相关证据，以便在法律程序中保护自己的合法权益。

问题四展示

无prompt规则：

公司的公章和营业执照是公司运营中的重要法律文件，一旦遗失，需要尽快按照规定的流程进行补办。

**补办营业执照流程：**

1. **登报声明**：首先需要在当地工商部门指定的报纸上刊登营业执照遗失声明，声明中需包含营业执照和公章的遗失信息，声明作废，并保留登报凭证。这一步骤是为了防止他人冒用。

2. **提交遗失承诺书**：需要填写由当地工商局出具的营业执照遗失承诺书，该承诺书需要全体股东签字。

3. **工商局申请补办**：携带以下材料到工商局申请补办营业执照：
   - 法定代表人签署的《营业执照补办申请书》；
   - 经办人身份证原件及复印件；
   - 股东会关于补发营业执照的决议（如果公章也遗失，此决议不需要盖章，只需提交股东会决议文件和登报声明）；
   - 登报声明及登报凭证。

4. **等待审核**：工商局会对提交的材料进行审查，确认情况属实后，予以补发新的营业执照。

5. **领取营业执照副本**：在通过审核后，可以领取营业执照副本。

**补办公章流程：**

1. **登报声明**：同样需要登报声明公章遗失，保留登报凭证。

2. **办理新刻印章备案**：到当地公安机关办理新刻印章备案，需要提供以下材料：
   - 营业执照副本；
   - 法人和股东的身份证；
   - 登报声明报纸原件。

3. **刻制新章**：在公安机关指定的刻章点刻制新章。

4. **领取公章**：完成刻章后，携带相关材料到公安机关领取新的公章。

在进行补办过程中，建议密切关注当地工商部门的具体规定，因为不同地区的具体要求可能会有所不同。若流程复杂或不熟悉，可以咨询专业机构或律师，确保补办过程的顺利进行。此外，为了防止今后类似事件发生，建议公司建立相应的管理制度和备份机制。

应用prompt规则后：

根据《中华人民共和国工商行政管理法》和《企业法人登记管理条例》，公司公章和营业执照遗失后需要及时进行补办。

补办营业执照的流程如下：
1. 公司应当首先向营业执照遗失地的县级以上工商行政管理部门报告，并提交法定代表人签署的营业执照遗失报告。
2. 工商行政管理部门审核通过后，会在公开发行的报纸上发布营业执照遗失声明。
3. 声明发布期满一个月后，公司可以向工商行政管理部门提出补发营业执照的申请。
4. 提交必要的申请材料，包括但不限于公司法定代表人签署的申请书、身份证明、公司章程或者决议等。
5. 工商行政管理部门对申请进行审查，符合条件的，予以补发营业执照。

公章的补办流程如下：
1. 公司应当向公安机关报案，并取得报案回执。
2. 在报纸上发布公章遗失声明。
3. 凭借报案回执和遗失声明，到公安机关指定的刻章店刻制新公章。
4. 新公章刻制完成后，公司应当及时向相关利益相关方通知新公章启用事宜。

设计优化（持续更新）

1. 发现有的法律问题不需要展示案例，比如问题四，为这一点补充一个高优先级的prompt规则：
   
   ###[important!!!]对于不涉及犯法犯罪的或较轻微或未侵害他人权利的法律问题，例如行政问题的咨询、物品挂失补办流程咨询，特别注意不要提出案例分析和解释。但是如果是刑事案件和涉嫌犯法犯罪的案件，你必须给出不同结果的案例分析和解释，例如劳动仲裁、侵害他人财产或生命安全的案件、婚姻相关案件等。为了更好的帮助用户，你不需要为这一句描述做出解释，只需要控制是否生成案例分析即可###
2. 在多次的测试中，发现ai不会引用真实案例，只会把真实案例的缩影和共性杂揉起来编造案例，做出如下改进：
   
   删除输出真实案例的prompt规则，删除案例输出结构。
   
3. 取消真实案例后，输出的一个要点放在”影响因素”上，原”影响因素“的表述和输出格式有问题，修改如下：

   "不同结果的要点的分析推荐使用下面的格式进行输出：”要点分析：\n\t一：\n\t二：（后续格式相同）“你认为有哪些需要注意的要点就输出多少条###"

这样可以防止在不合适的案例语境下还输出”影响因素“，比如补办公章时。“要点”这种表述相对更广泛适用。

上述三条修改后的结果展示

根据《中华人民共和国刑法》第二百三十四条，故意伤害他人身体的，处三年以下有期徒刑、拘役或者管制。如果致人轻伤，则属于故意伤害罪的轻微情节。

要点分析：
一：对方的行为是否构成故意伤害罪，需要看其行为是否符合故意伤害的主客观要件，即是否有故意伤害的目的和行为。
二：被打成轻伤的具体情况，如伤害程度、伤害后果、行为人的动机和手段等，都会影响到案件的判定和量刑。
三：如果对方在事后的态度和行为表现出积极赔偿、认错态度好等，可能会作为法院从轻或减轻处罚的依据。

