一、一些前面的问题本次毕业设计围绕电商评论多智能体分析系统展开前期已完成数据摘要Agent模块开发该模块可自动聚合评论数据并生成标准化文本摘要。但经过功能自测后发现原有Agent仅支持单次静态摘要生成不具备自然语言交互问答能力无法满足精细化数据查询与多轮追问的业务需求。因此本次针对数据摘要Agent进行迭代升级引入大模型Function Calling函数调用机制构建标准化工具调用循环使大模型能够自主判断查询需求、调用后端数据工具获取真实指标实现数据集的交互式智能问答。本次迭代采用增量开发模式全程复用系统已有业务服务与数据库资源不改动原有成熟业务代码保障系统整体稳定性。二、原有模块缺陷与迭代约束2.1 旧版数据摘要Agent运行机制旧版数据摘要Agent采用全量预聚合的静态运行方案整体执行流程如下系统启动后并行调用情感分析、LDA主题聚类、差评归因、用户聚类等全部子智能体完成全维度评论数据计算将所有分析指标统一拼接为完整文本上下文一次性传入大语言模型大模型基于固定上下文单次生成简短摘要、完整摘要、风险预警三类结果通过SSE流式接口向前端返回最终摘要内容。2.2 原有模块存在的核心缺陷结合系统自测与实际使用场景旧版静态摘要Agent存在四点无法规避的设计缺陷无多轮交互能力所有分析数据提前固化上下文无法动态更新不支持用户针对数据细节进行二次追问智能化交互能力缺失上下文截断引发数据失真受大模型输入Token限制拼接后的上下文被强制截断至2000-3000字符细分维度指标、原始评论样本等关键数据丢失导致模型输出内容存在幻觉、数据前后不一致问题大模型客户端能力缺失原有LLM客户端仅封装基础对话接口未适配Function Calling协议无法传递工具参数、解析工具调用返回结果不具备智能体自主规划能力系统算力资源浪费模块采用全量任务预执行模式无论用户查询需求如何均需要运行全部分析任务无效计算量大接口响应效率偏低。2.3 本次迭代开发约束为保证系统原有业务链路不受影响本次功能升级遵循最小改动原则具体开发约束如下完全保留原有一键摘要生成接口/agent/summary/generate存量业务逻辑无任何修改复用系统已封装的情感分析服务、BHI口碑指数计算、RFM用户分群、LDA主题分析等底层能力不重复开发数据统计逻辑仅做后端代码增量开发前端页面无需改动保证前后端联调兼容性工具执行优先读取数据库已持久化的分析结果无存量数据时再实时计算降低接口响应耗时。三、整体迭代方案设计3.1 Function Calling协议选型依据本次放弃自研自定义工具解析逻辑选用行业通用的OpenAI标准Function Calling协议选型原因如下协议通用性强可兼容本地部署的各类开源大模型无需针对不同模型做额外适配改造依托标准化协议格式无需重构Agent核心代码仅需新增客户端方法与工具调度逻辑开发成本更低模型返回结果结构统一降低自定义文本解析带来的异常风险提升系统运行稳定性。3.2 模型兼容性降级方案设计考虑到部分开源大模型不完全支持Function Calling调用协议为保障服务全场景可用设计双层运行链路与自动降级机制正常链路大模型支持工具调用启动多轮函数调用循环模型自主按需调用工具、动态获取数据并生成回答降级链路模型接口异常或不支持工具调用系统自动预执行三项核心高频工具将关键指标注入上下文退回普通单轮对话模式保证服务不中断。3.3 交互式问答整体执行流程后端接收前端传入的数据集编号、用户提问文本以及历史对话上下文拼接系统提示词与工具描述列表向大模型发起带工具参数的对话请求解析模型返回结果判断是否需要调用外部数据工具若存在工具调用请求解析工具名称与入参调度对应业务工具查询数据库数据将工具返回的结构化数据回填至对话上下文进入下一轮模型对话设置最大5轮函数调用上限规避无限循环调用导致的接口阻塞问题模型判定数据充足后整合全部工具返回结果生成最终标准化回答并记录工具调用日志与迭代次数。四、后端代码增量改造内容4.1 优化LLM客户端新增工具调用对话接口在原有llm_client.py文件中增量新增achat_tools异步方法完整透传工具调用相关参数复用原有接口重试、Token用量统计、异常日志记录逻辑保证底层客户端能力统一原有普通对话接口保持不变。async def achat_tools( self, messages: list[dict], tools: list[dict], tool_choice: str auto, temperature: float 0.3, max_tokens: int 1500 ) - dict: try: # 传入工具调用参数发起大模型对话请求 response await self.client.chat.completions.create( modelself.model_name, messagesmessages, toolstools, tool_choicetool_choice, temperaturetemperature, max_tokensmax_tokens ) # 复用原有Token消耗统计逻辑 self._record_usage(response.usage) # 统一返回字典格式适配上层代码调用规范 return response.choices[0].message.dict() except Exception as e: self.logger.error(f工具调用对话请求异常: {e}) raise e4.2 新建工具调度模块业务工具封装与注册表设计新建summary_tools.py文件拆分6项贴合评论分析业务的专用数据工具同时搭建统一工具注册表实现工具的统一注册、分发与异常管理避免冗余条件判断代码。所有工具均复用系统存量业务接口无需重复实现数据分析算法。本次封装的六项业务工具get_overview_metrics数据集整体指标统计包含评论总量、平均评分、正负向评论占比、BHI口碑指数、水军评论占比及数据时间跨度get_sentiment_breakdown情感维度拆解分析输出整体情感分布、五维细分情感评分、情感时序变化及短期情感异常检测结果get_top_complaintsTOP差评根因挖掘优先读取历史归因分析结果无存量数据时自动聚合低分评论提炼负面问题get_topic_keywords评论主题与关键词提取调用LDA主题聚类模型兜底支持文本高频词统计get_user_segments用户分群画像分析结合UserCluster聚类表与RFM分层算法输出用户群体特征search_reviews关键词原文检索匹配原始评论内容返回命中数量与评论样本为模型回答提供事实依据。