使用SpringAI整合Ollama实现工具链调用功能

场景

设想一个经典场景：你丢给大模型一句“帮我查查北京的天气，然后用英文回答”。传统做法是先写一段代码调天气API，再写一段代码调翻译API，串起来。但在 Spring AI 的世界里，你只需要把两个工具注册进去，模型自己就能判断什么时候该调天气，什么时候该调翻译，甚至把两个工具的调用顺序和参数拼接得妥妥当当。这就是 Tool Calling 的魅力——让智能体自主决策、自动组合，完成多步骤任务，比如“查询北京天气并用英文回答”，模型会先走天气工具拿到数据，再走翻译工具输出英文。

核心概念

要理解这套机制，得先摸清几个关键术语。下面这张表做了快速总结：

简单说，你把工具描述和方法签名告诉模型，模型就能像人一样“看说明书”来使用它们。

实现

接下来我们一步步搭建一个能处理链式调用的智能体。整个项目基于 Spring Boot 3.3.3 + Spring AI 1.1.2 + Ollama（模型用 qwen2.5:7b-instruct）。先从依赖和配置说起。

pom.xml

    
        org.springframework.boot
        spring-boot-starter-parent
        3.3.3 
    
    com.example
    spring-ai-ollama-tool-chain
    1.0
    
        17
        1.1.2
    
    
        
            org.springframework.boot
            spring-boot-starter-web
        
        
        
            org.springframework.ai
            spring-ai-starter-model-ollama
            ${spring-ai.version}
        
    

版本号特意锁到 3.3.3 和 1.1.2，避免踩到某些兼容性坑。依赖只加了 web 和 ollama 模型 starter，干净利落。

application.yml

​
server:
  port: 886
spring:
  ai:
    ollama:
      base-url: http://localhost:11434
      chat:
        model: qwen2.5:7b-instruct
        options:
          temperature: 0.7
          num-ctx: 4096                         # 上下文窗口大小
logging:
  level:
    org.springframework.ai.chat.client: DEBUG   # 查看工具调用详情
​

日志级别设成 DEBUG 方便调试，这样工具调用时每一步都会打印出来，对理解模型决策很有帮助。

天气工具

package com.badao.ai.tools;

import org.springframework.ai.tool.annotation.Tool;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.stereotype.Component;

@Component
public class WeatherTool {

    @Tool(name = "get_weather", description = "查询指定城市的实时天气")
    public String getWeather(@ToolParam(description = "城市名称") String city) {
        System.out.println("调用了天气工具");
        // 模拟天气数据
        return String.format("%s当前天气：晴，温度22℃，湿度45%%。", city);
    }
}

用 @Tool 注解标记方法，name 和 description 是关键——模型就是靠这些描述来决定是否调用。这里模拟了天气返回，实际你可以换成真实 API。

翻译工具

package com.badao.ai.tools;

import org.springframework.ai.tool.annotation.Tool;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.stereotype.Component;

@Component
public class TranslateTool {

    @Tool(name = "translate_to_english", description = "将中文文本翻译成英文")
    public String translate(@ToolParam(description = "待翻译的中文文本") String text) {
        System.out.println("调用了翻译工具");
        // 模拟翻译，实际可接入翻译API
        return "Translated: " + text + " (This is the English version.)";
    }
}

翻译工具同样标注清楚，模型看到“translate_to_english”就能理解它的职责。

工具注册配置类

package com.badao.ai.config;

import com.badao.ai.tools.WeatherTool;
import com.badao.ai.tools.TranslateTool;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class ToolConfig {

    @Bean
    public ChatClient chatClient(ChatModel chatModel,
                                 WeatherTool weatherTool,
                                 TranslateTool translateTool) {
        return ChatClient.builder(chatModel)
                .defaultTools(weatherTool, translateTool)   // 注册天气和翻译工具
                .build();
    }
}

关键点在于 defaultTools() 方法，你可以传入任意多个工具 Bean，Spring AI 会自动收集它们的方法签名和注解信息，生成对应的 JSON Schema 传给模型。模型拿到这些描述，就能自主决策调用哪个、调用顺序如何。

Agent 服务层

package com.badao.ai.service;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.stereotype.Service;

@Service
public class AgentService {

    private final ChatClient chatClient;

    public AgentService(ChatClient chatClient) {
        this.chatClient = chatClient;
    }

    public String ask(String question) {
        return chatClient.prompt()
                .user(question+ "（请先用天气工具，再用翻译工具）")
                .call()
                .content();
    }
}

注意这里我们在 user 问题后面追加了“请先用天气工具，再用翻译工具”的提示——这是一种“软约束”，让模型按照预期顺序执行。实际场景中模型也可能自己推理出顺序，但明确提示能提高成功率。

控制器

package com.badao.ai.controller;

import com.badao.ai.service.AgentService;
import org.springframework.web.bind.annotation.*;

@RestController
@RequestMapping("/api")
public class AgentController {

    private final AgentService agentService;

    public AgentController(AgentService agentService) {
        this.agentService = agentService;
    }

    @PostMapping("/agent")
    public String ask(@RequestBody String question) {
        return agentService.ask(question);
    }
}

暴露一个 POST 接口，接收问题文本，返回模型处理结果。整个链条到此跑通。

测试

跑一下看看效果。先测试单个工具——直接问天气：

再测试工具链——问“北京天气怎么样，用英文回答”：

从日志可以看到，模型先调用了 get_weather 拿到天气数据，接着调用了 translate_to_english 进行翻译，最终输出英文结果。整个顺序完全由模型自主决策，代码层面没有硬编码任何调用顺序，这正是 Tool Calling 链式调用的灵活之处。

有了这套基础，你可以扩展更多的工具——比如查数据库、调第三方 API、执行脚本等等。模型会根据问题场景自动组合，实现真正的“智能体”效果。