# FDE W7D2 评测题 · Spring AI Tool Calling 与 Chat Memory
> 对应手册：`FDE-W7D2-SpringAI工具调用与记忆-学习手册.html`
> 候选人背景：36 岁，Java + 大数据 + 医疗保险。场景统一用「保险知识库 / 特药理赔 Agent」。
> 评分：每题按"考察点 + 评分维度"给分，L1/L2 答到要点即过，L3/L4 看深度与工程权衡。
---
## 一、L1 基础（概念辨识，4 题）
### 1. 什么是 Tool Calling？为什么叫 Agent 的"手"？
- **考察点**：工具调用本质。
- **评分维度**：① 模型决定调哪个方法 + 填参；② 框架本地执行 + 回灌；③ 让模型能查真实系统而非瞎编。
参考答案
Tool Calling 让 LLM 在对话中决定调用哪个本地函数、填什么参数，框架负责把 Java 方法暴露成工具描述、本地执行并把结果回灌。叫 Agent 的"手"是因为它让模型具备"操作外部系统"的能力——查保单、校验特药目录，而不是凭记忆编造。对应 W2 的自研工具调度循环，Spring AI 把它做成了内建能力。
参考答案
框架把 `@Tool` 的 description 和方法签名转成工具 JSON Schema 发给模型，模型据此判断"何时调用、填什么参数"。description 相当于"给模型看的产品文档"，写不清会导致模型错误选择工具或填错参数（如把保单号当药品名）。`@ToolParam` 同理要描述参数格式/示例。
参考答案
ChatMemory 是 Spring AI 对多轮对话历史存储的抽象接口，按 conversationId 存取 Message 列表。模型本身无状态，对话上下文靠外部存储维持（"会话状态外置"）。模型无状态的好处是：易水平扩展、调用无副作用、状态治理（隔离/过期/审计）集中在平台层而不是模型里。
参考答案
不能直接上生产。InMemoryChatMemory 存在 JVM 内存，进程重启即丢失，且多实例部署时会"会话串台/丢失"。生产必须用 Redis（分布式）或 Jdbc（审计持久化）等外部存储实现，并通过 conversationId 关联，保证跨实例连续。
参考答案
```java
@Tool(description = "根据保单号查询保单基本信息：投保人、险种、生效日、状态")
public String queryPolicy(@ToolParam(description = "保单号，如 PA2024XXXX") String policyNo) {
return policyService.getPolicy(policyNo).toJson();
}
// 注册
ChatClient client = ChatClient.builder(chatModel).defaultTools(policyTools).build();
// 调用
client.prompt().user("查保单 PA2024XXXX").tools(policyTools).call().content();
```
description 必须写清"何时用、参数格式、返回结构"。注意工具结果回灌前可脱敏，防敏感保单数据进上下文。
参考答案
1. ChatClient 携带工具 schema 请求模型；2. 模型返回 `tool_calls`（工具名 + 参数 JSON），不生成最终文本；3. Spring AI 按名找到 ToolCallback，本地反射执行 Java 方法；4. 执行结果作为 `tool` 角色消息追加进对话历史；5. 模型拿到结果继续生成，直到不再请求工具、输出最终答案。这与 W2 自研 Agent 的"action→observation→thought"循环完全对应。
参考答案
```java
ChatMemory mem = RedisChatMemory.builder(redisConnectionFactory).build();
ChatClient client = ChatClient.builder(chatModel)
.defaultAdvisors(MessageChatMemoryAdvisor.builder(mem).build())
.build();
client.prompt()
.advisors(a -> a.param(ChatMemory.CONVERSATION_ID, "user-7788"))
.user("我上次问的特药能报多少？").call().content();
```
记忆 Advisor 应在改写/RAG Advisor 之前，保证注入完整历史；Trace/日志 Advisor 可放最外层。
参考答案
框架层：工具抛异常应被捕获并转成可回灌模型的"错误结果"消息，让模型能据此解释或重试，而不是让异常直接中断对话链路。工程层：有副作用的工具（创建工单、扣款）必须加权限校验、幂等保护、关键操作人工确认；工具结果要裁剪/脱敏，避免敏感或超长内容撑爆上下文。
参考答案
W2 我们手写"模型返回 action → 执行器执行 → observation 回灌 → 继续思考"的调度循环。Spring AI 把这套循环内建在 ChatClient 里，开发者只声明 `@Tool` 即可。它额外解决了工程问题：工具如何声明与自动注册（ToolCallback）、多个工具怎么管理（schema 体积/选择干扰）、以及工具如何与 ChatMemory（多轮）、Advisor（日志/重试/Trace）自然集成。即 W2 给"原理 + 轮子"，W7D2 给"生产级封装"。
参考答案
代价：每轮都把历史重发给模型，长会话 token 成本线性增长；超过模型有效窗口后"记不住前面"；记忆含用户隐私（保单号/身份证）堆积有合规风险。
缓解：① 窗口裁剪——`get(id, n)` 只取最近 n 条；② 过期 TTL——Redis 设过期、Jdbc 定时清理；③ 摘要压缩——另一轮 LLM 把历史压成小结；④ 加密存储 + 访问审计。保险场景尤其重视加密与隔离。
参考答案
① 工具层：声明 `queryPolicy`（查保单）、`checkSpecialDrug`（校验特药目录）、`createClaimTicket`（创建工单，带权限+幂等+人工确认）等 `@Tool`，description 写清触发条件；② 记忆层：用 RedisChatMemory 托管多轮对话，conversationId 由登录态派生，跨实例连续、设 TTL 防膨胀；③ 治理层：MessageChatMemoryAdvisor + AuditAdvisor 组合，工具结果脱敏后回灌，全程埋 trace_id；④ 把调用日志接入 Kafka+数仓做成本/质量分析。突出"实时查真实系统 + 多轮连续 + 强约束可审计"。
参考答案
方案：
- 记忆：RedisChatMemory + MessageChatMemoryAdvisor，conversationId 由登录态派生，保证多轮连续且跨实例；设 TTL 防无限增长。
- 工具：`queryPolicy` 用 `@Tool` 声明，执行异常捕获后转为"查询失败，请核对保单号"类错误结果回灌，对话不中断。
- 脱敏：工具结果回灌前只保留必要字段（如状态/险种），剔除身份证号等 PII，或整体加密存储。
- 治理：AuditAdvisor 记 Trace，工具调用次数/失败率监控。
达标线②要讲清：① ChatMemory 怎么接不同存储（InMemory/Redis/Jdbc，通过 Advisor 接入，conversationId 关联，按跨实例/持久化/成本选型）；② 与 W3 会话状态的关系（W3 是设计原则——外置/隔离/持久化/过期，W7D2 的 ChatMemory 是 Java 落地实现）。
参考答案
选型：**Redis**。百万级并发下 Redis 内存存储低延迟、天然支持 TTL 与分布式，优于 Jdbc（磁盘 IO、量大查询慢）。Jdbc 仅在"监管强审计需落库"时作为补充归档。
三位一体方案：
- 隔离：conversationId = `userId:sessionId`，由网关/登录态强制注入，模型不可自定义，防串号泄露隐私；
- 过期：每次访问 `EXPIRE` 续期（如 30 分钟无活动过期），冷会话自动淘汰；
- 成本：写入时只保留最近 N 条（窗口裁剪）+ 超长摘要压缩，监控每会话 token 用量，超阈值告警并触发压缩；
- 合规：Redis 启用传输/静态加密，访问全量审计到数仓。
呼应 W3 会话状态设计原则与 W4 成本字段。