* LangChain4j Tools 工具原理与实战

Maiko Star

318人浏览 · 2026-05-24 06:30:00

Maiko Star · 2026-05-24 06:30:00 发布

一、Tools 原理：大模型如何调用你的函数？

Tools工具，以前也叫做function calling，翻译过来叫做函数调用，如果在我们的程序中添加了function calling功能，那整个工作流程会发生一些改变，我们简单的看一看。

整个交互流程比纯文本生成要复杂一些，但 LangChain4j 已经帮我们封装了绝大部分细节。理解下面的循环过程，能让你更好地排查问题：

发送工具描述：用户问题被发送给大模型，同时携带一份“工具清单”——包括每个函数的名称、功能描述以及参数列表（名称、类型、含义）。这些信息来源于我们代码中的 @Tool 和 @P 注解。
大模型决策：大模型分析用户意图，判断是否需要调用某个函数。如果需要，它会返回一个结构化的响应，指明要调用的函数名以及对应的参数值。
AI 应用执行：应用接收到调用指令后，真正去执行这个 Java 方法（比如操作数据库）。
结果反馈：将函数的执行结果（成功/失败信息、查询到的数据等）再次发送给大模型。
循环或结束：大模型根据最新结果继续判断，可能调用另一个函数，也可能就此生成最终回答。这个循环会一直持续，直到任务完成为止。

简而言之，大模型成了“大脑”，你的业务函数成了“手脚”，LangChain4j 则是负责协调的“神经系统”。

二、快速实战：为 AI 顾问增加预约功能

假设我们的 ReservationService 已经封装好了数据库操作，现在我们需要让大模型能够调用它来帮考生预约志愿填报服务。

2.1 准备工具方法

首先创建一个 Spring Bean，并用 @Tool 和 @P 注解来描述方法。

import com.itheima.consultant.pojo.Reservation;
import com.itheima.consultant.service.ReservationService;
import dev.langchain4j.agent.tool.P;
import dev.langchain4j.agent.tool.Tool;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;

import java.time.LocalDateTime;

@Component
public class ReservationTool {

    @Autowired
    private ReservationService reservationService;

    // 工具方法：预约志愿填报服务
    @Tool("预约志愿填报服务")
    public void addReservation(
            @P("考生姓名") String name,
            @P("考生性别") String gender,
            @P("考生手机号") String phone,
            @P("预约沟通时间,格式为: yyyy-MM-dd'T'HH:mm") String communicationTime,
            @P("考生所在省份") String province,
            @P("考生预估分数") Integer estimatedScore
    ) {
        Reservation reservation = new Reservation(null, name, gender, phone,
                LocalDateTime.parse(communicationTime), province, estimatedScore);
        reservationService.insert(reservation);
    }

    // 工具方法：查询预约信息
    @Tool("根据考生手机号查询预约单")
    public Reservation findReservation(@P("考生手机号") String phone) {
        return reservationService.findByPhone(phone);
    }
}

@Tool：放在方法上，用字符串描述这个方法是干什么的。这个描述会被发给大模型，务必清晰准确。
@P：放在参数上，说明这个参数代表什么（比如“考生姓名”）。LangChain4j 会把这些信息组织成 JSON Schema 发送给模型，模型就能智能地从用户消息中提取出对应的值。

2.2 在 AI 服务中配置工具

工具类准备好后，只需要在 @AiService 注解的 tools 属性中指定 Bean 名称，LangChain4j 就会自动将其纳入可调用工具列表。

@AiService(
        wiringMode = AiServiceWiringMode.EXPLICIT,
        chatModel = "openAiChatModel",
        streamingChatModel = "openAiStreamingChatModel",
        chatMemoryProvider = "chatMemoryProvider",
        contentRetriever = "contentRetriever",   // RAG 检索器
        tools = "reservationTool"                 // 新增工具配置
)
public interface ConsultantService {
    @SystemMessage(fromResource = "system.txt")
    Flux<String> chat(@MemoryId String memoryId, @UserMessage String message);
}

就这样，你的 AI 顾问瞬间就“长了手”。

2.3 测试与日志观察

启动应用后，你可以这样测试：

用户：你好，我想预约一个志愿填报服务，我姓张，手机号是138xxxx，明天下午3点有空，我在浙江省，预估分数650分。

因为开启了会话记忆（chatMemoryProvider），模型会结合历史上下文一步步引导用户提供缺失的信息（比如性别），然后自动调用 addReservation 方法。在 IDEA 控制台中，你会看到 LangChain4j 在发给大模型的请求中带上了 tools 参数，里面清晰地列出了方法名、描述和参数信息。当模型决定调用时，响应中会包含 tool_calls，LangChain4j 随即执行对应的 Java 方法，并将结果再次发送。

三、小结

至此，我们的 AI 志愿填报顾问已经从一个只会“回答”的聊天机器人，升级成了能够查询最新数据（RAG）和操作业务系统（Tools）的智能助理。这两个能力组合起来，便构成了智能体（Agent）的雏形。

LangChain4j 将 Function Calling 的复杂度压缩到了几个注解之中，让开发者可以专注于业务函数的实现，而不必深究提示词工程和消息拼接的细节。掌握 @Tool 和 @P 的用法，你就能轻松让大模型与任何 Java 服务交互。快打开 IDEA，给你的 AI 应用也加上一双能干实事的“手”吧！