Spring AI Alibaba 工具调用模块的代码重构实践
在 Spring AI Alibaba 项目的开发过程中,工具调用模块(tool-calls)的代码逐渐出现了一些冗余问题。本文将详细介绍如何通过引入通用模块来优化 BaiduSearch、BingSearch 和 GoogleTranslate 等服务的代码结构。
背景与问题
随着 Spring AI Alibaba 项目中工具调用功能的不断扩展,多个服务类中出现了相似的 WebClient 构建逻辑和常量定义。这种代码重复不仅增加了维护成本,也降低了代码的可读性和一致性。
具体表现在:
- 多个服务类中重复实现 WebClient 的构建逻辑
- 相同功能的常量分散在各个类中定义
- 异常处理和日志记录方式不统一
解决方案设计
项目团队决定通过引入 tool-calls/common 模块来解决这些问题,主要从以下几个方面进行重构:
1. WebClient 构建逻辑的抽象
在 commonToolcallUtils 工具类中,我们提供了通用的 WebClient 构建方法,支持:
- 自定义 Header 配置
- 灵活的超时设置
- 内存管理等参数配置
这些配置通过继承 CommonToolProperties 类来实现,子类可以直接复用父类定义的超时等属性。
2. 常量的统一管理
将项目中常用的常量集中到 CommonToolCallConstants 类中管理,包括:
- 标准的 User-Agent 字符串
- 各种超时设置
- 内存限制参数
这种集中管理方式避免了常量在多个类中重复定义的问题。
3. 服务类的重构
基于上述工具类和常量类,我们对三个主要服务进行了重构:
- BaiduSearchService
- BingSearchService
- GoogleTranslateService
重构后的服务类:
- 统一调用 CommonToolcallUtils 的 WebClient 构建方法
- 使用 CommonToolCallConstants 中的常量
- 代码量显著减少,逻辑更加清晰
实现细节
在具体实现过程中,我们参考了项目中已有的 BaiduMap 工具调用的实现方式,该模块已经成功应用了 common 模块的改造方案。
对于 WebClient 的构建,项目中已经提供了 WebClientTool 类,其中包含了自定义 Header 的构造方法。超时等属性则通过 CommonToolProperties 类进行统一管理,子类通过继承即可获得这些配置。
重构效果
通过这次重构,我们实现了:
- 代码重复率显著降低
- 配置管理更加集中和统一
- 新增工具调用服务的开发效率提高
- 项目整体可维护性增强
总结
Spring AI Alibaba 项目通过引入 common 模块对工具调用功能进行重构,不仅解决了代码冗余问题,还为未来的功能扩展奠定了良好的基础。这种模块化的设计思路值得在其他类似项目中借鉴和应用。
对于开发者而言,理解这种设计模式有助于编写更清晰、更易维护的代码,特别是在需要实现多个相似功能的微服务架构中。
kernelopenEuler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。C090
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00