一、前言

上一篇文章围绕 Spring AI 的 Chat Memory（聊天记忆）功能展开，先是通过代码演示了不使用 Chat Memory 时，大模型因无状态无法记住上下文（如用户姓名）的情况，随后展示了使用基于内存的 Chat Memory 后，大模型能关联历史对话的效果。同时，剖析了其实现原理 —— 通过拦截请求拼接历史上下文发送给大模型，并介绍了 ChatMemory 接口及默认实现，还探讨了将对话记录持久化到 MySQL 的自定义方案及相关问题解决，为构建连续对话能力提供了思路。接下来，我们将继续深入探索 Spring AI 的更多功能。

二、方法调用

1、简介

方法调用，Tool Calling（或者说是Function Calling），允许大模型去调用一些我们的方法或者接口。例如：

1、信息检索

此类工具可用于从外部来源检索信息，例如数据库、网络服务、文件系统或网络搜索引擎。其目的是扩充模型的知识储备，使模型能够回答原本无法回答的问题。因此，它们可应用于检索增强生成（RAG）场景。举例来说，工具可用于获取特定地点的当前天气、检索最新的新闻文章，或查询数据库中的特定记录。

2、执行操作

此类工具可用于在软件系统中执行操作，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。其目的是自动化那些原本需要人工干预或专门编程才能完成的任务。例如，工具可用于为与聊天机器人交互的客户预订航班、在网页上填写表单，或在代码生成场景中基于自动化测试（TDD）实现 Java 类。

2、注意点

需要注意的是要想使用Tool Calling（Function Calling）需要大模型本身支持，如果模型不支持那无法实现。Spring 官网中为我们提供了一个表格，记录了那些大模型支持函数调用。可以参考一下链接

https://docs.spring.io/spring-ai/reference/api/chat/comparison.html

三、代码演示

遗憾的是DeepSeek暂时不支持Function Call，所以我们不得不换一个模型。这里我们使用阿里的Qwen3大模型来实验，并且采用本地ollama部署。

1、引入依赖

    <dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-model-ollama</artifactId></dependency>

2、编写配置文件

说明一下：由于本项目中使用了多个模型Deepseek、Ollama（部署的是Qwen3），所以配置文件需要一定的调整。

server:port: 8080
spring:application:name: spring-ai-demodatasource:driver-class-name: com.mysql.cj.jdbc.Driverurl: jdbc:mysql://${MYSQL_HOST:127.0.0.1}:${MYSQL_PORT:3306}/learn?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=UTCpassword: zaige806username: rootai:chat:memory:repository:jdbc:initialize-schema: alwaysplatform: mysqlschema: classpath:schema/schema-@@platform@@.sqlclient:enabled: false #这个为false则不会自动装配ChatClientBuildermodel:chat:  #这个参数为空，ChatModel则不会自动装配      

3、配置Chat Client

package com.cmxy.springbootaidemo.config;import com.cmxy.springbootaidemo.advisor.SimpleLogAdvisor;
import com.cmxy.springbootaidemo.memory.CustomChatMemoryRepositoryDialect;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.ai.chat.memory.repository.jdbc.JdbcChatMemoryRepository;
import org.springframework.ai.chat.memory.repository.jdbc.JdbcChatMemoryRepositoryDialect;
import org.springframework.ai.deepseek.DeepSeekChatModel;
import org.springframework.ai.deepseek.api.DeepSeekApi;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.ai.ollama.api.OllamaApi;
import org.springframework.ai.ollama.api.OllamaModel;
import org.springframework.ai.ollama.api.OllamaOptions;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.jdbc.core.JdbcTemplate;/*** @Author hardy(叶阳华)* @Description* @Date 2025/7/28 15:10* @Modified By: Copyright(c) cai-inc.com*/
@Configuration
public class ChatClientConfig {@Beanpublic ChatClient deepSeekChatClient(JdbcTemplate jdbcTemplate) {DeepSeekChatModel chatModel = DeepSeekChatModel.builder().deepSeekApi(DeepSeekApi.builder().apiKey("替换成自己的").build()).build();//使用自定义方言final JdbcChatMemoryRepositoryDialect dialect = new CustomChatMemoryRepositoryDialect();//配置JdbcChatMemoryRepositoryfinal JdbcChatMemoryRepository jdbcChatMemoryRepository = JdbcChatMemoryRepository.builder().jdbcTemplate(jdbcTemplate).dialect(dialect).build();// 创建消息窗口聊天记忆，限制最多保存10条消息 （其实这里的10条配置已经没有意义了，因为在dialect默认了50条）ChatMemory memory = MessageWindowChatMemory.builder().chatMemoryRepository(jdbcChatMemoryRepository).maxMessages(10).build();ChatClient.builder(chatModel).defaultAdvisors(MessageChatMemoryAdvisor.builder(memory).build(), new SimpleLogAdvisor()).build();return ChatClient.create(chatModel);}@Beanpublic ChatClient ollamaChatClient() {OllamaChatModel chatModel = OllamaChatModel.builder().defaultOptions(OllamaOptions.builder().model("qwen3:latest").build()).ollamaApi(OllamaApi.builder().baseUrl("http://w6584884.natappfree.cc").build()).build();return ChatClient.create(chatModel);}}