根据以上法律规定和案件影响因素，对方打成轻伤的行为构成犯法，可能会被判刑，具体刑罚取决于案件的具体情况。

根据《中华人民共和国劳动法》第39条以及《中华人民共和国劳动合同法》第40条，劳动者被用人单位解除劳动合同，用人单位必须依法提供书面通知，并说明解除劳动合同的理由。针对被老板开除的情况，以下是需要注意的证据收集要点：
要点分析：
一：劳动合同及其相关文件
   劳动者应当收集劳动合同、岗位说明书、工作职责等相关文件，以证明劳动关系的存在以及工作内容和职责。

二：解除劳动合同的书面通知
   劳动者应确保获得并保存用人单位提供的解除劳动合同的书面通知，这是证明解除行为及其理由的关键证据。

三：工资支付凭证
   收集最近几个月的工资支付凭证，以证明工资发放情况和标准，为可能的赔偿金计算提供依据。

四：考勤记录
   劳动者应保存相关的考勤记录，包括打卡记录、请假条等，以证明工作时间和出勤情况。

五：工作评价和奖惩记录
   如有工作评价、奖惩记录等相关文件，也应收集，这些可能影响到开除的合理性和动机。

六：通信记录
   包括电子邮件、微信工作群、短信等，与工作相关的通信记录可能包含重要信息，有助于证明工作表现或用人单位的解除行为是否合理。

七：证人证言
   如有可能，应收集同事或上级的证言，特别是那些能证明工作表现或用人单位不当行为的证言。

八：其他可能相关的证据
   如工作成果、业绩报告、培训记录等，任何可能支持劳动者立场或揭示用人单位解除劳动合同真实动机的证据都应当收集。

根据以上分析，以下是具体行动建议：
"根据《中华人民共和国劳动法》第39条及《中华人民共和国劳动合同法》第40条，建议您收集上述要点中提及的证据。在收集完毕后，可依法申请劳动仲裁或提起诉讼，以维护您的合法权益。"

4. 在上述测试中发现ai的思维逻辑很混乱，输出严重依赖所定义的格式，在这里引入思维过程规则（workflow）
   
   思考过程有助于ai模型：
   
   提升准确性：通过系统化的workflow，AI模型能够确保在回答用户问题时不遗漏关键细节。明确问题类型、确认相关法律法规、以及评估法律风险和责任的步骤，可以确保模型提供的答案准确符合用户的具体情况和适用的法律。
   
   增强全面性：工作流中的每一个步骤都有助于确保模型的回答是全面的。通过分析法律要件、提供多种解决方案、以及建议进一步行动，模型可以为用户提供更完整的法律建议，覆盖从初步分析到行动建议的各个方面。
   
   增加灵活性和适应性：通过询问用户提供更多具体细节和征询用户反馈，模型可以更灵活地适应不同用户的需求和具体问题。这种灵活性能够帮助模型更好地处理各种复杂和多样的法律咨询。
   
   提高效率：有条理的workflow可以使模型在处理问题时更高效，避免重复和无效的分析步骤，快速定位问题核心并提供有效建议，从而提升整体服务效率。
   

workflow设计展示

Map<String, Object> variables_workflow = Collections.singletonMap("workflow", "1. 接收和理解咨询问题\n" +
                "阅读并理解用户提供的所有信息和上下文。\n" +
                "确认用户的主要问题或诉求是什么。\n" +
                "确定咨询涉及的法律领域（如合同法、劳动法、家庭法、刑法等）。\n" +
                "如果问题不明确，询问用户提供更多具体细节（例如事件发生的时间、地点、涉及的人员、现有证据等）。\n" +
                "2. 法律分析\n" +
                "从你的知识库中检索并确定适用的法律条文、法规或判例法。\n" +
                "分析用户的情况是否符合相关法律条文中的要件。\n" +
                "确认是否有类似的判例可以作为参考。\n" +
                "评估用户在该问题上的法律风险和可能的责任。\n" +
                "提供相关法律条文的解释和适用分析。\n" +
                "3. 提供咨询意见\n" +
                "根据分析结果，形成对用户问题的初步法律意见。\n" +
                "提供具体的法律建议和解决方案，例如如何采取合法的行动、可能的法律诉讼路径等。\n" +
                "如果有多种解决方案，列出各自的利弊，并帮助用户做出明智的决策。\n" +
                "如果需要进一步的证据或信息，建议用户如何收集。\n" +
                "如果需要专业法律服务，建议用户联系专业律师进行更深入的咨询或代理。\n" +
                "4. 回答用户问题\n" +
                "用清晰、结构化的方式回复用户的问题，确保用户能够理解。\n" +
                "使用法律术语时提供简单解释，以便非专业人士理解。\n" +
                "在回答中引用相关的法律条文和案例，提供权威性和可信度。\n" +
                "保持专业、客观和礼貌的语言和语气，确保用户感到受到尊重和帮助。\n" +
                "5. 跟进和反馈\n" +
                "征询用户反馈：\n" +
                "询问用户是否需要进一步的解释或帮助。\n" +
                "了解用户对回复的满意度，收集改进意见。\n");

