聊聊Spring AI的Tool Calling

calling的返回数据进行转换再发送给AI模型org/springframework/ai/tool/execution/ToolCallResultConverter.java@FunctionalInterfacepublic calling的返回直接返回，而不是经过大模型再返回。 the model's tool calling options. Calling，它继承了FunctionCallback接口，不过FunctionCallback接口即将被废弃，它主要定义了getToolDefinition、getToolMetadata、call 整个Tool Specification包含了Tool Callback、Tool Definition、JSON Schema、Result Conversion、Tool Context、Return

聊聊Spring AI的Tool Calling

序 本文主要研究一下Spring AI的Tool Calling ToolCallback org/springframework/ai/tool/ToolCallback.java public interface calling的返回数据进行转换再发送给AI模型 org/springframework/ai/tool/execution/ToolCallResultConverter.java @FunctionalInterface calling的返回直接返回，而不是经过大模型再返回。 from the model's tool calling options. */ List<ToolDefinition> resolveToolDefinitions(ToolCallingChatOptions Calling，它继承了FunctionCallback接口，不过FunctionCallback接口即将被废弃，它主要定义了getToolDefinition、getToolMetadata、call

Tool Calling：工具系统设计与执行框架

作者： HOS(安全风信子) 日期： 2026-05-24 主要来源平台： GitHub 摘要： Tool Calling（工具调用）是 Agent 感知世界、执行动作的基础能力，是 AI IDE 引言：为什么 AI IDE 必须深度掌控 Tool Calling 1.1 从"增强型补全"到"自主代理"的关键一跃 1.2 Tool Calling 在 AI IDE 架构中的定位 1.3 核心设计挑战 这种从"被动补全"到"主动行动"的转变，核心依赖就是 Tool Calling 系统。没有一套完善的工具调用框架，AI 就只能"出谋划策"，无法"落地执行"。 of undefined (setting 'next') 图 1-1：AI IDE 核心架构中的 Tool Calling 定位 从图 1-1 可以清晰看到，Tool Calling 系统横跨多个核心层次 3.2 工具选择的问题建模 工具选择（Tool Selection）是 Tool Calling 系统的第一个关键决策点。

Spring AI系列之Tool Calling实战指南

文章目录 什么是Tool Calling？ 核心流程图 ️ 方案一：本地Tool Calling（推荐入门） 1. 项目依赖 2. 配置文件 3. 定义工具类（核心） 4. 测试验证 方案二：MCP协议工具调用（企业级） MCP架构图 两种方案对比 ⚠️ 最佳实践 什么是Tool Calling？ Tool Calling（工具调用）是AI Agent的核心能力，允许大语言模型（LLM）在需要时调用外部工具/函数来获取实时数据或执行操作。 Calling（推荐入门） 1. 建议从本地Tool Calling开始入门，熟悉后再迁移到MCP架构以获得更好的扩展性。

Programmatic Tool Calling：GPT 与 Claude 如何实现「代码编排工具」

一、传统 Tool Calling 卡在哪里 先看传统模式。 Calling 的对比如下： 传统 Tool Calling Programmatic Tool Calling 谁编排多步逻辑 模型（每步都要推理） 模型写的程序（在沙箱里跑） 每步工具结果 都进模型上下文 启用 PTC 不需要额外的 programmatic_tool_calling 开关。 官方建议： 以 direct tool calling 为 baseline，在代表性任务上对比两种方案。 本文基于 OpenAI Programmatic Tool Calling 文档、Anthropic Programmatic Tool Calling 文档 及 Advanced Tool Use 工程博客

longchain4j 学习系列(3)-工具调用(Tool Calling)

一、定义工具 import dev.langchain4j.agent.tool.P; import dev.langchain4j.agent.tool.Tool; public class OrderTools { @Tool("查询订单状态") public String getOrderStatus(@P("订单ID") String orderId) { // 模拟查询订单状态的逻辑 ,"tool_calls":[{"index":0,"id":"call_00_BysdTtMayce0pCuRfP1GeM8A","type":"function","function":{"name , "tool_calls" : [ { "id" : "call_00_BysdTtMayce0pCuRfP1GeM8A", "type" : "function", ", "tool_call_id" : "call_00_BysdTtMayce0pCuRfP1GeM8A", "content" : "Order: 1234567890 is in

