系列文章目录
第一篇 AI 数据治理：LangChain4J 文本分类器在字段对标中的高级玩法
第二篇 LangChain4J + OpenTelemetry：AI 调用全链路可观测方案
第三篇 企业级 Neo4j GraphRAG：向量检索 + 图谱扩散怎么融合？Neo4j GraphRAG 给你答案
第四篇 多模型路由 + Resilience4j 熔断降级，Java 大模型服务的降级与兜底体系
第五篇「企业级智能体」LangChain4j Multi-Agent：角色分离 + 协同编排实战
第六篇 LangChain4j + MCP：从工具协议到生产级 Agent
第七篇 企业级 Prompt 管理中心：实验分流 + 曝光埋点 + 可回溯，版本化/AB/DSL/可观测全齐
文章目录
- 系列文章目录
- 前言：为什么企业需要 Prompt 管理中心？
- 一、整体架构与数据模型
- 1.1 整体链路（从请求到答案）
- 1.2 四张核心表
- 二、代码实践
- 2.1 启动类
- 2.2 配置层：LangChain4J + MyBatis-Plus
- 2.2.1 OpenAI 配置属性
- 2.2.2 LangChain4J ChatModel Bean
- 2.2.3 MyBatis-Plus 自动填充 createdAt/updatedAt
- 2.3 DTO：对外 API 入参出参
- 2.4 实体与 Mapper（MyBatis-Plus）
- 2.4.1 实体：PromptTemplateDO
- 2.4.2 实体：ExperimentDO / VariantDO / ExposureDO
- 2.4.3 Mapper
- 2.5 核心服务：版本化 / 实验分流 / DSL / 曝光埋点 / 调用模型
- 2.5.1 Prompt 版本化服务
- 2.5.2 Prompt DSL：Mustache 渲染器
- 2.5.3 AB 实验：一致性分桶
- 2.5.4 人群圈选（SpEL）
- 2.5.5 实验解析服务（ExperimentService）
- 2.5.6 实验管理（创建/启动/暂停/结束）
- 2.5.7 曝光埋点服务（ExposureService）
- 2.5.8 PromptResolver：实验命中 → 取版本 → DSL 渲染 → 返回
- 2.5.9 LangChainChatService：曝光埋点 + 调用模型
- 2.6 Controller：对外接口（管理端 + 对话端）
- 2.6.1 ChatController
- 2.6.2 PromptAdminController
- 2.6.3 ExperimentAdminController
- 2.7 application.properties（MySQL + Flyway + 运行配置）
- 2.8 建表脚本（V1__init.sql）
- 2.9 pom依赖
- 2.10 完整功能测试：curl 一把跑通（实验分流 + 曝光埋点）
- 总结
前言：为什么企业需要 Prompt 管理中心？
很多团队把大模型接入做成一个 ChatController -> ChatModel 就上线了，但运行一段时间很快会遇到三类问题：
- Prompt 无法版本化：一改 Prompt 就“线上回答风格突变”，无法回滚，也无法对比效果
- 无法做 AB Test：不知道新 Prompt 到底是提升还是变差，只能拍脑袋上线
- Prompt 维护成本高：大量 Prompt 分散在代码里/配置里，无法统一管理、审核、发布、统计
企业级落地的核心不是“能调用模型”，而是：让 Prompt 可治理、可灰度、可回溯、可评估。
这篇文章给你一套可运行的工程化方案：
✅ Prompt 版本化 + 发布（ACTIVE/ARCHIVED）
✅ 实验分流（权重 0~10000）+ 人群圈选（SpEL）
✅ Prompt DSL（Mustache）渲染
✅ 曝光记录落库（requestId 级追踪）
✅ LangChain4J 统一对话入口
一、整体架构与数据模型
1.1 整体链路（从请求到答案）
用户请求 /api/chat ↓ PromptResolver.
