ASP.NET Extensions中FunctionInvokingChatClient的优化实践
2025-06-28 11:23:54作者:韦蓉瑛
在基于大语言模型(LLM)的应用开发中,函数调用(function calling)是一种常见的结构化输出控制方式。ASP.NET Extensions项目中的FunctionInvokingChatClient组件为开发者提供了便捷的函数调用能力,但在实际使用中发现了一个值得优化的设计细节。
问题背景
当使用FunctionInvokingChatClient调用无返回值(void)的函数工具时,系统总会额外发起一轮与LLM的交互。这种设计在以下场景会带来不必要的开销:
- 仅需要执行特定操作的场景(如日志记录、状态更新)
- 结构化输出控制(如翻译结果确认)
- 单次决策型任务(如订单状态查询)
每次额外的交互都会增加:
- API调用延迟
- 资源消耗成本
- 系统整体响应时间
技术原理分析
FunctionInvokingChatClient的核心处理逻辑位于ProcessFunctionCallAsync方法中。当前实现无论函数是否返回值,都会默认继续执行流程,这源于LLM工作流的通用设计假设。
对于void方法,框架会:
- 执行目标函数
- 收到null返回值
- 生成"Function Successful"提示
- 再次调用LLM
- 最终获得终止信号
优化方案
项目维护者提供了优雅的扩展方案,通过继承FunctionInvokingChatClient并重写InvokeFunctionAsync方法,可以实现void方法调用后立即终止流程:
class StopOnVoidFunctionInvokingChatClient : FunctionInvokingChatClient
{
protected override async Task<object?> InvokeFunctionAsync(
FunctionInvocationContext context,
CancellationToken cancellationToken)
{
try
{
return await base.InvokeFunctionAsync(context, cancellationToken);
}
finally
{
if (context.Function.Metadata.ReturnParameter.ParameterType == typeof(void))
{
context.Terminate = true;
}
}
}
}
进阶讨论
在实际企业级应用中,函数调用控制还可以考虑以下增强方向:
- 精细化流程控制:通过返回值包装类指示后续行为
- 上下文感知执行:将执行上下文作为参数传入工具方法
- 反射替代方案:支持非反射方式注册工具方法
- 调用分析工具:提供便捷的调用日志和参数检查方法
这些优化可以更好地支持复杂业务场景,如:
- 多步骤审批流程
- 条件式数据收集
- 动态工作流调整
最佳实践建议
对于不同场景的建议实施方案:
- 简单操作场景:采用void方法+终止优化
- 结构化数据输出:使用返回值控制流程
- 复杂业务流程:结合上下文参数和包装返回值
- 高频工具方法:考虑非反射注册方式提升性能
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
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
420
3.22 K
Ascend Extension for PyTorch
Python
230
261
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++
689
330
暂无简介
Dart
685
160
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
React Native鸿蒙化仓库
JavaScript
266
326
🔥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
65
19
🎉 (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
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869