8. Spring AI tools/function-call
@[toc]
链接多个模型协调工作实战 - 初代tools：
背景：
大模型如果它无法和企业API互联那将毫无意义！ 比如我们开发一个智能票务助手， 当用户需要退票， 基础大模型它肯定做不到， 因为票务信息都存在了我们系统中， 必须通过我们系统的业务方法才能进行退票。 那怎么能让大模型"调用"我们自己系统的业务方法呢？ 今天叫大家通过结构化输入连接多个模型一起协同完成这个任务：
票务助手
效果
输入姓名和预定号：
普通对话：
代码：
java
public class AiJob {
record Job(JobType jobType, Map<String,String> keyInfos) {
}
public enum JobType{
CANCEL,
QUERY,
OTHER,
}
}
java
/**
*
*/
@Configuration
public class AiConfig {
@Bean
public ChatClient planningChatClient(DashScopeChatModel chatModel,
DashScopeChatProperties options,
ChatMemory chatMemory) {
DashScopeChatOptions dashScopeChatOptions = DashScopeChatOptions.fromOptions(options.getOptions());
dashScopeChatOptions.setTemperature(0.7);
return ChatClient.builder(chatModel)
.defaultSystem("""
# 票务助手任务拆分规则
## 1.要求
### 1.1 根据用户内容识别任务
## 2. 任务
### 2.1 JobType:退票(CANCEL) 要求用户提供姓名和预定号， 或者从对话中提取；
### 2.2 JobType:查票(QUERY) 要求用户提供预定号， 或者从对话中提取；
### 2.3 JobType:其他(OTHER)
""")
.defaultAdvisors(
MessageChatMemoryAdvisor.builder(chatMemory).build()
)
.defaultOptions(dashScopeChatOptions)
.build();
}
@Bean
public ChatClient botChatClient(DashScopeChatModel chatModel,
DashScopeChatProperties options,
ChatMemory chatMemory) {
DashScopeChatOptions dashScopeChatOptions = DashScopeChatOptions.fromOptions(options.getOptions());
dashScopeChatOptions.setTemperature(1.2);
return ChatClient.builder(chatModel)
.defaultSystem("""
你是XS航空智能客服代理， 请以友好的语气服务用户。
""")
.defaultAdvisors(
MessageChatMemoryAdvisor.builder(chatMemory).build()
)
.defaultOptions(dashScopeChatOptions)
.build();
}
}
java
@RestController
public class MultiModelsController {
@Autowired
ChatClient planningChatClient;
@Autowired
ChatClient botChatClient;
@GetMapping(value = "/stream", produces = "text/stream;charset=UTF8")
Flux<String> stream(@RequestParam String message) {
// 创建一个用于接收多条消息的 Sink
Sinks.Many<String> sink = Sinks.many().unicast().onBackpressureBuffer();
// 推送消息
sink.tryEmitNext("正在计划任务...<br/>");
new Thread(() -> {
AiJob.Job job = planningChatClient.prompt().user(message)
.call().entity(AiJob.Job.class);
switch (job.jobType()){
case CANCEL ->{
System.out.println(job);
// todo.. 执行业务
if(job.keyInfos().size()==0){
sink.tryEmitNext("请输入姓名和订单号.");
}
else {
sink.tryEmitNext("退票成功!");
}
}
case QUERY -> {
System.out.println(job);
// todo.. 执行业务
sink.tryEmitNext("查询预定信息：xxxx");
}
case OTHER -> {
Flux<String> content = botChatClient.prompt().user(message).stream().content();
