前面我们接入了百炼的多模态能力，也实现了多模型切换，但你可能感觉还差点火候——模型有时候“听不懂”你的深层需求，回复速度也不稳定，而且不知道怎么精细控制生成效果。今天，我们就来深入 DashScope 的 原生高级功能，用函数调用、参数调优和性能优化三把利剑，让你的百炼应用更“聪明”、更稳定、更高效。

本文会带你解锁 DashScope 平台特有的能力（如原生 Function Calling），教你在生产环境中如何精调参数，以及如何从连接池、超时、重试等维度全面优化性能。这些技巧可以直接应用到任何使用百炼模型的 Spring AI Alibaba 项目中。

一、痛点场景：当你觉得模型“不够听话”时

场景一：模型需要实时数据，但它没有

你想做一个查询天气的机器人，问“北京今天多少度？”模型只能回答“我没有实时天气数据”。你需要的不是拒绝，而是让模型自动调用一个天气查询函数，把结果纳入回答。

场景二：生成质量飘忽不定

每次问同样的问题，模型给出的答案质量、长度、风格都不一样。你怀疑是参数问题，但不知道如何调整温度、top_p 等参数来稳定输出。

场景三：高并发下性能骤降

当应用上线后，多个用户同时请求时，响应越来越慢，甚至出现超时、连接池耗尽。你发现之前在开发环境从没考虑过这些生产问题。

这三个场景对应的解决方案，正是 DashScope 平台提供的 原生函数调用、参数精细控制 和 性能优化配置。Spring AI Alibaba 把这些能力都封装成了简单的 Java API。

二、核心概念快览

2.1 原生 Function Calling

Function Calling（函数调用）是一种让模型“学会使用工具”的机制。你定义一个 Java 方法（比如查询天气），然后把方法的签名描述（名称、参数、功能说明）告诉模型。当用户的问题需要这个功能时，模型不会直接胡编，而是返回一个“函数调用请求”，你的代码执行这个函数拿到真实结果，再交给模型生成最终回复。

百炼平台的原生 Function Calling 是通过 DashScopeApi 直接支持的，Spring AI Alibaba 将它封装在 DashScopeChatOptions 中。你只需用 withFunction() 注册函数名，并提供一个 FunctionCallback 实现，框架会自动处理调用链路。

与通用 Tool Calling 的区别：Spring AI 有一套跨模型的 @Tool 注解体系（下一篇会讲），而 DashScope 的原生 Function Calling 是直接使用百炼 API 的 functions 字段，更贴近平台底层，适合深度利用百炼特性。今天我们先感受 DashScope 的原生方式，为后面的通用 Tool Calling 打下基础。

2.2 参数调优关键项

参数	作用	建议
temperature	控制随机性，值越高越有创造力	事实问答用 0.1~0.3，创意写作用 0.7~0.9
top_p	核采样，仅考虑概率累加到 top_p 的 token	与 temperature 二选一，控制多样性
max_tokens	限制回复最大长度	短回复设小值，长文适当放大
seed	随机种子，固定后相同输入产生相同输出	需要可复现结果时设置
stop	指定停止词	用于控制回复结束位置

2.3 性能优化三板斧

• 连接池与超时：合理配置 HTTP 客户端的连接数、超时时间，避免高并发下连接泄漏。
• 异步与流式：对于长耗时请求，使用流式输出提升用户体验；后台任务用异步处理。
• 重试与熔断：网络抖动时自动重试（需注意幂等性），连续失败时熔断保护系统。

三、环境准备

3.1 依赖

仍然使用 spring-ai-alibaba-starter-dashscope 一个依赖：

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
    <version>1.1.2.0</version>
</dependency>

我们还需要手动管理底层 HTTP 客户端的一些配置，因此加入 Apache HttpClient 用于连接池配置（Spring AI 默认使用 RestClient，可通过 DashScopeConnectionProperties 调整）。

3.2 配置文件

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}
      chat:
        options:
          model: qwen-max          # 需要函数调用必须使用 qwen-max 等支持工具调用的模型
          temperature: 0.3
          max-tokens: 1000
      # 连接配置（性能优化）
      connection:
        connect-timeout: 10s
        read-timeout: 60s
        max-connections: 50         # 最大连接数
        max-connections-per-route: 20

四、代码实战

4.1 原生 Function Calling：让模型查询天气

步骤1：定义天气查询函数

package com.example.demo.service;

import org.springframework.stereotype.Component;
import java.util.Map;