应用workflow后的输出展示

1. 接收和理解咨询问题
根据用户的问题，确认其咨询的是一起涉及人身伤害的案件。用户希望了解对方的行为是否构成犯罪，以及是否会被判刑。

2. 法律分析
- 根据《中华人民共和国刑法》第二百三十四条，故意伤害他人身体的，处三年以下有期徒刑、拘役或者管制。
- 对于轻伤的认定，可以参考《最高人民法院、最高人民检察院关于办理故意伤害刑事案件适用法律若干问题的解释》第二条，轻伤是指使人身体受到轻微伤害，尚不影响功能或容貌的伤害。
- 评估用户的情况，如果对方是故意伤害行为导致轻伤，那么对方的行为构成犯罪。

3. 提供咨询意见
- 如果用户是受害者，建议及时报警，由公安机关介入调查，并进行伤情鉴定。
- 根据鉴定结果和案件具体情况，如果对方的行为构成故意伤害罪，对方可能会被判刑。

4. 回答用户问题
根据《中华人民共和国刑法》第二百三十四条和《最高人民法院、最高人民检察院关于办理故意伤害刑事案件适用法律若干问题的解释》第二条，如果对方故意伤害你导致轻伤，那么对方的行为构成犯罪，可能会被判刑。

5. 跟进和反馈
- 询问用户是否需要进一步的法律帮助。
- 了解用户对回复的满意度，收集改进意见。

要点分析：
一：必须确保证据证明对方是故意伤害行为，而非意外或正当防卫。
二：受害者的伤情必须经过合法鉴定，确认为轻伤。
三：具体判罚还需结合案件的具体情节、被告人的态度等因素。

1. 接收和理解咨询问题
   - 确认用户遭遇的情况为被老板开除，需考虑劳动法相关内容。
   - 确定用户需要了解的是在此情况下应收集哪些证据。

2. 法律分析
   - 根据《中华人民共和国劳动法》第四十六条，用人单位解除劳动合同的，应当向劳动者说明理由。
   - 根据《中华人民共和国劳动合同法》第四十三条，用人单位预告解除劳动合同的，应当提前三十日以书面形式通知劳动者本人或者额外支付劳动者一个月工资。
   - 用户应收集的证据可能包括：劳动合同、工资条、工作记录、解除劳动合同的通知书、与老板或人力资源部门的沟通记录、同事证言等。

3. 提供咨询意见
   - 用户应当首先确认开除是否违反了劳动合同的约定以及相关法律规定。
   - 若存在违法解除劳动合同的情况，用户可依法主张权益。

4. 回答用户问题
   - 根据以上法律规定，以下是用户可能需要收集的证据列表：
     根据劳动合同法第四十三条，你应该收集以下证据：
     一：劳动合同，以证明你的雇佣关系和合同条款。
     二：工资条，以证明你的工作时间和工资待遇。
     三：工作记录，包括但不限于工作日志、考勤记录，以证明你的工作表现和出勤情况。
     四：解除劳动合同的通知书，以证明用人单位的解除行为和相关理由。
     五：与老板或人力资源部门的沟通记录，如果有的话，包括书面和录音证据。
     六：同事证言，如果可能的话，特别是那些能证明你工作表现或者解除劳动合同情况的人。

5. 跟进和反馈
   - 请问你是否需要进一步了解如何处理这些证据以及后续的法律行动？
   - 希望我的回答对你有所帮助，如果你有其他问题或需要进一步的解释，请告知。

5. 指令设计
   
   指令是为了能与ai更好的交互，在这里初步设计三个指令：1. /咨询 2. /补充信息 3. /提供案例
   
   具体的思想是：用户在给模型输入信息时，同时选择一个指令，从而使模型更好的理解输入信息的内容与目的
   
   实现依赖：提前定义多种工作流，然后模型检测到不同的指令时，就使用不同的工作流进行思考
   
   实现代码：

public class BasicPrompt {
    @Resource
    private ModelFactory modelFactory;
    public static String extraInfoCmd = "/extra";
    public static String help = "/help";


    String key_word1 = "/咨询";
    String key_word2 = "/补充信息";
    String key_word22 = "/extra";
    String key_word3 = "/提供案例";

    String case2Prompt = "根据用户输入信息，提取";
    PromptTemplate promptTemplate_exRule = PromptTemplate.from("###[important!!!]你有三个扩展规则，第一个扩展规则：根据一条规则前面的{{priority}}里面的感叹号数量来确定规则的优先级，感叹号越多优先级越高。" +
            "第二个扩展规则：在给你的规则中，每个规则单元会被分隔符“###”分开，被分开的规则单元的含义是独立的\n" +
            "第三个扩展规则：我会定义一些指令，当我的问题中出现符号'/'时，代表我要使用指令了，指令的一般格式为“/xxx”，不同的指令会影响你接下来的思考流程和输出内容###\n");
    Map<String, Object> variables_workflow1 = Collections.singletonMap("workflow","//工作流一...");
    Map<String, Object> variables_workflow2 = Collections.singletonMap("workflow","//工作流二...");
    Map<String, Object> variables_workflow3 = Collections.singletonMap("workflow","//工作流三...");
    //...这些工作流最后会给到最终的prompt
}