4、编写测试接口

package com.cmxy.springbootaidemo.tool;import jakarta.annotation.Resource;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.beans.factory.annotation.Qualifier;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;/*** @Author hardy(叶阳华)* @Description* @Date 2025/7/27 14:02* @Modified By: Copyright(c) cai-inc.com*/
@RestController
@RequestMapping("/tool")
public class ToolController {private final ChatClient client;public ToolController(@Qualifier(value = "ollamaChatClient") ChatClient ollamaChatClient) {this.client = ollamaChatClient;}@GetMapping("/chat")public String chat(String msg) {return client.prompt(msg).call().content();}
}

5、测试接口

我们问大模型今天的日期

然而笔者写这篇文章的时候是2025-07-28，但是大模型告诉我今天是2023-10-15，很明显他在乱回答。这是因为大模型是大量语料训练出来的，他的知识只停留在了训练截止到哪天。那么如何让大模型能够知道训练语料之外的知识呢？

1、重新训练大模型（费时费力）

2、微调（这个笔者还没掌握，后续再说）

3、RAG（这个放到后续）

4、Function Calling：我们给大模型提供工具，让大模型能够调用外部的方法。

6、新增Function Call

package com.cmxy.springbootaidemo.tool;import java.time.LocalDateTime;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.context.i18n.LocaleContextHolder;/*** @Author hardy(叶阳华)* @Description* @Date 2025/7/28 15:46* @Modified By: Copyright(c) cai-inc.com*/
@Slf4j
public class DateTimeTools {@Tool(description = "获取用户所在时区当的日期",name = "getCurrentDateTime")String getCurrentDateTime() {log.info("方法被调用了");return LocalDateTime.now().atZone(LocaleContextHolder.getTimeZone().toZoneId()).toString();}
}

7、修改Client配置

package com.cmxy.springbootaidemo.tool;import jakarta.annotation.Resource;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.beans.factory.annotation.Qualifier;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;/*** @Author hardy(叶阳华)* @Description* @Date 2025/7/27 14:02* @Modified By: Copyright(c) cai-inc.com*/
@RestController
@RequestMapping("/tool")
public class ToolController {private final ChatClient client;public ToolController(@Qualifier(value = "ollamaChatClient") ChatClient ollamaChatClient) {this.client = ollamaChatClient;}@GetMapping("/chat")public String chat(String msg) {return client.prompt(msg).tools(new DateTimeTools()).call().content();}
}

主要修改点在 toolNames(“getCurrentDateTime”)

8、再次测试

可以看到通过FunctionCalling （或者ToolCalling）大模型可以获得更多的信息，下面我看下Function Call

简单的说，大模型是一个有决策能力的中心，会根据需要求调用注册到大模型内部的方法以便实现特定的功能。

四、实现Function Call的多种方式

1、基于Tool注解

上面的案例就是基于Tool注解，这里补充一点，如果需要参数，则可以通过@ToolParam注解来说明参数的含义，帮助大模型更好的理解调用的方法。例如：

@Tool(description = "Set a user alarm for the given time")void setAlarm(@ToolParam(description = "Time in ISO-8601 format") String time) {LocalDateTime alarmTime = LocalDateTime.parse(time, DateTimeFormatter.ISO_DATE_TIME);System.out.println("Alarm set for " + alarmTime);}