@Component
public class WeatherService {

    /**
     * 模拟天气查询，实际项目中可调用第三方 API
     */
    public String getCurrentWeather(String city) {
        // 模拟返回
        Map<String, String> weatherMap = Map.of(
                "北京", "晴天，25°C，湿度40%",
                "上海", "多云，28°C，湿度65%",
                "深圳", "阵雨，30°C，湿度80%"
        );
        return weatherMap.getOrDefault(city, "城市未找到，请检查城市名称");
    }
}

步骤2：创建 DashScope 原生 FunctionCallback

Spring AI Alibaba 提供了一个 FunctionCallback 接口，我们需要实现它来包装我们的方法。

package com.example.demo.callback;

import com.example.demo.service.WeatherService;
import org.springframework.ai.model.function.FunctionCallback;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class FunctionCallbackConfig {

    private final WeatherService weatherService;

    public FunctionCallbackConfig(WeatherService weatherService) {
        this.weatherService = weatherService;
    }

    @Bean
    public FunctionCallback weatherFunctionCallback() {
        return FunctionCallback.builder()
                .function("getCurrentWeather", weatherService)  // 绑定方法引用
                .description("查询指定城市的实时天气")
                .inputType(String.class)                        // 输入类型（城市名）
                .build();
    }
}

步骤3：在 ChatClient 中启用 Function Calling

我们新建一个 Controller，演示函数调用：

package com.example.demo.controller;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.model.function.FunctionCallback;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class FunctionCallController {

    private final ChatClient chatClient;
    private final FunctionCallback weatherCallback;

    public FunctionCallController(ChatClient chatClient,
                                  FunctionCallback weatherCallback) {
        this.chatClient = chatClient;
        this.weatherCallback = weatherCallback;
    }

    /**
     * 带天气查询功能的对话接口
     * GET /weather?q=北京今天天气怎么样
     */
    @GetMapping("/weather")
    public String weatherChat(@RequestParam String q) {
        return chatClient.prompt()
                .user(q)
                .function(weatherCallback)   // 注册函数回调
                .call()
                .content();
    }
}

运行测试：

http://localhost:8080/weather?q=北京今天天气怎么样

模型会识别到需要调用 getCurrentWeather，参数为“北京”。我们的函数返回“晴天，25°C，湿度40%”，模型最终回复：“根据查询结果，北京今天晴天，气温25°C，湿度40%，适合户外活动。”

如果问“上海呢？”，模型会继续调用函数。你甚至可以用 function() 注册多个回调，如 sendEmail、queryOrder，模型会根据用户意图自动选择。

4.2 参数调优实战

在 application.yml 中我们已经设置了默认参数。但在运行时，我们可以针对单次调用覆盖这些参数：

@GetMapping("/chat/tuned")
public String tunedChat(@RequestParam String msg,
                        @RequestParam(defaultValue = "0.3") double temp) {
    return chatClient.prompt()
            .user(msg)
            .options(com.alibaba.cloud.ai.dashscope.chat.DashScopeChatOptions.builder()
                    .withTemperature(temp)
                    .withMaxTokens(200)
                    .withTopP(0.8)
                    .withSeed(42)   // 固定种子，输出可复现
                    .build())
            .call()
            .content();
}

测试效果：

• 用 temp=0.1 问“解释一下量子计算”，回复会非常严谨、偏教科书。
• 用 temp=0.9 问同样问题，回复会更有想象力，甚至用比喻。

你可以通过前端滑块让用户自行选择“严谨模式”还是“创意模式”，背后就是调整 temperature。

4.3 性能优化：连接池与重试

Spring AI Alibaba 底层使用 RestClient 与百炼通信，它的连接配置可以通过 DashScopeConnectionProperties 设置，如上文的 max-connections。如果希望更精细的控制（比如重试策略），我们可以自定义 RestClient.Builder。

增加自动重试与超时：

package com.example.demo.config;

import org.springframework.ai.dashscope.api.DashScopeApi;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.http.client.ClientHttpRequestFactory;
import org.springframework.http.client.SimpleClientHttpRequestFactory;
import org.springframework.retry.support.RetryTemplate;
import org.springframework.web.client.RestClient;