content.doOnNext(sink::tryEmitNext) // 推送每条AI流内容
.doOnComplete(() -> sink.tryEmitComplete())
.subscribe();
}
default -> {
System.out.println(job);
sink.tryEmitNext("解析失败");
}
}
}).start();
return sink.asFlux();
}
}tools/function-call
想做企业级智能应用开发， 你肯定会有需求要让大模型和你的企业 API 能够互连，
因为对于基础大模型来说， 他只具备通用信息，他的参数都是拿公网进行训练，并且有一定的时间延迟， 无法得知一些具体业务数据和实时数据， 这些数据往往被各软件系统存储在自己数据库中：
比如我问大模型："中国有多少个叫徐庶的" 他肯定不知道， 我们就需要去调用政务系统的接口。
比如我现在开发一个智能票务助手， 我现在跟AI说需要退票， AI怎么做到呢？ 就需要让AI调用我们自己系统的退票业务方法，进行操作数据库。
在之前我们可以通过链接多个模型的方式达到， 但是很麻烦， 那用tools， 可以轻松完成。
tool calling也可以直接叫tool（也称为function-call）, 主要用于提供大模型不具备的信息和能力：
- **信息检索：**可用于从外部源（如数据库、Web 服务、文件系统或 Web 搜索引擎）检索信息。目标是增强模型的知识，使其能够回答无法回答的问题。例如，工具可用于检索给定位置的当前天气、检索最新的新闻文章或查询数据库以获取特定记录。 这也是一种检索增强方式。
- **采取行动：**例如发送电子邮件、在数据库中创建新记录、提交表单或触发工作流。目标是自动执行原本需要人工干预或显式编程的任务。例如，可以使用工具为与聊天机器人交互的客户预订航班，在网页上填写表单等。
需要使用tools必须要先保证大模型支持。 比如ollama列出了支持tool的模型
使用
- 声明 tools (大模型调用的方法工具)的类:
java
@Service // 注意要注入到 IOC容器当中
class NameCountsTools {
// @Tool 注解表示，告诉大模型提供的方法类，可以被你大模型调用使用，标识是可以被大模型调用的方法工具
@Tool(description = "长沙有多少名字的数量")
String LocationNameCounts(
// @ToolParam()使用该上述 @Tool标识的方法，要那些参数才可以调用，大模型会自动从用户的历史对话当中提取
// 出需要的"名字"信息，然后作为参数,去调用该 @Tool()标识的方法工具，如果用户对话当中没有提供
// 大模型就会告知用户需要提供"名字"
@ToolParam(description = "名字,可以是英文名") // description = "名字,可以是英文名" 这个是用于让大模型识别，
// 从而正确的从用户的历史对话当中提取的，赋值上去。
String name) {
return "10个";
}
}-
将Tool类配置为bean（非必须）
-
@Tool 用户告诉大模型提供了什么工具
-
@ToolParam 用于告诉大模型你要用这个工具需要什么参数（非必须）
-
将上面声明的 Tools 类 绑定到 ChatClient(对应的大模型当中去)
java
@SpringBootTest
public class ToolTest {
ChatClient chatClient;
@BeforeEach
public void init(@Autowired
DashScopeChatModel chatModel,
@Autowired // 因为 NameCountsTools Tools 工具类，已经被我们加入到了IOC容器了
NameCountsTools nameCountsTools) {
chatClient = ChatClient.builder(chatModel)
.defaultTools(nameCountsTools) // 给大模型附加上我们的 Tools 工具类
.build();
}
@Test
public void testChatOptions() {
String content = chatClient.prompt()
.user("长沙有多少个叫徐庶的/no_think")
// .tools() 也可以单独绑定当前对话，绑定上 Tools 工具类
.call()
.content();
System.out.println(content);
}
}
原理
- 当我们设置了defaultTools 相当于就告诉了大模型我提供了什么工具， 你需要用我的工具必须给我什么参数， 底层实际就是将这些信息封装了json提供给大模型
- 当大模型识别到我们的对话需要用到工具， 就会响应需要调用tool
源码
tools注意事项：
- 参数或者返回值不支持：
推荐： pojo record java基础类型 list map
- Tools参数无法自动推算问题
问题：大模型无法将我们历史对话当中的信息，赋值转换到我们对应的 name 属性值当中。
- 温度（即模型随机性）太低，AI可能缺失自由度变得比较拘谨（从一定程度可以解决， 但是不推荐）
- 也可以通过描述 @ToolParam(description = "经度") 和@Tool(description) 的 description 的值 更加明确
java