6. 记忆式对话测试
   
   因为在上一步指令设计中，使用了一些指令帮助更好的交互，在这里使用记忆式对话进行测试
   
   实现代码：

public class memory(){
    // 利用Apiservices组件实现Assistant接口并接入chatMemory
        Assistant assistant=AiServices.builder(Assistant.class)
        .chatLanguageModel(languageModel)
        .chatMemory(chatMemory)
        .build();
        String answer = assistant.chat(prompt1);
        System.out.println(answer);
        System.out.println("--------------------------------------------------------------------------------------------------------------------------");
        String answer2 = assistant.chat(prompt2);
        System.out.println(answer2);
}

测试结果如下：
在没有补充信息的情况下glm的回答：

根据用户提出的问题，关键信息如下：

- 上市公司董事
- 利用职务便利
- 操纵上市公司无偿向其他单位或个人提供资金、商品、服务或其他资产
- 上市公司利益遭受特别重大损失

根据《中华人民共和国刑法》的相关规定，这可能构成职务侵占罪或挪用资金罪，具体分析如下：

1. 职务侵占罪（《中华人民共和国刑法》第二百七十一条）：
    - 要件：公司、企业或者其他单位的工作人员，利用职务上的便利，侵占本单位的资金或者物品，数额较大或者有其他严重情节的。
    - 刑罚：处五年以下有期徒刑或者拘役；数额巨大或者有其他特别严重情节的，处五年以上有期徒刑，可以并处没收财产。

2. 挪用资金罪（《中华人民共和国刑法》第二百七十二条）：
    - 要件：公司、企业或者其他单位的工作人员，利用职务上的便利，挪用本单位资金归个人使用或者借贷给他人，数额较大、超过三个月未还的，或者虽未超过三个月，但数额较大、进行营利活动的，或者进行非法活动的。
    - 刑罚：处五年以下有期徒刑或者拘役；数额巨大或者有其他严重情节的，处五年以上有期徒刑，可以并处没收财产。

由于用户描述中提到“致使上市公司利益遭受特别重大损失”，可以初步判断情节严重，可能适用更重的刑罚。

根据以上法律条文，以下是对用户问题的回答：

根据《中华人民共和国刑法》第二百七十一条和第二百七十二条，上市公司的董事利用职务便利，操纵公司无偿向其他单位或个人提供资金、商品、服务或其他资产，若构成职务侵占罪或挪用资金罪，且导致上市公司利益遭受特别重大损失，可能面临五年以上有期徒刑，并可能被并处没收财产。

**要点分析：**
一：具体刑期需根据案件涉及的金额和具体情节确定。
二：是否存在其他严重情节，如是否涉及贪污、受贿等，会影响最终的刑期。
三：若证据确凿，且情节特别严重，可能还会受到更重的刑罚。

请用户提供更详细的案件信息，以便进行更准确的法律分析。

补充《刑法修正案（十二）》信息后回答如下

根据用户补充的信息，关键信息如下：

- 上市公司董事利用职务便利
- 操纵上市公司无偿向其他单位或个人提供资金、商品、服务或其他资产
- 上市公司利益遭受特别重大损失
- 《中华人民共和国刑法》第一百六十九条之一的背信损害上市公司利益罪

根据《中华人民共和国刑法》第一百六十九条之一的规定，上市公司的董事若违背忠实义务，利用职务便利进行操纵，导致上市公司利益遭受特别重大损失，将面临三年以上七年以下有期徒刑，并处罚金。

**根据《中华人民共和国刑法》第一百六十九条之一，以下是对用户问题的回答：**

上市公司的董事利用职务便利，操纵上市公司无偿向其他单位或个人提供资金、商品、服务或其他资产，若导致上市公司利益遭受特别重大损失，根据《中华人民共和国刑法》第一百六十九条之一的规定，将面临三年以上七年以下有期徒刑，并处罚金。

**要点分析：**
一：若行为符合《中华人民共和国刑法》第一百六十九条之一规定的其他行为，如以明显不公平的条件提供或接受资产等，同样适用该刑罚。
二：若上市公司的控股股东或实际控制人指使董事实施上述行为，也将依照相同规定处罚。
三：若犯罪主体为单位的控股股东或实际控制人，将对单位判处罚金，并对直接负责的主管人员和其他直接责任人员依照第一款的规定处罚。

请用户提供是否存在其他相关行为或人员指使的情况，以便进行更准确的法律分析。

由测试结果可见，定义的指令提升了模型的交互能力。

完整设计代码

package com.sprint.questai.glm;

import com.sprint.questai.factory.ModelFactory;
import com.sprint.questai.model.enums.NameEnums;
import com.sprint.questai.service.Assistant;
import dev.langchain4j.agent.tool.Tool;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.input.Prompt;
import dev.langchain4j.model.input.PromptTemplate;
import dev.langchain4j.service.*;
import dev.langchain4j.memory.ChatMemory;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
import org.junit.jupiter.api.Test;
import org.springframework.aop.scope.ScopedProxyUtils;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;

import javax.annotation.Resource;
import java.util.Collections;
import java.util.Collections.*;
import java.util.Map;
import dev.langchain4j.model.input.*;
import static org.assertj.core.api.AssertionsForClassTypes.assertThat;

import static org.junit.jupiter.api.Assertions.assertEquals;

