AWS .NET SDK中Bedrock MEAI扩展工具调用问题的分析与解决
问题背景
在使用AWS .NET SDK的AWSSDK.Extensions.Bedrock.MEAI扩展时,开发者尝试通过IChatClient接口调用Bedrock服务并添加AITool工具时遇到了服务器端验证错误。错误信息明确指出JSON Schema定义存在问题:"The json schema definition at toolConfig.tools.10.toolSpec.inputSchema is invalid. Fix the following errors and try again: $.properties: null found, object expected"。
问题现象
当开发者使用以下代码模式时会出现问题:
IChatClient client = runtime.AsChatClient("us.anthropic.claude-3-7-sonnet-20250219-v1:0");
ChatOptions chatOptions = new ChatOptions();
AITool toolInLine = MyTools.GetAITestTool();
chatOptions.Tools.Add(toolInLine);
client.GetStreamingResponseAsync(messages,chatOptions);
错误表明在toolConfig.tools数组中的第10个工具的inputSchema.properties字段应为对象类型,但实际收到了null值。
技术分析
根本原因
经过深入分析,发现问题出在AWSSDK.Extensions.Bedrock.MEAI扩展包对AITool的转换逻辑上。当创建AITool时,如果工具函数没有参数,生成的JSON Schema中的properties字段会被设置为空对象{},而Bedrock服务端期望这个字段至少包含一些属性定义。
底层机制
在AWS Bedrock服务中,工具调用需要明确定义输入参数的JSON Schema。这个Schema需要包含:
- type字段(通常设为"object")
- properties字段(定义各个输入参数)
- required字段(列出必填参数)
当使用Microsoft.Extensions.AI包创建AITool时,如果工具函数没有参数,生成的Schema中properties字段会为空,这不符合Bedrock服务的预期。
解决方案
AWS SDK团队已经发布了修复版本AWSSDK.Extensions.Bedrock.MEAI 4.0.1.1,主要修改了工具配置的生成逻辑:
- 确保即使没有输入参数,也会生成合法的Schema结构
- 正确处理空properties的情况
- 保持与Bedrock服务端期望的Schema格式一致
修复后的代码会检查inputs.Type是否为Null,只有在有实际输入参数时才添加properties字段。
开发者应对策略
对于遇到此问题的开发者,可以采取以下措施:
- 升级到AWSSDK.Extensions.Bedrock.MEAI 4.0.1.1或更高版本
- 如果暂时无法升级,可以为工具函数添加虚拟参数作为临时解决方案
- 确保工具定义时提供完整的描述信息
最佳实践
在使用Bedrock的AI工具功能时,建议:
- 始终为工具函数定义清晰的输入参数
- 为每个工具提供详细的名称和描述
- 在ChatOptions中明确指定工具的使用方式
- 处理工具调用时检查返回状态和结果
总结
这个问题展示了AWS服务与客户端SDK之间Schema验证的重要性。通过这次修复,AWS .NET SDK更好地处理了无参数工具的情况,为开发者提供了更稳定的工具调用体验。开发者应当保持SDK的及时更新,以获取最新的功能改进和错误修复。
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。C091
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