场景

SpringBoot+LangChain4j+Ollama实现Function Calling工具调用-仿智能客服示例：

https://blog.csdn.net/BADAO_LIUMANG_QIZHI/article/details/160409823

在之前的学习中，我们已经掌握了如何使用单个 AiService 构建智能客服、工具调用。

但一个真正的智能系统，往往需要多个 AI 模型或服务协同完成复杂任务。

在 LangChain4j 中，这种将多个 AI 服务“链接”起来形成流水线的技术，

通常被称作服务编排（Orchestration）或链式调用（Chaining）。

它可以分为两种实现思路：

开发者主导的的确定性编排和 AI 主导的自决策模式。

链式调用：AI 服务的流水线

“链”是 LangChain4j 的核心，它将多个操作（如模型调用、知识检索、工具调用）串联成一个完整的流程。

对于 Java 开发者来说，这就像定义一套标准的程序。

“链式调用”的核心思想是为每个任务配备最专业的 AI 服务，并由你作为“总指挥”来定义它们的工作顺序。

AiServices：

这是构建 AI 服务的主要工具，你之前接触的 RAG 服务就是通过它构建的。

ModelRouter（模型路由器）：

这是 LangChain4j 中一个专门的组件，它的作用是作为一个智能的“API 网关”，将用户请求动态地路由到最合适的模型。

例如，它可以实现故障转移（Failover）和负载均衡等策略。

Agent & AgenticScope (实验性功能)：

这是 LangChain4j 1.0.0-beta4 版本中的一个虚拟概念，旨在让 AI 自主决定如何组织任务。

开发者通过声明的工作流（Flow），AI 可以在大框架内自主决策和调用。

如果你的项目追求极致的灵活性和 AI 自主性，可以关注 langchain4j-agentic 模块的后续发展。

注：

博客：
https://blog.csdn.net/badao_liumang_qizhi

实现

实战示例：打造一个支持多步处理的智能客服工作流

想象这样一个场景：

你的智能客服需要处理各种任务，例如“查询订单状态”。

这个看似简单的任务，实际上可以由多个 AI 服务协作完成。

我们可以定义一个由“意图识别”与“专业服务”串联起的客服流。

1. 项目依赖 (pom.xml 核心部分)

    <parent>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-parent</artifactId>
        <version>3.2.5</version>
    </parent>

    <groupId>com.example</groupId>
    <artifactId>spring-langchain4j-ollama-tool-chain</artifactId>
    <version>1.0</version>

    <properties>
        <java.version>17</java.version>
        <langchain4j.version>1.0.1</langchain4j.version>
    </properties>

    <dependencyManagement>
        <dependencies>
            <dependency>
                <groupId>dev.langchain4j</groupId>
                <artifactId>langchain4j-bom</artifactId>
                <version>${langchain4j.version}</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>
        </dependencies>
    </dependencyManagement>

    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>
        <!-- 核心：用于启用 @AiService 声明式 AI 服务 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-spring-boot-starter</artifactId>
        </dependency>
        <!-- 具体模型：用于集成本地 Ollama 服务 -->
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-ollama-spring-boot-starter</artifactId>
        </dependency>
    </dependencies>

2. 配置文件 (application.yml)

​
langchain4j:
  ollama:
    chat-model:
      base-url: http://localhost:11434
      model-name: qwen2:7b
      temperature: 0.7
      timeout: PT120S           # 总超时时间 120 秒
      connect-timeout: PT10S    # 连接超时 10 秒
      read-timeout: PT120S      # 读取超时 120 秒
      log-requests: true
      log-responses: true

​

3. 任务类型枚举

public enum CustomerServiceTask {
    CHECK_ORDER,      // 查订单
    APPLY_COUPON,     // 领优惠券
    TALK_TO_HUMAN,    // 转人工
    UNKNOWN
}

4. 意图分类 AI 服务接口

import com.badao.ai.enums.CustomerServiceTask;
import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.UserMessage;

public interface IntentClassifier {
    @SystemMessage("""
            你是一个智能客服意图分类器。请将用户的问题归类为以下类型之一，只输出枚举名，不要输出任何其他内容：
            - CHECK_ORDER: 用户想查询订单状态、物流信息。
            - APPLY_COUPON: 用户想领取、查询优惠券。
            - TALK_TO_HUMAN: 用户要求转接人工客服，或表达不满、投诉。
            - UNKNOWN: 其他无关问题。
            示例：
            用户：我的订单123456到了吗？ -> CHECK_ORDER
            用户：领张优惠券 -> APPLY_COUPON
            用户：我要投诉！转人工！ -> TALK_TO_HUMAN
            """)
    CustomerServiceTask classify(@UserMessage String userMessage);
}