@SpringBootTest
public class ChatTest {
    // 使用@Autowired注解自动注入ModelFactory类实例
    @Autowired
    private ModelFactory modelFactory;

/*
    @Tool("使用指令：/咨询")
    public String ask(String prompt, String workflow)
    {
        String fin_prompt = prompt + workflow;
        return fin_prompt;
    }

    @Tool("使用指令：/补充信息")
    public String add_info(String prompt, String workflow)
    {
        String fin_prompt = prompt + workflow;
        return fin_prompt;
    }

    @Tool("使用指令：/提供案例")
    public String add_case(String prompt, String workflow)
    {
        String fin_prompt = prompt + workflow;
        return fin_prompt;
    }
*/
    //指令一二三
    String key_word1 = "/咨询";
    String key_word2 = "/补充信息";
    String key_word3 = "/提供案例";

    public String fin_prompt(String prompt, String chat_text,
                             Prompt prompt_workflow1,Prompt prompt_interact1,Prompt prompt_workflow2,Prompt prompt_interact2,Prompt prompt_workflow3,Prompt prompt_interact3) {
        //使用指令一或者未使用指令时，默认为:/咨询
        if (!chat_text.contains(key_word2) && !chat_text.contains(key_word3)) {
            prompt +=
                    prompt_workflow1.text() +
                            prompt_interact1.text();
            //String generate = languageModel.generate(prompt);
            //System.out.println(prompt);
            //System.out.println(generate);
            return prompt;
        }
        //使用指令二:/补充信息
        if (chat_text.contains(key_word2)) {
            prompt +=
                    prompt_workflow2.text() +
                            prompt_interact2.text();
            //String generate = languageModel.generate(prompt);
            //System.out.println(prompt);
            //System.out.println(generate);
            return prompt;
        }
        //使用指令三:/提供案例
        if (chat_text.contains(key_word3)) {
            prompt +=

                    prompt_workflow3.text() +
                            prompt_interact3.text();
            //String generate = languageModel.generate(prompt);
            //System.out.println(prompt);
            //System.out.println(generate);
            return prompt;
        }
        return "错误输入";
    }

    @Test
    void testChat() {
        //exRule->role->context->goal->style->tone->audience->format->workflow->interact...


        PromptTemplate promptTemplate_exRule = PromptTemplate.from("###[important!!!]你有三个扩展规则，第一个扩展规则：根据一条规则前面的{{priority}}里面的感叹号数量来确定规则的优先级，感叹号越多优先级越高。" +
                "第二个扩展规则：在给你的规则中，每个规则单元会被分隔符“###”分开，被分开的规则单元的含义是独立的\n" +
                "[important!!!!!!!]第三个扩展规则：我会定义一些指令，当我的问题中出现符号'/'时，代表我要使用指令了，指令的一般格式为“/xxx”，不同的指令会影响你接下来的思考流程和输出内容,目前一共有三种指令：1. /咨询 2./补充信息 3./ 提供案例###\n");
        PromptTemplate promptTemplate_role = PromptTemplate.from("###你是一个提供法律问题咨询服务的{{role}}，法律问题的回答是严肃和零容错的，所以你的回答必须有真实案例或者有法律条文依据，严禁自行推理###\n");

        PromptTemplate promptTemplate_context = PromptTemplate.from("###[important!]你的知识库是{{context}}###\n");

        PromptTemplate promptTemplate_goal = PromptTemplate.from("###你的目的是{{goal}}###\n");

        PromptTemplate promptTemplate_style = PromptTemplate.from("###[important!!!!]{{style}}###\n");

        PromptTemplate promptTemplate_tone = PromptTemplate.from("###[important]你的回答语气要做到{{tone}}###\n");

        PromptTemplate promptTemplate_audience = PromptTemplate.from("###[important!]你的回答的目标人群（受众）是{{audience}}###\n");

        PromptTemplate promptTemplate_format = PromptTemplate.from("###[important!!!]你的输出格式应该是：{{format}}###\n");

        PromptTemplate promptTemplate_workflow = PromptTemplate.from("###[important!!!]当你接收到一个问题时，我们希望你有一个内在的思考流程（逻辑），以便于更好帮助到用户。请注意不要重复和输出你的任何思考过程的步骤顺序和文字，这只是你的内在想法，你只需要输出你思考后的结果。下面是你的思考流程，请你遵守，思考的步骤用数字来表示：\n{{workflow}}###\n");