@Tool(description = "获取指定位置天气,根据位置自动推算经纬度")
public String getAirQuality(@ToolParam(description = "纬度") double latitude,
@ToolParam(description = "经度") double longitude) {
return "天晴";
}- 大模型"强行适配"Tool参数的幻觉问题
问题：就是比如大模型将我们 的 "男，女"识别成了我们的姓名 name 赋值上了。
- 加严参数描述与校验
java
@Parameter(description = "真实人名（必填，必须为人的真实姓名，严禁用其他信息代替；如缺失请传null）")
String name- 后端代码加强校验和兜底保护，比较稳，靠谱的方案。
- 系统 Prompt 设定限制
java
"严禁随意补全或猜测工具调用参数。
参数如缺失或语义不准，请不要补充或随意传递，请直接放弃本次工具调用。"- 特别：高风险接口（如资金、风控等）tools方法加强人工确认，多走一步校验。
- 工具暴露的接口名、方法名、参数名要可读、业务化
- AI是"看"你的签名和注释来决定用不用工具的；
- 尽量避免乱码、缩写等。
- 方法参数数量不宜过多
- 建议每个工具方法尽量少于5个参数，否则AI提示会变复杂、出错率高。
工具方法不适合做超耗时操作， 更长的耗时意味着用户延迟响应时间变长，
性能优化 能异步处理就异步处理、 查询数据 redis
6. 关于Tools的权限控制 可以利用SpringSecurity限制
java
@Tool(description = "退票")
@PreAuthorize("hasRole('ADMIN')")
public String cancel(
// @ToolParam告诉大模型参数的描述
@ToolParam(description = "预定号，可以是纯数字") String ticketNumber,
@ToolParam(description = "真实人名（必填，必须为人的真实姓名，严禁用其他信息代替；如缺失请传null）") String name
) {
// 当前登录用户名
String username = SecurityContextHolder.getContext().getAuthentication().getName();
// 先查询 --->先校验
ticketService.cancel(ticketNumber, name);
return username+"退票成功！";
}将tools和权限资源一起存储， 然后动态设置tools
java
.defaultToolCallbacks(toolService.getToolCallList(toolService))根据当前用户读取当前用户所属角色的所有tools
java
public List<ToolCallback> getToolCallList(ToolService toolService) {
// 1 获取 Tools 处理的方法
Method method = ReflectionUtils.findMethod(ToolService.class, "cancel",String.class,String.class);
// 构建 Tool 定义信息 动态配置的方式 @Tool @ToolParam 都无效
ToolDefinition toolDefinition = ToolDefinition.builder()
.name("cancel")
.description("退票") // 对应@Tool注解当中的 description
// 对应@ToolParam() 注解
.inputSchema("""
{
"type": "object",
"properties": {
"ticketNumber": {
"type": "string",
"description": "预定号，可以是纯数字"
},
"name": {
"type": "string",
"description": "真实人名"
}
},
"required": ["ticketNumber", "name"]
}
""")
.build();
// 一个 ToolCallback 对应一个 tool
ToolCallback toolCallback = MethodToolCallback.builder()
.toolDefinition(toolDefinition) // 将对应的 toolDefinition = @ToolParam 传入
.toolMethod(method) // method = @Tools 配置
.toolObject(toolService) // 不能自己 new ，自己 new 的无法解析依赖注入
.build();
return List.of(toolCallback);
}- tools过多导致AI出现选择困难证
问题： a. token上限 b. 选择困难证 tools的描述作用 保存 向量数据库。 实现方式：
- 把所有的tools描述信息存入到向量数据库，做相似性检索。
- 每次对话的时候根据当前对话信息检索到相似的tools（RAG）
- 然后动态设置tools
最后：
"在这个最后的篇章中，我要表达我对每一位读者的感激之情。你们的关注和回复是我创作的动力源泉，我从你们身上吸取了无尽的灵感与勇气。我会将你们的鼓励留在心底，继续在其他的领域奋斗。感谢你们，我们总会在某个时刻再次相遇。"
