← 返回首页 📚 实战课程
📑 本篇章节导航 (共5章,点击直达)
本节目标(学完能回答的面试题)核心知识(1小时精讲内容)面试速记卡(考前30秒速看)练习题(自测)学习资料

L23 - Function Calling原理与实战

本节目标(学完能回答的面试题)

核心知识(1小时精讲内容)

1. Function Calling完整流程(面试必背)


Function Calling 5步流程:

Step 1: 用户发送消息
  用户: "帮我查一下今天的机票最低价"

Step 2: 大模型判断是否需要调用工具
  模型分析: 这个问题需要实时数据 → 决定调用工具
  模型返回: function_call { name: "getCurrentPrice", arguments: {route: "深圳-北京"} }

  注意: 大模型不直接执行工具!只返回"应该调什么工具、传什么参数"

Step 3: 开发者代码执行工具
  String result = priceService.getCurrentPrice("深圳-北京");
  result = "¥680"

Step 4: 将工具结果返回给大模型
  把function_call结果作为新消息发给大模型

Step 5: 大模型基于工具结果生成最终回答
  模型: "今天深圳到北京的最低机票价格是680元,这是XX航空的经济舱..."

完整数据流:
  User → LLM → tool_call → 你的代码执行 → 结果返回LLM → 最终回答

2. OpenAI Function Calling 协议格式


{
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "get_weather",
        "description": "获取指定城市的天气信息",
        "parameters": {
          "type": "object",
          "properties": {
            "city": {
              "type": "string",
              "description": "城市名称"
            }
          },
          "required": ["city"]
        }
      }
    }
  ]
}

关键理解:description字段非常重要——模型根据描述决定什么时候调用这个工具。描述写得好不好直接影响调用准确率。

3. Spring AI实现Function Calling


// 方式1: @Bean + @Description
@Configuration
public class ToolConfig {

    @Bean
    @Description("根据城市名查询天气信息")
    public Function<WeatherRequest, WeatherResponse> weatherFunction() {
        return request -> weatherService.getWeather(request.city());
    }
}

// 使用: 自动注册,模型自动判断调用
chatClient.prompt()
    .user("深圳今天天气怎么样?")
    .functions("weatherFunction")  // 注册工具
    .call()
    .content();
// 大模型会自动判断需要调用weatherFunction

// 方式2: 函数式注册(更灵活)
chatClient.prompt()
    .user("查询订单123的状态")
    .function("queryOrder", "查询订单状态",
        (orderId) -> orderService.getStatus(orderId))
    .call()
    .content();

4. 与你项目的对照:@TdTool注解+AOP实现


你的项目设计(8个Tool,分两组):

AUTO组(模型自动决定调用):
  @TdTool(name = "getCurrentPrice", group = "AUTO")
  → 获取当前机票价格(模型根据对话自动判断是否需要)

  @TdTool(name = "getCompetitorPrice", group = "AUTO")
  → 获取竞品价格(模型自动判断)

  ...

MANUAL组(用户/规则显式触发):
  @TdTool(name = "calculatePricing", group = "MANUAL")
  → 执行5步定价算法(需要明确触发,不能让模型随意调用)

  @TdTool(name = "submitPrice", group = "MANUAL")
  → 提交定价结果(高风险操作,需要审批)

实现原理:
  @TdTool注解标记方法
    → TdToolAspect切面拦截
    → 注册到Spring AI的FunctionContext
    → ChatClient调用时自动带上这些工具定义
    → 模型返回tool_call → 切面执行对应方法 → 返回结果

面试讲法:
"我设计了@TdTool注解框架,通过AOP切面自动注册工具。
分AUTO和MANUAL两组:AUTO组让模型自主决定调用时机,
MANUAL组需要业务规则显式触发,防止模型在高风险操作上'自作主张'。"

5. AUTO vs MANUAL 模式对比


┌─────────────┬────────────────────┬────────────────────┐
│    维度      │     AUTO模式       │     MANUAL模式      │
├─────────────┼────────────────────┼────────────────────┤
│ 触发方式     │ 模型自动判断       │ 业务规则显式触发    │
│ 适用操作     │ 查询类(只读)       │ 修改类(写操作)      │
│ 安全风险     │ 低                │ 高                  │
│ 你的例子     │ getCurrentPrice   │ calculatePricing    │
│             │ getCompetitorPrice │ submitPrice         │
│ 控制粒度     │ description描述控制│ 代码逻辑控制        │
└─────────────┴────────────────────┴────────────────────┘

设计考量:
  定价是敏感操作,不能让模型"想调就调"。
  所以5步定价算法放在MANUAL组,只有满足条件才触发。

6. Spring AI vs OpenAI Function Calling 对比


OpenAI原生:
  1. 手动构建tools JSON描述
  2. 解析response中的function_call
  3. 手动执行函数
  4. 手动将结果塞回messages
  5. 再次调用API获取最终回答
  → 需要写大量胶水代码

Spring AI封装:
  1. @Bean + @Description 定义工具(或函数式注册)
  2. .functions("toolName") 一行注册
  3. Spring AI自动处理tool_call → 执行 → 返回结果 → 再调用
  4. 开发者只需定义工具函数,不用关心中间流程
  → 大幅减少胶水代码

本质: Spring AI把OpenAI的5步流程封装成了1步注册

7. Function Calling的最佳实践


1. 工具描述(description)要精确:
   好的: "查询指定航线、指定日期的最低机票价格"
   差的: "查价格"

2. 参数定义要完整:
   每个参数都要有description和type
   required字段明确哪些参数必须提供

3. 控制工具数量:
   单次调用工具不要超过10-15个
   太多会让模型选择困难,准确率下降

4. 错误处理:
   工具执行失败要返回明确的错误信息给模型
   不要吞异常,让模型知道失败了可以换策略

5. 幂等性:
   工具函数应该是幂等的(调用多次结果相同)
   因为模型可能重复调用同一个工具

面试速记卡(考前30秒速看)

练习题(自测)

1. 画出Function Calling的完整5步流程图,标注每一步谁在做什么

2. 如果面试官问"大模型能直接执行函数吗",你怎么回答?为什么这样设计?

3. 你的项目中哪些工具适合AUTO模式,哪些适合MANUAL模式?为什么?

4. 工具的description写得好不好会直接影响什么?举一个"好描述"和"差描述"的例子

5. 如果一个Function Calling的工具执行超时了,应该怎么处理?写出你的方案

学习资料