@Configuration
public class DashScopeClientConfig {

    @Bean
    public DashScopeApi dashScopeApi() {
        // 自定义 RestClient，带超时和重试（示例简化，实际可集成 Spring Retry）
        RestClient.Builder builder = RestClient.builder()
                .requestFactory(clientHttpRequestFactory());
        return new DashScopeApi(System.getenv("DASHSCOPE_API_KEY"), builder);
    }

    private ClientHttpRequestFactory clientHttpRequestFactory() {
        SimpleClientHttpRequestFactory factory = new SimpleClientHttpRequestFactory();
        factory.setConnectTimeout(10000);   // 10秒连接超时
        factory.setReadTimeout(60000);      // 60秒读取超时
        return factory;
    }
}

注意：上面的示例是为了演示底层配置，实际上如果你直接使用 Spring AI Alibaba 的自动配置，很多性能参数已经可以通过 application.yml 调整，无需手动构造 DashScopeApi。这里给出的是需要极致控制时的方案。

异步调用与流式：对于长耗时任务，始终推荐使用流式输出（.stream().content()），它不会阻塞主线程，还能提升用户体验。我们在第 5 篇文章已经详细讲过，此处不再重复。

五、运行与演示

5.1 函数调用演示

启动应用后，依次访问：

• 查询天气：/weather?q=深圳今天热不热 → 模型会调用函数返回温度，生成回复。
• 无需函数：/weather?q=你是谁 → 模型直接回复，不触发函数调用。

5.2 参数调优对比

访问 /chat/tuned?msg=写一首关于春天的五言绝句&temp=0.9，记录回复；再访问 /chat/tuned?msg=写一首关于春天的五言绝句&temp=0.1。你会发现 temp=0.9 的诗更天马行空，temp=0.1 的诗更规整。

5.3 性能验证

使用压测工具（如 Apache Benchmark 或 JMeter）对 /chat 接口进行并发测试，观察在配置了连接池和超时后，高并发下的响应时间和错误率是否改善。

六、常见问题与避坑提示

问题一：函数调用模型不支持

函数调用要求使用 qwen-max、qwen-plus-0624 等工具调用专用模型，或任何支持 tools 参数的百炼模型。如果使用 qwen-turbo 等基础模型，会报模型不支持的错误。请一定在配置中指定正确的模型名称。

问题二：函数回调的方法签名匹配

FunctionCallback.builder().function("getCurrentWeather", weatherService) 会自动寻找名为 getCurrentWeather 且参数类型匹配的方法。如果你的方法有多个重载，或者参数名称与模型传参不一致，调用会失败。建议方法参数使用简单类型（如 String），且方法名与函数名一致。

问题三：参数调优的误区

很多开发者认为 temperature 越低越好，但过低的温度（如 0）会让模型输出重复甚至无意义的内容。一般保持在 0.1~0.9 之间，根据任务调整。另外，top_p 和 temperature 不要同时设置，二选一即可。

问题四：连接池耗尽

生产环境中务必设置合理的 max-connections 和超时时间。如果持续出现 ConnectionPoolTimeoutException，说明连接数不够，需要增大池大小或优化下游消费速度。同时要确保每次请求后正确释放连接（RestClient 会管理，但需避免手动泄漏）。

问题五：函数调用链路过长导致超时

函数调用会额外增加一次或多次网络往返（模型→函数→模型）。如果函数本身执行耗时长（如调用外部慢速 API），总响应时间会显著增加。建议为函数执行设置独立超时，并考虑异步处理。

七、小结与下一步预告

本篇回顾

• 解锁了 DashScope 原生 Function Calling，让模型能调用真实业务函数。
• 掌握了参数调优技巧：温度、最大长度、随机种子，并能按场景微调。
• 学习了生产环境性能优化：连接池、超时、重试、流式输出。
• 通过代码实战，感受到了从“能用”到“好用”的关键进阶。

下一步预告

DashScope 的原生函数调用已经让我们尝到了模型“动手”的甜头。但 Spring AI 提供了一套更通用、更强大的工具调用机制——@Tool 注解和 ToolCallback，可以跨模型、跨平台地定义和调用工具。下一篇，我们将全面进入 Tool Calling 的世界，让你的 AI 真正成为能执行各种任务的“超级代理”。

下一篇《Tool Calling：让 AI 动“手”调用你的业务方法》见。

---

本系列博客基于 Spring AI 1.1.6 和 Spring AI Alibaba 1.1.2.0 版本编写。函数调用功能依赖百炼平台特定模型，具体支持的模型列表请参照阿里云官方文档。性能调优数值仅作参考，实际配置需根据业务场景压测确定。