之前的章节中，AI 只是一个“缸中之脑”：它知识渊博，但没有手脚，无法连接现实世界（数据库、文件、API）。
| * **用户问**：“《Java编程思想》现在卖多少钱？”
* **AI (委屈)**：“我不知道...我的训练数据截止到 2023 年，而且我无法访问你的书店数据库。”
今天，我们要给 AI 装上**“双手”**，让它能**自主决定**调用我们的 Java 方法去查数据库！
|
🤯 第一部分：核心原理——“三明治”交互模式
很多同学误以为 Tool Calling 是 AI 自己去运行 Java 代码。
错！AI 绝不会运行代码，它只是“发号施令”。
整个过程像一个“三明治”：
- 第一层面包 (第一次请求)：
- Java: “用户问《Java编程思想》多少钱。另外，我有这些工具：
query_price(book_name)...”
-
AI: (思考：我不知道价格，但我看你有工具) -> “请帮我调用 query_price，参数是 Java编程思想。”
-
中间的肉 (Java 执行)：
-
Java: 收到 AI 的指令 -> 拦截 -> 查数据库 -> 拿到结果 99.00。
-
第二层面包 (第二次请求)：
- Java: “工具执行完了，结果是
99.00。”
- AI: (结合结果生成回复) -> “这本书的价格是 99 元。”
sequenceDiagram
participant User as 👨💻 用户
participant Java as ☕ Java 后端
participant AI as 🤖 AI 大模型
participant DB as 🛢️ 数据库
Note over Java, AI: 🟢 第一轮交互 (询问与决策)
User->>Java: "查一下《Java编程思想》多少钱"
Java->>AI: Prompt: "查书价..." <br/> + Tools定义: [{"name": "query_price"...}]
AI->>AI: 🧠 思考：需要调用工具
AI-->>Java: 🛑 停止生成文本<br/>返回 Tool Call: query_price("Java编程思想")
Note over Java, AI: 🟡 中间层 (Java 干活)
Java->>Java: 解析 AI 指令，发现要调 query_price
Java->>DB: SELECT price FROM book WHERE name=...
DB-->>Java: 返回 99.00
Note over Java, AI: 🔵 第二轮交互 (汇报与总结)
Java->>AI: Message: "Tool执行结果是 99.00"
AI->>AI: 🧠 结合结果生成自然语言
AI-->>Java: "这本书售价 99 元。"
Java-->>User: 展示最终答案
🛠️ 第二部分：定义工具 (Schema)
AI 怎么知道你有 query_price 这个方法？我们需要用 JSON 告诉它。
这也就是我们在上一节学的 JSON Schema 的用武之地。
| // 这是一个告诉 AI 的“工具说明书”
{
"type": "function",
"function": {
"name": "query_price",
"description": "查询书店中某本书的当前售价",
"parameters": {
"type": "object",
"properties": {
"book_name": {
"type": "string",
"description": "书籍的名称，例如 'Java编程思想'"
}
},
"required": ["book_name"]
}
}
}
|
为了让大家看清本质，我们先不使用高级框架（如 Spring AI），而是手动实现这个闭环。
1. 模拟数据库服务
先写一个简单的 Service，假装在查库。
| BookService.java |
|---|
| public class BookService {
public double queryPrice(String bookName) {
System.out.println("===> 正在查询数据库: " + bookName);
if (bookName.contains("Java")) return 99.00;
if (bookName.contains("Python")) return 88.50;
return 0.00;
}
}
|
这是本章最长的一段代码，请耐心读完注释，它完整展示了 Agent 的思考过程。
| ToolAgentTest.java |
|---|
| package com.example.demo;
import com.fasterxml.jackson.databind.JsonNode;
import com.fasterxml.jackson.databind.ObjectMapper;
import org.junit.jupiter.api.Test;
import org.springframework.web.client.RestClient;
import org.springframework.http.MediaType;
import java.util.ArrayList;
import java.util.List;
import java.util.Map;
@SpringBootTest
public class ToolAgentTest {
private static final String API_KEY = "sk-你的Token";
private static final String API_URL = "https://api-inference.modelscope.cn/v1/chat/completions";
private final ObjectMapper objectMapper = new ObjectMapper();
private final BookService bookService = new BookService(); // 我们的“工具”
@Test
void testToolCalling() throws Exception {
RestClient client = RestClient.builder()
.baseUrl(API_URL)
.defaultHeader("Authorization", "Bearer " + API_KEY)
.build();
// 1. 定义工具描述 (Tools Schema)
// 告诉 AI：我有这个本事，你看着用
List<Map<String, Object>> tools = List.of(
Map.of(
"type", "function",
"function", Map.of(
"name", "query_price",
"description", "查询图书价格",
"parameters", Map.of(
"type", "object",
"properties", Map.of(
"book_name", Map.of("type", "string", "description", "书名")
),
"required", List.of("book_name")
)
)
)
);
// 2. 初始化对话历史
List<Map<String, Object>> messages = new ArrayList<>();
messages.add(Map.of("role", "user", "content", "帮我查一下《Java编程思想》多少钱？"));