Spring AI系列之Tool Calling 实战：3 种工具定义方式

Spring AI系列之Tool Calling 实战：3 种工具定义方式 在 Spring AI 开发 AI Agent 的过程中，Tool Calling（工具调用） 是最核心、最能体现 AI 智能化的能力 环境： Spring AI 1.1.3 SpringBoot 3.5.7 JDK 17 一、先看懂：Tool Calling 执行流程（图文秒懂） Tool Calling 的本质： 让大模型自主判断是否需要调用外部方法 Tool Calling 标准执行流程图 流程步骤： 用户提问 模型分析是否需要调用工具 Spring AI 自动调度对应工具 执行 Java 方法/函数并返回结果 模型整合结果，给出最终回答 二、Spring @Tool 注解，Spring AI 自动识别为可调用工具。 Calling 3 种标准工具定义方式： @Tool 注解 → 简单、稳定、业务首选 函数式 Function → 优雅、强类型、企业推荐 编程式 ToolCallback → 灵活、动态、高级架构

Spring AI系列之Tool Calling 实战：3 种工具定义方式

自动调度对应工具执行Java方法/函数并返回结果模型整合结果，给出最终回答二、SpringAI3种工具定义方式（全文重点）SpringAI目前提供3种标准工具定义方式，覆盖99%开发场景：方式1：注解式@Tool （最简单、企业最常用）直接在普通Java方法上加@Tool注解，SpringAI自动识别为可调用工具。 代码示例展开代码语言：JavaAI代码解释@ComponentpublicclassTimeTools{/***获取当前系统时间工具*/@Tool(description="获取当前系统的日期与时间，格式 {publicstaticfinalStringWEATHER_TOOL="currentWeather";@Bean(WEATHER_TOOL)@Description("获取指定城市的实时天气")publicFunction toolNames(AiToolConfig.WEATHER_TOOL).call().content();System.out.println(content);}✅优点代码极简、无冗余结构化强、支持强类型

Go 做 Function Calling 服务端：解析 tool_calls 与执行逻辑

Function Calling 与 tool_calls 是什么？ Function Calling（Tool Use）指：你把可调用的函数列表以 JSON Schema 等形式传给大模型，模型在需要时会在回复里带 tool_calls，指明函数名和参数。 ok { return "", fmt.Errorf("unknown tool: %s", name) } return fn(args) } 收到 tool_calls 后循环调用 Execute 轮数与 token：控制最大 tool 轮数和总 token。 写在最后 用 Go 做 Function Calling 服务端，核心三步：解析 tool_calls（含 arguments 的 JSON）、执行（注册表分发）、回写（role: "tool" + tool_call_id

2026年的 ReAct Agent架构解析：原生 Tool Calling 与 LangGraph 状态机

You must use this format: Thought: [your thought], Action: [tool_name], Action Input: [tool_input]. 现在的工具使用系统不再做字符串解析，而是原生的、结构化的 API tool calling。 是认知工作真正发生的地方，整段消息历史会一次性喂给模型；信息不够时，模型会回一条带 tool_calls 的 AIMessage。 路由函数 route_after_reason 检查这条消息：包含 tool calls 就把图切到 tools 节点。 calling，state 持久化，脆弱的字符串解析换成了结构化的证据收集。

c: Queue Calling

bcftools进行SNP calling

bcftools也可以进行SNP calling。 需要注意的是mpileup命令虽然也会输出VCF格式的文件，但是并不直接进行snp calling。 call命令才是真正的执行SNP calling的程序，基本用法如下 bcftools call mpileup.vcf -c -v -o variants.vcf 在进行SNP calling 时， 必须选择一种算法，有两种calling算法可供选择，分别对应-c和-m参数。 -c参数对应consensus-caller算法， -m参数对应multiallelic-caller算法，后者更适合多种allel和罕见变异的calling。