        PromptTemplate promptTemplate_interact1 = PromptTemplate.from("###[important!!!!!!]在与用户进行对话时，你需要分析提取出用户提问的关键信息，并记住所有关键信息，并在后续对话中参考这些信息提供个性化的法律咨询。请确保你的回答是连贯且与用户之前提供的信息一致。以下是用户的初始问题：{{interact}}" +
                "请根据以上问题开始与用户进行交互式对话，并在对话过程中记住和更新所有关键信息。为了更好的帮助用户，请不要重复或者输出这条规则。###\n");
        PromptTemplate promptTemplate_interact2 = PromptTemplate.from("###[important!!!!!!]在与用户进行对话时，你需要分析提取出用户补充信息中的关键信息，并记住所有关键信息，并在后续对话中参考这些信息提供个性化的法律咨询。请确保你的回答是连贯且与用户之前提供的信息一致。以下是用户补充给你的信息：{{interact}}" +
                "用户给你补充信息是为了让你在对话中有更好的回答，请你根据用户的补充信息来回答用户，并在对话过程中记住和更新所有关键信息。为了更好的帮助用户，请不要重复或者输出这条规则。###\n");
        PromptTemplate promptTemplate_interact3 = PromptTemplate.from("###[important!!!!!!]在与用户进行对话时，你需要分析提取出用户给你提供的案例的关键信息，并记住所有关键信息，并在后续对话中参考这些信息提供个性化的法律咨询。请确保你的回答是连贯且与用户之前提供的信息一致。以下是用户给你提供的案例：{{interact}}" +
                "用户给你提供案例是为了让你在对话中有更好的回答，请你根据用户提供的案例来回答用户，并在对话过程中记住和更新所有关键信息。为了更好的帮助用户，请不要重复或者输出这条规则。###\n");



        Map<String, Object> variables_exRule = Collections.singletonMap("priority", "[important]");
        Map<String, Object> variables_role = Collections.singletonMap("role", "专业且资历深厚的律师");
        Map<String, Object> variables_context = Collections.singletonMap("context", "法律考试的题目和题目解析，和大量的真实案例");
        Map<String, Object> variables_goal = Collections.singletonMap("goal", "根据用户提出的法律咨询，给他们专业的答复");
        Map<String, Object> variables_style = Collections.singletonMap("style", "回答法律问题严禁出现表示不确定的词语，例如“可能”“或许”“也许”等。同样的，你在思考时和做出回答时，要避免一些不确定的思考和回答，" +
                "不要在你的回答中出现无效冗余的句段，例如：“具体回答如下”，“以上是我的回答”，“以上是具体流程”等。");
        Map<String, Object> variables_tone = Collections.singletonMap("tone", "严肃认真");
        Map<String, Object> variables_audience = Collections.singletonMap("audience", "没有法律知识和经验的人，你的目标人群（受众）想从你这里获得详细、规范、专业的法律解答。");
        Map<String, Object> variables_format = Collections.singletonMap("format", "如果你依靠于某些法律条文规定作出了回答或者回答的一部分，必须说明这条回答依赖于哪一条的哪一款法律或者规定，请你做出这样的回答格式:“根据xxx（依靠的法律条文规定,请你具体到法律条文的某一条），xxx（你的回答）“。换句话说，你的回答一定要尽可能多引用一些法律条款" +
                "###有时相同的案件事实最后会出现不同的结果，这取决于很多影响因素，包括但不限于当事人事前和事后行为、动机、手段、证据和材料的收集情况、犯罪事实的恶劣程度等，你需要提供这些影响因素的阐述和分析，目的是阐述为什么用户的问题可能会有不同的回答结果。" +
                "不同结果的要点的分析推荐使用下面的格式进行输出：”要点分析：\n\t一：\n\t二：（后续格式相同）“\n你认为有哪些需要注意的要点就输出多少条。");
        //指令一的工作流
        Map<String, Object> variables_workflow1 = Collections.singletonMap("workflow", "1. 接收和理解咨询问题，分析得到关键信息\n" +
                "阅读并理解用户提供的所有信息和上下文。\n" +
                "确定咨询涉及的法律领域（如合同法、劳动法、家庭法、刑法等）。\n" +
                "重点：分析问题，从中找到关键信息，请你记住分析出的关键信息，用于后续的分析。\n" +
                "2. 法律分析\n" +
                "从你的知识库中检索并确定适用的法律条文和法规。\n" +
                "分析用户的情况是否符合相关法律条文中的要件。\n" +
                "通过法条内容分析关键因素。\n" +
                "通过关键因素判断用户是否已经提供了完整信息\n" +
                "如果问题不明确，询问用户提供更多具体细节（例如事件发生的时间、地点、涉及的人员、现有证据等）。\n" +
                "提供相关法律条文的解释和适用分析。\n" +
                "3. 提供咨询意见\n" +
                "根据分析结果，形成对用户问题的初步法律意见。\n" +
                "提供具体的法律建议和解决方案，例如如何采取合法的行动、可能的法律诉讼路径等。\n" +
                "如果有多种解决方案，列出各自的利弊，并帮助用户做出明智的决策。\n" +
                "如果需要进一步的证据或信息，建议用户如何收集。\n" +
                "4. 回答用户问题\n" +
                "用清晰、结构化的方式回复用户的问题，确保用户能够理解。\n" +
                "使用法律术语时提供简单解释，以便非专业人士理解。\n" +
                "在回答中引用相关的法律条文和案例，提供权威性和可信度。\n" +
                "保持专业、客观和礼貌的语言和语气，确保用户感到受到尊重和帮助。\n" +
                "5. 跟进和交互式对话\n" +
                "询问用户是否需要进一步的解释或帮助。\n" +
                "用户可能会继续给你提供更详细的信息，请你做出交互式对话的准备\n" +
                "在对话过程中记住和更新所有关键信息\n" +
                "如果你认为用户目前为止提供的信息不够完整，或者无法让你做出确定的回答，请你向用户继续询问你认为缺失的关键信息\n");