// ==========================================
// Round 1: 发送问题 + 工具定义
// ==========================================
System.out.println("🤖 Round 1: AI 思考中...");
Map<String, Object> requestBody1 = Map.of(
"model", "deepseek-ai/DeepSeek-R1-0528", // 建议用 Qwen 或 DeepSeek-V3，对工具支持更好
"messages", messages,
"tools", tools
);
String response1 = client.post().contentType(MediaType.APPLICATION_JSON)
.body(objectMapper.writeValueAsString(requestBody1))
.retrieve().body(String.class);
// 解析 AI 的响应
JsonNode responseNode = objectMapper.readTree(response1);
JsonNode choice = responseNode.path("choices").get(0);
JsonNode message = choice.path("message");
// 3. 检查 AI 是否想要调用工具
if (message.has("tool_calls")) {
JsonNode toolCall = message.path("tool_calls").get(0);
String functionName = toolCall.path("function").path("name").asText();
String arguments = toolCall.path("function").path("arguments").asText();
System.out.println("🚨 AI 请求调用工具: " + functionName + " | 参数: " + arguments);
// ==========================================
// Round 2: Java 执行代码 (中间层)
// ==========================================
double price = 0.0;
if ("query_price".equals(functionName)) {
// 解析参数 {"book_name": "Java编程思想"}
String bookName = objectMapper.readTree(arguments).path("book_name").asText();
// 真正的干活！！！
price = bookService.queryPrice(bookName);
}
// ==========================================
// Round 3: 把结果喂回给 AI
// ==========================================
// 3.1 把 AI 刚才的 "Tool Call" 请求加入历史 (必须加，否则 AI 会断片)
// 注意：这里需要构造一个符合 OpenAI 标准的 assistant message
// 为了演示简单，我们直接把 AI 原始返回的 message 塞回去
// (实际开发中需要严谨构造对象)
// 3.2 构造 "Tool 运行结果" 消息
Map<String, Object> toolOutputMessage = Map.of(
"role", "tool",
"content", String.valueOf(price), // 告诉它：结果是 99.0
"tool_call_id", toolCall.path("id").asText() // 对应刚才的请求 ID
);
// 这里的 messages 列表逻辑比较复杂，为了演示核心流程，我们直接发一个新的请求
// 告诉 AI：这是刚才那个工具的结果，请总结
System.out.println("🤖 Round 2: 拿着结果 (99.0) 再次问 AI...");
String promptWithContext = """
用户问：《Java编程思想》多少钱？
你决定调用工具 query_price。
工具返回结果：99.0。
请根据结果回复用户。
""";
Map<String, Object> finalRequest = Map.of(
"model", "deepseek-ai/DeepSeek-R1-0528",
"messages", List.of(Map.of("role", "user", "content", promptWithContext))
);
String finalResponse = client.post().contentType(MediaType.APPLICATION_JSON)
.body(objectMapper.writeValueAsString(finalRequest))
.retrieve().body(String.class);
System.out.println("✅ 最终答案: " + extractContent(finalResponse));
}
}
private String extractContent(String json) throws Exception {
return objectMapper.readTree(json).path("choices").get(0).path("message").path("content").asText();
}
}
|
3. 运行结果
| 🤖 Round 1: AI 思考中...
🚨 AI 请求调用工具: query_price | 参数: {"book_name": "Java编程思想"}
===> 正在查询数据库: Java编程思想
🤖 Round 2: 拿着结果 (99.0) 再次问 AI...
✅ 最终答案: 《Java编程思想》的价格是 99.0 元。
|
🔍 第四部分：Agent (智能体) 的诞生
恭喜你！当你跑通上面的代码时，你编写的程序就不再是一个简单的“对话框”，而是一个 Agent (智能体) 的雏形。
公式：Agent = LLM (大脑) + Memory (记忆) + Tools (手脚)
- Chatbot: 只能陪你聊它训练库里有的东西。
- Agent: 能根据你的指令，去操作数据库、发邮件、订机票。
痛点：手动拼接太累了
你肯定发现了，上面代码中处理 tool_calls JSON 的过程非常繁琐且容易出错。
这就是为什么我们需要 LangChain4j 或 Spring AI 这样的高级框架，它们把这些“脏活累活”都封装好了。但在使用框架之前，理解底层的 HTTP 交互原理是至关重要的。
🔌 预告：MCP 协议
既然大家都在手写 Tool Calling，每家公司的写法都不一样（OpenAI 一套，Claude 一套），有没有一个通用标准？
如果我写好了一个“查天气的工具”，能不能让所有的 AI 直接即插即用，不用每次都写 Schema？
这就是下一节的主角 —— MCP (Model Context Protocol)，未来的 AI USB 接口。
下一节：未来的标准：MCP (Model Context Protocol) 简介