一、工具(Function Calling)简介
Spring AI Alibaba工具(Function Calling)：https://java2ai.com/docs/1.0.0-M6.1/tutorials/function-calling/
1、工具(Function Calling)
“工具（Tool）”或“功能调用（Function Calling）”允许大型语言模型（LLM）在必要时调用一个或多个可用的工具，这些工具通常由开发者定义。工具可以是任何东西：网页搜索、对外部 API 的调用，或特定代码的执行等。
LLM 本身不能实际调用工具；相反，它们会在响应中表达调用特定工具的意图（而不是以纯文本回应）。然后，我们应用程序应该执行这个工具，并报告工具执行的结果给模型。
通过在请求中声明一个或多个工具，当 LLM 可以访问工具时，它可以在合适的情况下决定调用其中一个工具，这是一个非常强大的功能。
比如说，googleSearch 和 sendEmail 工具，并且有一个查询像是“我的朋友想了解 AI 领域的最新新闻。将简短的总结发送到 email.com”，那么它可以使用 googleSearch 工具查找最新新闻，然后总结这些信息并通过 sendEmail 工具将总结发送到指定的邮箱。
2、API 概览
通常，自定义函数需要提供一个 name、description 和 function call signature，以便模型知道函数能做什么、期望的输入参数。
Spring AI 使这一过程变得简单，只需定义一个返回 java.util.Function 的 @Bean 定义，并在调用 ChatModel 时将 bean 名称作为选项进行注册。
在底层，Spring 会用适当的适配器代码包装你的 POJO（即函数），以便与 AI 模型进行交互，免去了编写繁琐的样板代码。FunctionCallback.java 接口和配套的 FunctionCallbackWrapper.java 工具类包含了底层实现代码，它们是简化 Java 回调函数的实现和注册的关键。
二、工具(Function Calling)使用
示例需求： 我们将创建一个聊天机器人，通过调用我们自己的函数来回答问题。
为了支持聊天机器人的响应，我们将注册一个自己的函数，该函数接受位置信息并返回该位置的天气。
当模型需要回答诸如 “What’s the weather like in Boston?” 这样的问题时，AI 模型将调用客户端，将位置值作为参数传递给函数。这种类似 RPC 的数据将以 JSON 格式传递。
我们的函数调用某个基于 SaaS 的天气服务 API，并将天气响应返回给模型以完成对话。
1、自定义函数
使用 ToolCallback接口。
这里定义一个 RealTimeWeatherFunction函数来获取实时天气信息。
/**
* 获取实时天气信息
*/
@Slf4j
@Component
public class RealTimeWeatherFunction implements ToolCallback {
@Override
public ToolDefinition getToolDefinition() {
ToolDefinition toolDefinition = DefaultToolDefinition.builder()
//.name(getName())
.name("realTimeWeatherFunction")
.description("获取实时天气信息")
// inputSchema值为：JSON字符串
.inputSchema("""
{
"city": {
"type": "string",
"description": "城市名"
},
"days": {
"type": "integer",
"description": "天数"
},
"hours": {
"type": "integer",
"description": "小时数"
}
}
""")
.build();
log.info("RealTimeWeatherFunction --> getToolDefinition方法，toolDefinition = {}", toolDefinition);
return toolDefinition;
}
/**
* @param toolInput JSON字符串为 getToolDefinition方法中定义的 inputSchema
* model.
* @return
*/
@NotNull
@Override
public String call(String toolInput) {
log.info("RealTimeWeatherFunction --> call方法，toolInput = {}", toolInput);
if (StringUtils.isBlank(toolInput)) {
return null;
}
// TODO 模拟西安未来5天天气状况的数据
String weatherData = getWeatherData();
return weatherData;
}
public String getWeatherData(){
return """
嗯，用户问的是西安未来24小时和15天的天气情况，我得先看看搜索结果里的各个网页内容。首先，今天是2025年3月25日，所以得找最新的信息。
网页1提到从3月26日开始陕西会有寒潮，大风沙尘天气，最高气温降幅可达20℃。不过用户关心的是未来24小时，也就是到3月26日的天气。网页1里的西安三日天气显示，今天（25日）晴，14℃～29℃；明天（26日）多云，14℃～25℃。不过这个网页的发布时间是3月25日8点21分，应该是最新的。
网页2是天气网的7天预报，显示25日（今天）晴，27/13℃，也就是最高27℃，最低13℃？不过网页1里的今天温度是14℃～29℃，这可能存在矛盾。需要确认哪个更准确。网页3发布于3月25日0点，提到今天（25日）晴天间多云，16时气温21.2℃~32℃，可能用户所在时间不同，但今天白天的最高气温在网页3里提到是29℃。而网页7提到3月25日西安最高气温可达29℃，所以可能网页1的今天温度是14℃～29℃，但实际可能更高，比如网页7提到24日最高气温32℃，25日可达29℃。但用户问的是未来24小时，也就是从今天3月25日到3月26日的天气。
网页2的天气预报显示26日多云，26/11℃，也就是最高26℃，最低11℃，但网页1里的明天（26日）是14℃～25℃，这里也有不一致。可能网页1的数据更准确，但需要结合其他网页。
网页3提到26日夜间至28日有寒潮，26日夜间开始降温，风力加大到4-5级，阵风6级以上，并伴有沙尘。所以未来24小时可能包括26日白天，而26日白天可能多云，温度在25℃左右，但到夜间开始降温。网页3的具体预报显示26日晴转多云，夜间有5级阵风，浮尘，12℃～27℃。所以未来24小时到26日晚上，温度可能在12℃到27℃之间，但夜间开始降温，并有大风和沙尘。
关于15天的天气，网页2提供了7天的预报，但用户需要15天。不过搜索结果里没有直接的15天数据，可能需要根据现有的7天预报和趋势来推断。网页2的7天预报显示到31日都是多云或阴天，气温逐渐回升，但可能之后会有更多变化，但具体无法确定。网页6提到寒潮影响持续到3月30日左右，最低气温出现在29日夜间到30日凌晨。网页3的预报显示到31日气温回升到4℃～18℃，但可能之后继续回升。不过只能根据现有数据尽量总结。