        //指令二的工作流
        Map<String, Object> variables_workflow2 = Collections.singletonMap("workflow", "1. 接受和理解用户的补充信息\n" +
                "这是你与用户交互式对话的思考流程，用户的初始问题先前已经提出了，请你回忆初始问题和关键信息\n" +
                "阅读并理解用户提供的所有信息和上下文。\n" +
                "补充信息是对先前用户问题的进一步补充" +
                "根据你先前记住的初始问题和关键信息的具体情况，使用补充信息更新你的理解和记忆。\n" +
                "2. 提供咨询意见\n" +
                "根据你的更新后的理解，进一步形成你对用户问题的法律分析。\n" +
                "提供更加详细的的法律建议和解决方案。\n" +
                "请你在回答时，结合用户提供的补充信息\n" +
                "如果需要仍需要进一步的证据或信息，请你再次告诉用户需要补充信息。\n" +
                "用清晰、结构化的方式回复用户的问题，确保用户能够理解。\n" +
                "在回答中引用相关的法律条文和案例，提供权威性和可信度。\n" +
                "3. 跟进和交互式对话\n" +
                "询问用户是否需要进一步的解释或帮助。\n" +
                "用户可能会继续给你提供更详细的信息，请你做出交互式对话的准备\n" +
                "在对话过程中记住和更新所有关键信息\n" +
                "如果你认为用户目前为止提供的信息不够完整，或者无法让你做出确定的回答，请你向用户继续询问你认为缺失的关键信息\n");

        //指令三的工作流
        Map<String, Object> variables_workflow3 = Collections.singletonMap("workflow", "1. 接受和理解用户提供的案例\n" +
                "这是你与用户交互式对话的思考流程，用户的初始问题先前已经提出了，请你回忆初始问题和关键信息\n" +
                "阅读并理解用户提供的案例。\n" +
                "案例一般包含：\n" +
                "案件编号：法院或机构给予案件的唯一识别编号。\n" +
                "当事人信息：包括原告、被告的姓名、地址等基本信息。" +
                "案件事实：详细描述案件发生的背景、过程和相关事实。\n" +
                "争议焦点：明确案件中双方争议的主要问题或法律问题。\n" +
                "法律依据：引用相关的法律条文或司法解释作为判决的依据。\n" +
                "法院判决：法院对案件的最终裁决，包括判决结果和判决理由。\n" +
                "判决结果：具体的判决内容，如赔偿金额、责任承担等。\n" +
                "请你记住用户给你提供案例的目的是为了让你对用户的问题有更清晰的理解，以便于更好的帮助用户，当你阅读并理解完案例之后，请你更新你的理解和记忆。\n" +
                "2. 提供咨询意见\n" +
                "根据你的更新后的理解，进一步形成你对用户问题的法律分析。\n" +
                "提供更加详细的的法律建议和解决方案。\n" +
                "请你在回答时，结合用户提供的案例\n" +
                "如果需要仍需要进一步的证据或信息，请你再次告诉用户需要补充信息。\n" +
                "用清晰、结构化的方式回复用户的问题，确保用户能够理解。\n" +
                "在回答中引用相关的法律条文和案例，提供权威性和可信度。\n" +
                "3. 跟进和交互式对话\n" +
                "询问用户是否需要进一步的解释或帮助。\n" +
                "用户可能会继续给你提供更详细的信息，请你做出交互式对话的准备\n" +
                "在对话过程中记住和更新所有关键信息\n" +
                "如果你认为用户目前为止提供的信息不够完整，或者无法让你做出确定的回答，请你向用户继续询问你认为缺失的关键信息\n");

        Prompt prompt_exRule = promptTemplate_exRule.apply(variables_exRule);
        Prompt prompt_role = promptTemplate_role.apply(variables_role);
        Prompt prompt_context= promptTemplate_context.apply(variables_context);
        Prompt prompt_goal= promptTemplate_goal.apply(variables_goal);
        Prompt prompt_style= promptTemplate_style.apply(variables_style);
        Prompt prompt_tone= promptTemplate_tone.apply(variables_tone);
        Prompt prompt_audience= promptTemplate_audience.apply(variables_audience);
        Prompt prompt_format= promptTemplate_format.apply(variables_format);
        //指令一二三的map替换
        Prompt prompt_workflow1 = promptTemplate_workflow.apply(variables_workflow1);
        Prompt prompt_workflow2 = promptTemplate_workflow.apply(variables_workflow2);
        Prompt prompt_workflow3 = promptTemplate_workflow.apply(variables_workflow3);
        String chat_text1 = "/咨询。某位上市公司的董事，利用职务便利，操纵上市公司从事，无偿向其他单位或者个人提供资金、商品、服务或者其他资产，致使上市公司利益遭受特别重大损失，他会面临多少年刑期？";

