ASP.NET Extensions 项目中的 AI 函数调用错误处理机制优化
2025-06-27 17:49:26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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
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
9
1
暂无简介
Dart
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217