freebayes进行SNP calling

freebayes 是一款snp calling 软件，其灵敏度高，用法简便，所以广受欢迎。

c: Queue Calling in Ubuntu

把地图能力装进 AI 的工具箱：我在基础设施系统里实践 Tool Calling 的思路

三、系统整体设计：大屏 + AI 助手 + Tool Calling整个系统分三层：前端是一个三栏布局的监控大屏：左侧传感器列表、中间地图区域、右侧传感器详情+事件日志。 四、Tool Calling 的核心设计后端的 AI Agent 逻辑是整个系统的核心。 把"找人+算路+推荐"这三件事交给 AI 来串联，开发者只需要维护工具接口的定义，业务逻辑的编排交给模型来完成——这是 Tool Calling 模式最核心的价值所在。 这正是 Tool Calling 编排方式的灵活性。六、后续可以对接的方向这次做的是一个技术验证性质的演示，但已经能看出几个很清楚的落地方向：1. 可以直接替换 baseURL 使用，Tool Calling 的函数定义写法和 GPT-4 系列完全相同，迁移成本几乎为零。

Spring AI Tool Calling 的安全真相：模型从不执行代码

顺带交代2.0的一个相关删减，它和这套设计哲学一脉相承：ToolContext里不再自动携带对话历史（TOOL_CALL_HISTORY已移除）。 </artifactId></dependency>展开代码语言：TXTAI代码解释spring.ai.chat.client.tool-search-advisor.enabled=truespring.ai.chat.client.tool-search-advisor.tool-index-type TOOL_CALL_HISTORY已删除，设计立场见第四节末尾。确需会话信息的，显式参数或上移Advisor层。坑5：description偷懒。 2.0工具执行span统一为execute_tool<tool-name>（gen_ai.operation.name=execute_tool，新增spring.ai.tool.call.id等属性） ；1.x的span名是tool_call<tool-name>——升级后基于旧span名的告警和看板静默失联，这是那种三周后才被发现的坑。

snp calling 几张图

all variants of interest locus-wide is a more powerful alternative. image.png 建议读或观看以下内容 1 深入了解snp-calling Cloud Computing for Next-Generation Sequencing Data Analysis 3 https://en.wikipedia.org/wiki/SNV_calling_from_NGS_data 4Small-Variant Calling and Annotation 5 Hands-on Tutorial on SNP Calling 6 Finding SNPs Using Sequencing

使用HOMER进行peak calling

本文主要介绍如何通过HOMER来进行peak calling。 在HOMER中，通过findPeaks这个命令来进行peak calling, 这个命令有以下多种模式，对应不同类型的peak的识别 factor 这种模式用于识DNA和蛋白质结合位点，主要用于识别转录因子的结合位点 目的是识别promoter/TSS区域 dnase 这种模式用于分析DNase_seq数据，目的是识别DNase酶超敏位点 mC 这种模式用于识别DNA甲基化区域 对于chip_seq的peak calling 2. findPeaks 分别对input和IP样本建立好tagdirectory之后就可以peak calling, 用法如下 findPeaks ip_tagdir/ -i input_tagdir

OpenAI | Function calling 上手体验

现在，OpenAI 提供了 Function calling 用于将LLM的输出格式化成 Function calling 所需要的参数。 Function calling 介绍 简单的说， Function calling 就是基于（自定义）函数调用所需要的参数，输出可识别的格式化的输出。 Function calling 使用流程 我们以查询指定城市指定日期天气为例，介绍 Function calling 的使用流程, 天气查询使用高德的API。 = response_message.tool_calls # 包含了函数调用所需要的信息 response里的tool_calls，包含了我们描述的函数相关信息，以及所需要的参数。 调用自定义函数 从前面的response中提取参数，并调用 get_weather(city, date): if tool_calls: tool_call = tool_calls[

Proxifier Reset Tool

Proxifier如何实现无线重置试用期呢？ 1. 编辑bat文件 REM Initex Software Proxifiertrial reset REM Close Proxifier if it is running taskkill /f /im Proxifier.exe reg delete "HKCU\SOFTWARE\Microsoft\Internet Explorer\Main" /v DefaultWANProfile /f reg delete "HKCU\Software\In