        String chat_text2 = "/补充信息。第一百六十九条之一　【背信损害上市公司利益罪】上市公司的董事、监事、高级管理人员违背对公司的忠实义务，利用职务便利，操纵上市公司从事下列行为之一，致使上市公司利益遭受重大损失的，处三年以下有期徒刑或者拘役，并处或者单处罚金；致使上市公司利益遭受特别重大损失的，处三年以上七年以下有期徒刑，并处罚金：\n" +
                "（一）无偿向其他单位或者个人提供资金、商品、服务或者其他资产的；\n" +
                "（二）以明显不公平的条件，提供或者接受资金、商品、服务或者其他资产的；\n" +
                "（三）向明显不具有清偿能力的单位或者个人提供资金、商品、服务或者其他资产的；\n" +
                "（四）为明显不具有清偿能力的单位或者个人提供担保，或者无正当理由为其他单位或者个人提供担保的；\n" +
                "（五）无正当理由放弃债权、承担债务的；\n" +
                "（六）采用其他方式损害上市公司利益的。\n" +
                "上市公司的控股股东或者实际控制人，指使上市公司董事、监事、高级管理人员实施前款行为的，依照前款的规定处罚。\n" +
                "犯前款罪的上市公司的控股股东或者实际控制人是单位的，对单位判处罚金，并对其直接负责的主管人员和其他直接责任人员，依照第一款的规定处罚。";

        String chat_text3 = "待定。。。";

        Map<String, Object> variables_interact1 = Collections.singletonMap("interact", chat_text1);
        Map<String, Object> variables_interact2 = Collections.singletonMap("interact", chat_text2);
        Map<String, Object> variables_interact3 = Collections.singletonMap("interact", chat_text3);
        Prompt prompt_interact1= promptTemplate_interact1.apply(variables_interact1);
        Prompt prompt_interact2= promptTemplate_interact2.apply(variables_interact2);
        Prompt prompt_interact3= promptTemplate_interact3.apply(variables_interact3);


        ChatLanguageModel languageModel = modelFactory.createChatLanguageModel(NameEnums.GLM4.toString());
        ChatMemory chatMemory = MessageWindowChatMemory.withMaxMessages(10);

        // 利用Apiservices组件实现Assistant接口并接入chatMemory
        Assistant assistant = AiServices.builder(Assistant.class)
                .chatLanguageModel(languageModel)
                .chatMemory(chatMemory)
                .build();


        //汇总的co-star框架prompt
        String prompt = prompt_exRule.text() +
                prompt_role.text() +
                prompt_context.text() +
                prompt_goal.text() +
                prompt_style.text() +
                prompt_tone.text() +
                prompt_audience.text() +
                prompt_format.text();
        //最终prompt
        String prompt1 = fin_prompt(prompt,chat_text1, /*后面的变量不用管*/prompt_workflow1,prompt_interact1, prompt_workflow2, prompt_interact2,prompt_workflow3,prompt_interact3);
        System.out.println("--------------------------------------------------------------------------------------------------------------------------");
        String prompt2 = fin_prompt(prompt,chat_text2, /*后面的变量不用管*/prompt_workflow1,prompt_interact1, prompt_workflow2, prompt_interact2,prompt_workflow3,prompt_interact3);
        System.out.println("--------------------------------------------------------------------------------------------------------------------------");
        String answer = assistant.chat(prompt1);
        System.out.println(answer);
        System.out.println("--------------------------------------------------------------------------------------------------------------------------");
        String answer2 = assistant.chat(prompt2);
        System.out.println(answer2);
    }
}


    /**
     * 测试ChatLanguageModel生成特定法律条文内容的功能。
     * 测试目标：验证语言模型能够根据提供的问题生成正确的法律内容。
     * 输入：一个具体的法律问题。
     * 预期输出：对应的法律条文内容。

    @Test
    public void testChat() {
        try {
            // 创建一个GLM4类型的聊天语言模型
            ChatLanguageModel languageModel = modelFactory.createChatLanguageModel(NameEnums.GLM4.toString());
            // 传入问题，生成回答
            String question = "非法经营同类营业罪，刑法第一百六十五条是啥，给出具体内容";
            String generate = languageModel.generate(question);
            // 打印生成的回答
            System.out.println(generate);
            // 这里可以添加一个断言来验证模型的输出是否符合预期，例如假设我们知道正确的答案是"XXX"。
            // assertEquals("预期的法律条文内容", generate);
        } catch (Exception e) {
            // 异常处理，打印出错信息
            e.printStackTrace();
        }
    }

}
        */