2、通过ToolCallBack

    @Beanpublic ChatClient ollamaChatClient() {//定义ToolCallBackToolCallback[] toolCallbacks = ToolCallbacks.from(new DateTimeTools());OllamaChatModel chatModel = OllamaChatModel.builder().defaultOptions(OllamaOptions.builder().model("qwen3:latest").toolCallbacks(toolCallbacks).build()).ollamaApi(OllamaApi.builder().baseUrl("http://w6584884.natappfree.cc").build()).build();return ChatClient.create(chatModel);}

3、通过函数接口

1、编写方法（错误写法）

package com.cmxy.springbootaidemo.tool;import java.util.function.Function;/** * 这个是错误写法！！！！！！不能使用基本数据类型* @Author hardy(叶阳华)* @Description* @Date 2025/7/28 16:51* @Modified By: Copyright(c) cai-inc.com*/
public class WeatherService implements Function<String,String> {@Overridepublic String apply(final String city) {return switch (city) {case "杭州" -> "晴天";case "上海" -> "阴转多云";case "背景" -> "暴雨";default -> "不知道";};}
}

正确写法：

package com.cmxy.springbootaidemo.tool;import com.cmxy.springbootaidemo.tool.WeatherService.WeatherRequest;
import com.cmxy.springbootaidemo.tool.WeatherService.WeatherResponse;
import java.util.function.Function;/*** @Author hardy(叶阳华)* @Description* @Date 2025/7/28 16:51* @Modified By: Copyright(c) cai-inc.com*/
public class WeatherService implements Function<WeatherRequest, WeatherResponse> {public WeatherResponse apply(WeatherRequest request) {return new WeatherResponse(30.0, Unit.C);}public enum Unit { C, F }public record WeatherRequest(String location, Unit unit) {}public record WeatherResponse(double temp, Unit unit) {}}

2、配置到客户端

 @Beanpublic ChatClient ollamaChatClient() {//天气工具ToolCallback wetherToolCallback = FunctionToolCallback.builder("currentWeather", new WeatherService()).description("获取指定位置的天气").inputType(WeatherRequest.class).build();//日期工具：这里分开定义，因为是两种类型，一个是FunctionToolCallback一个是MethodToolCallbackToolCallback[] dataTimeToolCallbacks = ToolCallbacks.from(new DateTimeTools());OllamaChatModel chatModel = OllamaChatModel.builder().defaultOptions(OllamaOptions.builder().model("qwen3:latest").toolCallbacks(wetherToolCallback).toolCallbacks(dataTimeToolCallbacks).build()).ollamaApi(OllamaApi.builder().baseUrl("http://w6584884.natappfree.cc").build()).build();ChatClient.builder(chatModel).defaultAdvisors(new SimpleLogAdvisor()).build();return ChatClient.create(chatModel);}

3、测试一下

注意点：

以下类型目前不支持作为用作工具的函数的输入或输出类型：

• 基本类型
• Optional 类型
• 集合类型（例如 List、Map、Array、Set）
• 异步类型（例如 CompletableFuture、Future）
• 响应式类型（例如 Flow、Mono、Flux）。

笔者在一开始就返回String，导致返回的时候提示JSON返序列化失败

五、小结

本文围绕 Spring AI 的方法调用（Tool Calling/Function Calling）功能展开，先是介绍了其能让大模型调用外部方法实现信息检索、执行操作等作用，强调了需大模型本身支持该功能，并给出了相关模型支持情况参考。

通过代码演示，展示了借助 Qwen3 大模型（本地 ollama 部署）实现功能调用的过程，还说明了实现 Function Call 的多种方式及工具函数输入输出类型的限制。

总的来说，Function Calling 为大模型连接外部能力提供了有效途径，合理运用能极大扩展其应用场景，后续可进一步探索更多实践技巧。希望对你有所帮助！

六、未完待续