函数调用循环核心代码实现基于工具注册表实现自动化工具调度与多轮对话循环同时全局捕获异常联动降级方案保障服务稳定性核心代码如下async def ask(self, dataset_id: str, question: str, db: Session, history: list None) - dict: # 初始化系统提示词约束模型基于真实数据作答 messages [{role: system, content: 你是专业的评论数据分析助手需调用工具获取真实数据库指标后作答禁止编造数据数据缺失需如实说明。}] if history: messages.extend(history) messages.append({role: user, content: question}) tools_used [] iterations 0 fallback False try: # 限制最大迭代轮次防止死循环阻塞接口 while iterations self.max_iter: iterations 1 resp await self.llm_client.achat_tools(messages, self.registry.schemas) # 无需调用工具直接返回回答结果 if not resp.get(tool_calls): return { answer: resp[content], tools_used: tools_used, iterations: iterations, fallback: False } # 批量执行模型发起的工具调用请求 for tool_call in resp[tool_calls]: t_name tool_call[function][name] t_args eval(tool_call[function][arguments]) tool_res await self.registry.dispatch(t_name, t_args, db, dataset_id) # 将工具执行结果回填至对话上下文 messages.append({ role: tool, tool_call_id: tool_call[id], content: str(tool_res) }) tools_used.append(t_name) # 达到最大迭代次数整合上下文生成最终回答 final_text await self.llm_client.achat(messages) return {answer: final_text, tools_used: tools_used, iterations: iterations, fallback: False} # 全局异常捕获触发自动降级策略 except Exception: fallback True # 预执行三项核心基础工具 overview await get_overview_metrics(db, dataset_id) sentiment await get_sentiment_breakdown(db, dataset_id) complaints await get_top_complaints(db, dataset_id, top_n3) # 拼接基础指标至提示词退回普通对话模式 prompt_ctx f数据集基础指标:{overview},情感分布:{sentiment},TOP3差评:{complaints} messages.append({role: system, content: prompt_ctx}) fallback_ans await self.llm_client.achat(messages) return {answer: fallback_ans, tools_used: [fallback_pre_run], iterations: 1, fallback: True}关键问题优化初期代码未设计全局异常捕获模型接口异常会直接导致后端服务崩溃增加try-except异常捕获模块后服务容错能力得到有效提升。4.3 新增后端路由接口在原有路由文件中增量新增两个接口不改动原有路由规则满足问答交互与工具查询需求POST /agent/summary/ask交互式问答核心接口接收数据集编号、用户问题与对话历史返回回答文本、调用工具清单、迭代轮次与降级状态GET /agent/summary/tools工具列表查询接口返回系统全部可用工具信息用于接口调试与后续前端面板适配。4.4 新增请求参数结构体在原有请求参数模块中新增交互式问答专用请求结构体规范入参格式不修改原有摘要请求参数结构保证接口兼容性。五、系统测试与结果验证本次从单元测试、链路测试、降级测试、回归测试四个维度完成全流程验证保障新增功能可用、存量功能无影响工具单元测试调用项目真实数据集编号逐一测试六项业务工具验证数据库读写正常、无存量数据时兜底计算逻辑有效返回数据格式统一规范函数调用链路测试模拟大模型工具调用请求验证工具自动分发、结果回填、多轮对话循环流程运行正常降级策略测试手动屏蔽模型Function Calling能力验证系统可自动触发降级逻辑正常输出回答服务无崩溃现象业务回归测试复测原有一键摘要生成接口确认增量代码未对存量业务功能造成负面影响系统整体运行稳定。六、开发工作量分析本次迭代代码工作量统计本次迭代全程采用增量开发模式无存量代码修改新增代码总量约780行具体分布如下LLM客户端工具调用接口约60行六项业务工具及工具注册表约350行问答循环逻辑与自动降级代码约220行新增路由接口与参数结构体约60行单元测试与联调测试代码约120行七、开发总结本次迭代完成了静态数据摘要Agent向交互式问答智能体的升级改造依托标准化Function Calling协议搭建了完整的工具调用循环与服务降级机制解决了原有模块无法追问、数据截断失真、算力浪费等核心问题。本次开发遵循软件工程最小改动原则最大化复用系统现有业务资源兼顾了功能扩展性与系统稳定性。通过本次开发深入理解了大模型智能体工具调用的运行原理大模型负责语义理解与调用决策后端程序负责工具执行与数据查询二者协同完成智能化数据分析问答。