当前位置：首页 > news >正文

第十二篇：Spring AI 实战 12｜Function Calling（工具调用）：让 AI 拥有“动手能力”

news 2026/6/15 5:16:12

前言

在上一章中，我们通过 ChatMemory 让 AI 拥有了“记忆力”。但在真实的企业级业务中，大模型存在天然的局限性：它无法获取实时的业务数据、无法精确执行复杂的内部逻辑，更无法直接操作你的数据库。
为了让 AI 从“只能说”进化到“能做事”，Spring AI 提供了强大的 Function Calling（工具调用）机制。
核心原理：我们在本地定义好 Java 方法，并将这些方法的描述（Schema）告诉大模型。当用户提问时，大模型会根据语义判断是否需要调用工具；如果需要，它会返回一个“调用意图”（包含函数名和参数），由我们的 Spring 程序在本地执行该函数，并将执行结果返回给大模型，最终由大模型组织成自然语言回复给用户。
本章我们以“智能订单 + 库存查询系统”为例，完整讲清 Spring AI Tool Calling 的正确打开方式，并避开 stream 模式的坑。

一、环境前置说明

运行前提：电脑安装 Ollama客户端，提前拉取开源模型文件

JDK：21
Gradle：8.8
SpringBoot：3.5.14
SpringAI：1.1.7
IDEA：2023 社区版
（本章代码是在上一篇的基础上新增/修改的）

二、 AI 从“会说”到“会做”

1、AI只能聊天，不能执行业务动作

在前面的章节中，我们已经让 AI 具备：多轮对话，记忆能力（Chat Memory），流式输出（Stream），但此时的 AI 仍然有一个核心问题：它只能聊天，不能执行业务动作。
例如用户输入查询订单 10001，AI 就无法给出相关的业务性回答。

2、Function Calling 是什么？

Function Calling（工具调用）就是：让 AI 在需要时，自动调用你的 Java 方法。
流程如下：

3、本章目标：智能订单 + 库存系统

我们实现两个工具：

查询订单
查询库存

三、业务层（Service）

1. 订单服务

packagecom.example.demo.service;importorg.springframework.stereotype.Service;@ServicepublicclassOrderService{publicStringqueryOrder(StringorderId){return""" 订单号：%s 状态：已发货 快递：顺丰速运 """.formatted(orderId);}}

2. 库存服务

packagecom.example.demo.service;importorg.springframework.stereotype.Service;@ServicepublicclassInventoryService{publicStringqueryInventory(Stringproduct){return""" 商品：%s 库存：128件 """.formatted(product);}}

四、Tool 层（关键）

1. 订单 Tool

packagecom.example.demo.tools;importcom.example.demo.service.OrderService;importorg.springframework.ai.tool.annotation.Tool;importorg.springframework.stereotype.Component;importorg.springframework.stereotype.Service;@ComponentpublicclassOrderTools{privatefinalOrderServiceorderService;publicOrderTools(OrderServiceorderService){this.orderService=orderService;}@Tool(name="queryOrder",description="根据订单号查询订单信息")publicStringqueryOrder(StringorderId){returnorderService.queryOrder(orderId);}}

2. 库存 Tool

packagecom.example.demo.tools;importcom.example.demo.service.InventoryService;importorg.springframework.ai.tool.annotation.Tool;importorg.springframework.stereotype.Component;@ComponentpublicclassInventoryTools{privatefinalInventoryServiceinventoryService;publicInventoryTools(InventoryServiceinventoryService){this.inventoryService=inventoryService;}@Tool(name="queryInventory",description="查询商品库存")publicStringqueryInventory(StringproductName){returninventoryService.queryInventory(productName);}}

五、ChatClient 配置

工具定义好后，我们需要在构建 ChatClient 时将其注入。Spring AI 会在后台自动把这些方法的签名转换成 JSON Schema 传给通义千问。
修改你的 ChatMemoryConfig.java，将Tools 注入并绑定：

@Bean("qwenMemoryChatClient")publicChatClientqwenMemoryChatClient(// 明确指定注入通义千问的模型 Bean@Qualifier("qwenChatModel")ChatModelqwenChatModel,ChatMemorychatMemory,OrderToolsorderTools,InventoryToolsinventoryTools){returnChatClient.builder(qwenChatModel)// 使用 Builder 模式挂载对话记忆 Advisor.defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build()).defaultTools(orderTools,inventoryTools).build();}

七、Controller

编辑controller用于测试

@GetMapping("/chat/call_test")publicStringtest(@RequestParam(defaultValue="default-session")StringconversationId,@RequestParamStringmsg){returnqwenMemoryChatClient.prompt().user(msg).advisors(a->a.param(ChatMemory.CONVERSATION_ID,conversationId)).call().content();}

踩坑：
Tool Calling + stream = 不稳定（Qwen / OpenAI兼容模型）；
Tool Calling 必须使用 call()

八、测试效果

查询订单
http://localhost:8080/ai/chat/call_test?msg=%E6%9F%A5%E8%AF%A2%E8%AE%A2%E5%8D%9510001
查询库存
http://localhost:8080/ai/chat/call_test?msg=iPhone16%E8%BF%98%E6%9C%89%E5%BA%93%E5%AD%98%E5%90%97
结果如下：

九、本章总结与进阶思考

通过短短几十行代码，我们成功让大模型跨越了“语言世界”，触碰到了真实的“业务世界”。Function Calling 在企业级开发中的核心价值在于：
解耦：AI 只负责“意图识别”和“自然语言组织”，具体的业务逻辑（查库、调第三方接口）依然由我们传统的 Java 代码完成。
安全：AI 永远无法直接执行 SQL，它只能调用我们暴露的、经过严格参数校验的 @Tool 方法。
至此，你的 AI 应用已经具备了“记忆”与“行动”两大核心能力。