5. 业务服务类（订单服务）

import dev.langchain4j.agent.tool.P;
import dev.langchain4j.agent.tool.Tool;
import org.springframework.stereotype.Component;

@Component
public class OrderService {

    // 模拟订单数据
    @Tool("根据订单号查询订单状态")
    public String getOrderStatus(@P("订单号，例如 123456") String orderId) {
        return "订单 " + orderId + " 当前状态：已发货，物流单号 SF123456789";
    }

    @Tool("根据用户ID查询可用优惠券")
    public String getCoupon(@P("用户ID") String userId) {
        return "用户 " + userId + " 当前可用优惠券：满100减10元券一张";
    }
}

6. 专门处理订单查询的 AI 服务接口

import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.UserMessage;

public interface OrderAssistant {
    @SystemMessage("你是订单助手。根据用户输入提取订单号，调用 getOrderStatus 工具查询状态。如果用户没有提供订单号，请询问。")
    String chat(@UserMessage String userMessage);
}

注意：

实际调用工具需要在实现中注册，见配置类。

7. Spring 配置类：构建 AI 服务并注册工具

import com.badao.ai.service.IntentClassifier;
import com.badao.ai.service.OrderAssistant;
import com.badao.ai.service.OrderService;
import dev.langchain4j.model.chat.ChatModel;
import dev.langchain4j.service.AiServices;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class AiServiceConfig {

    @Bean
    public IntentClassifier intentClassifier(ChatModel chatModel) {
        return AiServices.builder(IntentClassifier.class)
                .chatModel(chatModel)
                .build();
    }

    @Bean
    public OrderAssistant orderAssistant(ChatModel chatModel, OrderService orderService) {
        // 将 OrderService 中的方法作为工具注入
        return AiServices.builder(OrderAssistant.class)
                .chatModel(chatModel)
                .tools(orderService)   // 注册工具实例
                .build();
    }
}

注意：

需要确保 OrderService 中的方法使用了 @Tool 注解

8. 控制器（Agent 调度器）

import com.badao.ai.service.IntentClassifier;
import com.badao.ai.enums.CustomerServiceTask;
import com.badao.ai.service.OrderAssistant;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class CustomerServiceController {

    private final IntentClassifier classifier;
    private final OrderAssistant orderAssistant;

    public CustomerServiceController(IntentClassifier classifier, OrderAssistant orderAssistant) {
        this.classifier = classifier;
        this.orderAssistant = orderAssistant;
    }

    @GetMapping("/customer/chat")
    public String chat(@RequestParam("message") String message) {
        // 1. 意图识别
        CustomerServiceTask task = classifier.classify(message);
        System.out.println("识别意图: " + task);

        // 2. 根据意图调度
        switch (task) {
            case CHECK_ORDER:
                return orderAssistant.chat(message);
            case APPLY_COUPON:
                // 这里可以注入另一个优惠券助手，为了简洁直接模拟
                return "正在为您查询优惠券，请稍后...";
            case TALK_TO_HUMAN:
                return "正在为您转接人工客服，请耐心等待...";
            default:
                return "抱歉，我不太明白您的意思。您可以试试查询订单、领取优惠券或转人工。";
        }
    }
}

9. 测试

启动应用后，使用 curl 测试：

# 查询订单
curl "http://localhost:885/customer/chat?message= 我的订单123456现在什么状态？"

# 领取优惠券
curl "http://localhost:885/customer/chat?message= 我想领一张优惠券"

预期效果

订单查询：调用 orderAssistant，模型会提取订单号并调用 getOrderStatus 工具，返回订单状态。

优惠券领取：走简化分支，返回提示（可扩展专用助手）。

转人工：直接返回转接提示。

关键点总结

意图识别：使用低 temperature 的模型确保分类稳定。

工具注册：通过 .tools(orderService) 将所有 @Tool 方法注册给 AI 服务。

分派策略：Controller 根据枚举结果调用不同的专业 AI 服务或业务逻辑。

扩展性：可以轻松增加更多任务类型和对应的助手服务，符合开闭原则。