企业官网建设流程全解析

概述

用户：
分析上个月销售数据

Agent:

Step1 调SQL工具

Step2 获取数据

Step3 Pandas分析

Step4 生成图表

Step5 输出报告

Tool Calling

对应你表里的：

• Tool Agent ⭐

你要先搞清三件事：

• LLM如何“决定调用工具”（function calling / tool schema）
• 工具如何被注册（schema / prompt / JSON）
• 工具执行链路（LLM → tool router → function → result → LLM）

目标产物：

• 一个“能调用2~3个工具”的LLM系统
  例如：
  • 查天气
  • 查数据库
  • 调用HTTP接口

👉 没这个，后面所有 Agent 都只是“高级聊天”

什么是Tool Calling

让LLM拥有「感知外部世界」和「操作外部世界」的能力。

Q：北京天气？

LLM：

需要调用weather_tool
↓

weather_tool("北京")
↓

26℃
↓

LLM
北京今天26℃...

为什么LLM会主动调用工具

LLM不会调用工具。

LLM只会：

预测下一个Token

Question:

北京天气

Tools:
weather_tool(city)

LLM预测：

{ "name":"weather_tool", "arguments":{ "city":"北京" } }

Function Calling原理

只是作为一个可以调用的json工具类集合给AI

AI在返回调用哪个

{ "name":"weather", "description":"查询天气", "parameters":{ "type":"object", "properties":{ "city":{ "type":"string" } } } }

模型看到

用户：

北京天气

工具：

weather

{

"name":"weather",

"arguments":{

"city":"北京"

}

}

模型并没有调用工具的能力，只是返回需要调用的工具和参数的json协议格式，由对应的来进行运行，可能是反射，可能是代理

Spring AI里面如何实现

SpringAI实际上帮你做了四件事情。

tool注册

@Bean ToolCallback weatherTool(){ return MethodToolCallback.builder() .object(weatherService) .method("query") .build(); }

SpringAI内部

/** * 工具注册中心 * 底层使用Map结构存储全部工具定义，维护工具名称与工具元数据的映射关系 * 核心职责：工具注册、工具查询、工具删除、遍历全部已注册工具 * K：toolName 工具唯一名称 * V：ToolDefinition 工具完整定义信息（入参、描述、执行逻辑、权限等） */ public class ToolRegistry { // 底层存储容器 /** * 工具映射表 * key：toolName 工具唯一标识名称，全局不可重复 * value：ToolDefinition 工具元定义对象，包含工具所有配置信息 */ private final Map<String, ToolDefinition> toolMap; // 构造器注释示例 /** * 初始化空的工具注册容器 */ public ToolRegistry() { this.toolMap = new HashMap<>(); } /** * 注册工具 * @param toolName 工具唯一名称 * @param definition 工具完整定义元数据 */ public void register(String toolName, ToolDefinition definition) { toolMap.put(toolName, definition); } /** * 根据工具名称获取工具定义 * @param toolName 工具名称 * @return 存在返回工具定义，不存在返回null */ public ToolDefinition getTool(String toolName) { return toolMap.get(toolName); } }

HashMap { "weather" : ToolDefinition }

Schema生成

SpringAI自动扫描

String query(String city)

{ name:"query", parameters:{ city:String } }

发送给大模型。

LLM推理

用户

↓

Prompt

↓

Tools

↓

Qwen

↓

ToolCall

{

"name":"query",

"city":"北京"

}

ToolRouter

ToolCallingManager

内部逻辑

if(toolCall){

findTool()

execute()

injectResult()

}

重点研究方向

为什么Tool Calling是Agent的地基

因为后面的所有Agent，本质上都是在Tool Calling上增加能力。

Agent ≈ LLM（大脑） + Tool Calling（手脚） + Memory（记忆） + Planning（前额叶） + Reflection（自我监督）

Workflow Agent

而DAG Workflow解决的是：

大模型如何像项目经理一样组织多个工具协同工作。 （因为LLM天然没有流程控制。需要一个来进程合理的顺序调度的工具）

帮我分析特斯拉最近一个月股票走势，并结合最近新闻给出投资建议。

①股票数据

↓

②新闻检索

↓

③新闻总结

↓

④技术分析

↓

⑤风险评估

↓

⑥生成报告

Tool Calling开始失控。

因为LLM天然没有流程控制。

LLM擅长：

推理

不擅长：

调度

DAG

DAG

Directed Acyclic Graph

有向无环图

用户问题

↓

Planner

↓

生成DAG

↓

Executor

↓

结果

允许并行。

A
／ ＼
／ ＼
B C
＼ ／
＼ ／
D

Planner（任务规划层）
↓ 输出编排拓扑
TaskGraph（任务依赖拓扑载体）
↓ 传入执行引擎
Executor（任务调度执行层）
↓ 聚合全部输出
Result（统一执行结果封装）

职责分离。

DAG四个核心组件

① Node

节点

就是任务。

例如

Node1
查股票
Node2
查新闻
Node3
分析新闻
Node4
生成报告

class Node{ String id; String name; Tool tool; }

② Edge

依赖关系

Node1

↓

Node3

意思

Node3等待Node1。

class Edge{ from; to; }

③ State

WAITING ↓ READY ↓ RUNNING ↓ SUCCESS ↓ FAILED

④ Executor

遍历DAG

判断依赖

调Tool

更新State

Planner为什么存在

这是Agent研究热点。

没有Planner。

用户

分析特斯拉

Executor不知道干什么。

{

tasks:[

"查股票",

"查新闻",

"分析风险",

"输出报告"

]

}

生成

DAG

股票

＼

风险

／

新闻

↓

报告

Executor干什么

Executor相当于CPU。 类似Java线程池。

SpringBoot怎么设计

TaskGraph

TaskNode

PlannerService

DagExecutor

WorkflowContext

WorkflowContext

所有节点共享数据。

类似

Spring IOC。

Map<String,Object>

股票工具

context.put(

"stock"

,data
);

新闻工具

context.put( "news" ,data );

LangGraph

DAG + State Machine

Workflow（DAG）就是 Agent 的神经系统和调度中心。

需要自己做“编排层”，Spring AI / 阿里百炼（DashScope）只提供“单步模型能力 + 工具调用能力”，不直接提供完整 Workflow Agent 框架。

Java生态目前不如 Python：

• LangGraph（Python）
• AutoGen（Python）
• CrewAI（Python）

自己实现 Workflow Engine + LLM

Planning Agent

Planning Agent（任务规划代理）本质是：

将“复杂目标”拆解成可执行的结构化子任务（Task List / DAG），再交给执行模块逐步完成。

核心目标不是“回答问题”，而是：

• 把问题变成步骤
• 把步骤变成可执行计划
• 把计划变成执行流程（Execute）

1. ReAct（Reason + Act）

思考 + 行动交替进行

Thought → Action → Observation → Thought → Action ...

作用：

• 一边规划一边调用工具
• 适合“动态任务”

用户：分析一个电商系统

Thought：需要了解系统结构
Action：搜索/读取资料
Observation：得到信息
Thought：开始设计模块