Đang tải bảng tin…
Baeldung0 Hot0 bình luận13 phút đọc
LLM Tool Call Reasoning Using Embabel Agentic AI Framework
Tool-call reasoning improves observability of AI agents by capturing the rationale behind LLM tool selection. This tutorial compares two approaches: Spring AI's Tool Argument Augmenter (schema augmentation) and a simpler prompt-based protocol. It then demonstrates how the Embabel Agentic AI framework's 'thinking' mode provides a clean, prompt-based solution using ThinkingResponse and ThinkingBlocks. A parking recommendation use case illustrates how to define tools with @LlmTool, configure a two-phase system prompt for structured reasoning, and extract per-tool confidence scores and decision rationale from the LLM's output without modifying tool implementations or introducing synthetic schemas.
Nguồn: https://feeds.feedblitz.com/~/960158825/0/baeldung. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Đề xuất cho bạn
Code Like A Girl2 Hot7 phútAI
Hibernate Turned 11,000 Records Into 50 Million Rows
Một tác vụ bulk-import xử lý 15.000 template giao dịch đã khiến hệ thống crash do lỗi Cartesian product của Hibernate. JPQL query dùng JOIN FETCH trên hai collection cùng lúc khiến Hibernate cross-join chúng, biến ~11.000 bản ghi thành 50 triệu dòng trong bộ nhớ. Lỗi này không lộ ra trong test nhỏ vì các collection được mapping dưới dạng Set thay vì List (lẽ ra phải ném MultipleBagFetchException khi khởi động). Giải pháp là tách query thành hai lần fetch riêng biệt, dùng @BatchSize để tải batch, và flush/clear session Hibernate định kỳ trong quá trình import lâu dài, giúp giảm 9 lần số dòng và cải thiện tốc độ xử lý lên 15 lần.
Lập trình viên nên đọc bài này để tránh rủi ro như biến vấn đề JOIN FETCH thành Cartesian product khổng lồ, gây sập ứng dụng do quá tải bộ nhớ trong các dự án bulk import lớn.