此外，沙尘和霜冻的情况需要注意。网页1、3、5、6都提到沙尘天气，尤其是26日至27日。霜冻出现在27日至31日，尤其是山区。森林火险红色预警在网页4提到，需要注意防火。
综合以上信息，未来24小时应该是今天（25日）晴，高温29℃，夜间转多云，26日白天多云，可能有浮尘，温度在14℃到25℃之间，但夜间开始剧烈降温，风力加大。而15天的天气可能前7天有详细数据，后续只能根据趋势推测，但需要说明可能的不确定性。
""";
}
}
函数调用某个天气服务 API逻辑替换为 同样的用户问题返回 deepseek的推理信息。
deepseek的推理信息如下：
2、编写 Controller接口
在 Prompt 请求中指定函数有几种方式：
- 全局设置默认函数集合
- ChatModel请求中指定函数集合
在普通 Controller Bean 中注入 ChatModel 实例，并为 Prompt 指定函数，实现下面几个功能：
- 简单调用
- 流式调用
/**
* “工具（Tool）”或“功能调用（Function Calling）”允许大型语言模型（LLM）在必要时调用一个或多个可用的工具，这些工具通常由开发者定义。
*
*/
@Slf4j
@RestController
@RequestMapping("/dashscope/function-calling")
public class DashScopeFunctionCallingController {
private final ChatModel dashScopeChatModel;
/**
* 使用如下的方式自动注入 ChatModel
*
* @param chatModel
*/
public DashScopeFunctionCallingController(ChatModel chatModel) {
this.dashScopeChatModel = chatModel;
}
/**
* 编程方式自行创建一个 ChatClient.Builder 实例.
* 使用自动注入 ChatModel
*
* @param chatModel
*/
//public DashScopeFunctionCallingController(ChatModel chatModel) {
//
// this.dashScopeChatModel = chatModel;
//
// // 构造时，可以设置 ChatClient 的参数
// // {@link org.springframework.ai.chat.client.ChatClient};
// this.dashScopeChatClient = ChatClient.builder(chatModel)
// // 实现 Chat Memory 的 Advisor
// // 在使用 Chat Memory 时，需要指定对话 ID，以便 Spring AI 处理上下文。
// .defaultAdvisors(
// new MessageChatMemoryAdvisor(new InMemoryChatMemory())
// )
// // 实现 Logger 的 Advisor
// .defaultAdvisors(
// new SimpleLoggerAdvisor()
// )
// // 设置 ChatClient 中 ChatModel 的 Options 参数
// .defaultOptions(
// DashScopeChatOptions.builder()
// .withTopP(0.7)
// .build()
// )
// // 设置默认 System Message
// //.defaultSystem("你是一个AI搞笑段子手，以搞笑，幽默，风趣的风格回答所有的问题。")
// // 设置默认函数集合
// //.defaultFunctions("")
// .build();
//}
/**
* 简单调用方式
*/
@GetMapping("/simple/chat")
public String simpleChat(@RequestParam(defaultValue = "西安未来5天天气状况") String userInputPrompt) {
// 指定参数
DashScopeChatOptions chatOptions = DashScopeChatOptions.builder()
// 指定使用的模型
.withModel(DashScopeApi.ChatModel.QWEN_PLUS.getModel())
// 指定函数调用
.withFunction("realTimeWeatherFunction")
.build();
ChatResponse chatResponse = dashScopeChatModel.call(
new Prompt(userInputPrompt, chatOptions)
);
String aiOutput = chatResponse.getResult().getOutput().getText();
log.info("simpleChat --> userInputPrompt = {}, aiOutput = {}", userInputPrompt, aiOutput);
return aiOutput;
}
/**
* Stream 流式调用。
* 可以使大模型的输出信息实现打字机效果。
*/
@GetMapping("/stream/chat")
public Flux<String> streamChat(HttpServletResponse response, @RequestParam(defaultValue = "西安未来5天天气状况") String userInputPrompt) {
// 避免接口返回乱码
response.setCharacterEncoding("UTF-8");
// 指定参数
DashScopeChatOptions chatOptions = DashScopeChatOptions.builder()
// 指定使用的模型
.withModel(DashScopeApi.ChatModel.QWEN_PLUS.getModel())
// 指定函数调用
.withFunction("realTimeWeatherFunction")
.build();
log.info("streamChat --> userInputPrompt = {},", userInputPrompt);
Flux<ChatResponse> stream = dashScopeChatModel.stream(
new Prompt(userInputPrompt, chatOptions)
);
Flux<String> flux = stream.map(chatResponse -> chatResponse.getResult().getOutput().getText());
return flux;
}
}
deepseek的回答如下：
启动项目，访问接口与 AI 大模型智能对话。
自定义函数的调用信息：
- getToolDefinition方法：项目启动会调用一次，接口访问一次会调用多次。
- call方法：项目启动没有调用，接口访问一次会调用一次，并接收到 String toolInput参数（inputSchema的Json数据）。
– 求知若饥，虚心若愚。