昨天晚上直播，我们用 RAG（Retrieval-Augmented Generation，检索增强生成）实现了数据库 AI 助手，今天我们准备换一个技术使用 function call 来实现快递 AI 助手。
执行效果
快递 AI 助手的业务逻辑很清晰，就是我通过 LLM 大语言模型的对话来查询我的快递详情，例如，我问 AI 我有几个“运送中”的快递，他把这些快递查询并展示出来，效果如下图所示：
什么是 function call？
定义： Function Call（也称为 Tool Call）它允许大模型与一组 API 或工具进行交互，从而增强其功能。
也就是说 Function Call 和 RAG、MCP 等类似都是用于增强 AI 能力边界的。
function call 执行流程
执行流程如下：
其中，Tool 既为 Function Call。
当然如果你上图看的不是很懂的话，也可以参考阿里云提供的 function call 的工作流程：
快递 AI 助手实现
具体实现步骤：
- 添加大模型依赖
- 配置大模型参数
- 创建 function call
- 调用 function call 实现快递查询
接下来，我们一步步来看，我们以阿里云的百炼（通义千问）大模型对接为例。
1.添加大模型依赖
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-openai</artifactId> </dependency> 2.配置大模型参数
spring: ai: openai: base-url: https://dashscope.aliyuncs.com/compatible-mode/ api-key: ${ALIYUN-AK} chat: options: model: deepseek-v3 3.创建 function call
这里就不连接数据库查询快递信息了，生成级别需要连接数据库，这里演示效果，构建测试数据即可，如下代码所示：
import org.springframework.ai.tool.annotation.Tool; import java.time.LocalDateTime; import java.util.ArrayList; import java.util.List; import java.util.stream.Collectors; public class ExpressService { @Tool(description = "用于查询我的快递") public List<Express> getExpress(String state) { // 生成测试数据 List<Express> data = getData(); // 根据状态过滤（如果state为null或空则返回全部） return state == null || state.isEmpty() ? data : data.stream() .filter(e -> e.state().equalsIgnoreCase(state)) .collect(Collectors.toList()); } /** * 生成测试快递数据 */ private List<Express> getData() { List<Express> data = new ArrayList<>(); LocalDateTime now = LocalDateTime.now(); data.add(new Express(1001L, "北京", "西安", now.minusDays(12), "已签收")); data.add(new Express(1002L, "广州", "西安", now.minusDays(12), "已签收")); data.add(new Express(1003L, "杭州", "西安", now.minusDays(3), "运送中")); data.add(new Express(1004L, "深圳", "西安", now.minusDays(3), "运送中")); data.add(new Express(1005L, "南京", "西安", now.minusDays(1), "待发货")); return data; } /** * 快递类 * * @param id * @param from * @param to * @param createtime * @param state */ record Express(long id, String from, String to, LocalDateTime createtime, String state) { } } 4.调用 function call
调用大模型可以使用 ChatModel 和 ChatClient，这里使用 ChatClient 调用：
@RequestMapping("/tool") public Flux<String> tool(@RequestParam("msg") String msg) { return chatClient.prompt(msg) .tools(new ExpressService(), new DateTimeTools()) .stream().content(); } 最终执行效果如下：
小结
大模型应用开发是以后程序开发的主流方向，他也会巅峰以往的开发形式，早早掌握大模型的开发知识，对于后期涨薪或找工作都有巨大的帮助。程序员群体注定是一个活到老学到老的群体，因为学习的本质在于扩展自己的能力边界，让自己变得更值钱。所以各位动起来，让我们一起拥抱这场 AI 盛宴吧。
本文已收录到我的技术小站 www.javacn.site，其中包含的内容有：Spring AI、大模型应用开发各种技术、MCP、Function Call、RAG、向量数据库、Prompt、多模态、向量数据库、嵌入模型等内容。
