ASP.NET Extensions 项目中的 AI 函数调用错误处理机制优化
2025-06-27 01:09:38作者:吴年前Myrtle
在 ASP.NET Extensions 项目中,开发团队近期对 AI 函数调用(Function Calling)的错误处理逻辑进行了深入讨论和优化。这项改进主要针对 AI 功能调用时的异常处理机制,旨在提供更灵活、更安全的错误处理方式,同时防止潜在的资源浪费问题。
原有机制分析
在之前的实现中,系统提供了两种基本的错误处理模式:
-
RetryOnError=false 模式
- 当发生异常时,系统会进行最后一次尝试获取答案
- 在此次尝试中,所有工具(tools)都不可用
- 目的是在不要求应用开发者捕获 AIFunction 中错误的情况下,生成"抱歉,操作失败"的响应
-
RetryOnError=true 模式
- 发生异常时,系统会持续循环直到达到 MaximumIterationsPerRequest 限制
- 默认情况下这个限制是无限的
存在的问题
原有设计存在几个明显的不足:
- 循环终止机制不够严格,可能导致资源浪费
- "Retry"命名不够准确,容易引起误解
- 配置方式不够灵活,无法满足不同场景的需求
- 缺乏对连续错误的限制机制
优化方案
经过深入讨论,团队提出了以下优化方案:
1. 更严格的循环终止控制
- 默认将 MaximumIterationsPerRequest 设置为 10(具体数值待定)
- 新增 MaximumConsecutiveErrorsPerRequest 参数,默认值为 3
- 这些限制共同作用,可有效防止以下情况:
- LLM 无限调用问题函数
- 提示注入攻击导致 LLM 无限调用成功函数
2. 错误处理模式重构
- 用 FunctionInvocationErrorHandlingMode 替代原有的 RetryOnError
- 提供两种基本模式:
- Throw:不捕获异常,直接重新抛出(适用于非聊天循环场景)
- Retry:相当于原有的 RetryOnError=true
- 默认使用 Retry 模式,依靠 MaximumConsecutiveErrorsPerRequest 限制重试次数
3. 配置方式优化
- 将错误处理模式配置从 FunctionCallingChatClient 移到 ChatOptions
- 允许在每次调用时单独设置
- 通过类层次结构实现扩展性,支持自定义错误处理逻辑
简化后的最终方案
经过进一步思考,团队决定采用更简洁的设计:
-
循环控制参数
- 默认 MaximumIterationsPerRequest = 10
- 新增 MaximumConsecutiveErrorsPerRequest = 3
-
移除 RetryOnError 参数
- 默认情况下,LLM 最多有 2 次额外尝试机会
- 如需禁用重试,设置 MaximumConsecutiveErrorsPerRequest ≤ 1
- 如需实现"最后一次无工具尝试",可通过添加中间件实现
技术实现要点
-
错误计数机制
- 系统会跟踪连续错误次数
- 当达到 MaximumConsecutiveErrorsPerRequest 限制时终止循环
-
历史记录增强
- 每次失败的工具调用都会在历史记录中添加错误信息
- 帮助 LLM 在下一次尝试时调整行为
-
中间件扩展
- 开发者可以通过添加中间件实现自定义错误处理逻辑
- 例如:检测到失败工具调用后,将 ToolMode 设置为 None
实际应用建议
-
聊天场景
- 保持默认设置,允许有限次数的自动重试
- 利用错误信息帮助 LLM 自我修正
-
结构化输出场景
- 设置更严格的错误限制
- 考虑添加自定义中间件处理特定错误类型
-
高安全性要求场景
- 将 MaximumConsecutiveErrorsPerRequest 设为 1
- 快速失败并返回错误,减少潜在攻击面
这项改进使 ASP.NET Extensions 的 AI 函数调用功能更加健壮和安全,同时保持了足够的灵活性以满足不同应用场景的需求。开发者现在可以更精确地控制错误处理行为,防止资源滥用,并实现更复杂的自定义错误处理逻辑。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.85 K
Ascend Extension for PyTorch
Python
387
458
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
894
680
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
354
212
昇腾LLM分布式训练框架
Python
120
146
暂无简介
Dart
805
198
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781