跳到主要内容 Spring AI 2.0 版本升级与迁移指南 | 极客日志
Java AI java
Spring AI 2.0 版本升级与迁移指南 详细介绍 Spring AI 2.0.0-M1 版本的重大升级内容，包括对 Java 21 和 Spring Boot 4.0 的新要求。核心更新涉及 Redis 聊天记忆与向量存储增强、OpenAI 官方 SDK 集成、Claude 4.5 及 Gemini 模型支持等。文章重点梳理了破坏性变更，如默认 Temperature 配置移除、FunctionCallback 弃用及 API 方法重命名，并提供了详细的 Maven 依赖配置、代码迁移示例及最佳实践建议，助力开发者完成平滑迁移。
人间过客 发布于 2026/3/29 更新于 2026/4/17 概述
Spring AI 2.0.0-M1 是 Spring AI 框架的一个重要里程碑版本，在 Spring AI 1.x 的基础上进行了重大升级和改进。该版本基于 Spring Boot 4.0 和 Spring Framework 7.0 构建，提供了更强大的 AI 应用开发能力，增强了与各种 AI 模型和服务的集成，并引入了多项新功能和性能优化。
版本信息
当前版本 : 2.0.0-M1 (里程碑版本)最低 Java 版本 : Java 21Spring Boot 版本 : 4.0Spring Framework 版本 : 7.0
平台升级要求
Java 版本要求
Spring AI 2.x 必须 使用 Java 21 或更高版本。这是与 Spring Boot 4.0 和 Spring Framework 7.0 对齐的要求。
<properties >
<java.version > 21</java.version >
<maven.compiler.source > 21</maven.compiler.source >
<maven.compiler.target > 21</maven.compiler.target >
</properties >
Spring 生态系统版本
Spring Boot : 4.0+Spring Framework : 7.0+Jakarta EE : 11
Maven 依赖配置
<dependency >
<groupId > org.springframework.ai</groupId >
<artifactId > spring-ai-bom</artifactId >
<version > 2.0.0-M1</version >
<type > pom</type >
< import微信扫一扫，关注极客日志 微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
相关免费在线工具 Keycode 信息 查找任何按下的键的javascript键代码、代码、位置和修饰符。 在线工具，Keycode 信息在线工具，online
Escape 与 Native 编解码 JavaScript 字符串转义/反转义；Java 风格 \uXXXX（Native2Ascii）编码与解码。 在线工具，Escape 与 Native 编解码在线工具，online
JavaScript / HTML 格式化 使用 Prettier 在浏览器内格式化 JavaScript 或 HTML 片段。 在线工具，JavaScript / HTML 格式化在线工具，online
JavaScript 压缩与混淆 Terser 压缩、变量名混淆，或 javascript-obfuscator 高强度混淆（体积会增大）。 在线工具，JavaScript 压缩与混淆在线工具，online
RSA密钥对生成器 生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
Mermaid 预览与可视化编辑 基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
scope
</scope >
</dependency >
核心新功能
1. Redis Chat Memory Repository（Redis 聊天记忆存储） Spring AI 2.x 引入了基于 Redis 的聊天记忆实现，支持持久化会话存储。
主要特性
持久化会话存储 : 跨会话保存对话历史文本搜索能力 : 集成文本搜索功能，高效检索对话数据范围查询支持 : 支持基于范围的查询，实现更精确的数据检索HNSW 索引调优 : 可调整 HNSW 索引参数（M、efConstruction、efRuntime）以优化性能
使用示例 <dependency >
<groupId > org.springframework.ai</groupId >
<artifactId > spring-ai-starter-redis</artifactId >
</dependency >
@Configuration
public class RedisChatMemoryConfig {
@Bean
public RedisChatMemoryRepository chatMemoryRepository (RedisConnectionFactory connectionFactory) {
return new RedisChatMemoryRepository (connectionFactory);
}
@Bean
public ChatMemory chatMemory (RedisChatMemoryRepository repository) {
return new SimpleChatMemory (repository);
}
}
2. Redis Vector Store 增强 Redis 向量存储功能得到显著增强，提供更强大的向量搜索能力。
新增功能
文本搜索集成 : 向量存储现在包含文本搜索功能基于范围的向量查询 : 支持范围查询，提高搜索灵活性HNSW 索引参数调优 : 可自定义 HNSW 索引参数以优化相似度搜索性能元数据过滤 : 支持元数据过滤，实现更精确的数据检索原生 Redis 客户端访问 : 通过 getNativeClient() 方法访问底层 Redis 客户端
配置示例 @Configuration
public class RedisVectorStoreConfig {
@Bean
public RedisVectorStore vectorStore (RedisConnectionFactory connectionFactory) {
RedisVectorStore.RedisVectorStoreConfig config = RedisVectorStore.RedisVectorStoreConfig.builder()
.withIndexName("vector-index" )
.withHnswM(16 )
.withHnswEfConstruction(200 )
.withHnswEfRuntime(50 )
.build();
return new RedisVectorStore (config, connectionFactory);
}
}
3. OpenAI Java SDK 原生集成 Spring AI 2.x 集成了官方的 OpenAI Java SDK，提供更好的性能和功能支持。
主要改进
原生 SDK 支持 : 使用官方 OpenAI Java SDK 替代之前的实现默认模型更新 : 默认聊天模型更新为 gpt-5-mini更好的错误处理 : 改进的错误处理和重试机制流式响应优化 : 优化的流式响应处理
使用示例 @Configuration
public class OpenAIConfig {
@Bean
public OpenAiChatModel chatModel (OpenAiApi openAiApi) {
return new OpenAiChatModel (openAiApi, OpenAiChatOptions.builder()
.withModel("gpt-5-mini" )
.withTemperature(0.7f )
.build());
}
}
4. Anthropic Claude 增强 对 Claude 集成进行了全面更新，支持最新的 Claude 模型和功能。
新增功能
Claude 4.5 模型支持 : 支持最新的 Claude 4.5 系列模型Citations API : 支持引用 API，提供更准确的引用信息Claude Skills with Files API : 支持文件 API 的 Claude SkillsTool Choice 支持 : 增强的工具选择功能
配置示例 @Bean
public AnthropicChatModel claudeChatModel (AnthropicApi anthropicApi) {
return new AnthropicChatModel (anthropicApi, AnthropicChatOptions.builder()
.withModel("claude-4-5-sonnet-20241022" )
.withTemperature(0.7f )
.withMaxTokens(4096 )
.build());
}
5. Google GenAI 和 Gemini 增强
新功能
ThinkingLevel 支持 : 在 ThinkingConfig 中添加了 ThinkingLevel 支持Google GenAI SDK 更新 : 更新到 1.30.0 版本增强的 Gemini 模型支持 : 更好的 Gemini 模型集成
使用示例 @Bean
public GeminiChatModel geminiChatModel (GoogleGenerativeAiApi api) {
return new GeminiChatModel (api, GeminiChatOptions.builder()
.withModel("gemini-pro" )
.withThinkingConfig(ThinkingConfig.builder().withThinkingLevel(ThinkingLevel.MEDIUM).build())
.build());
}
6. Azure Cosmos DB Chat Memory 新增了 Azure Cosmos DB 聊天记忆存储的 Spring Boot Starter。
特性
持久化存储 : 使用 Azure Cosmos DB 存储对话历史自动配置 : 提供 Spring Boot 自动配置高可用性 : 利用 Cosmos DB 的高可用性特性
依赖配置 <dependency >
<groupId > org.springframework.ai</groupId >
<artifactId > spring-ai-starter-azure-cosmosdb</artifactId >
</dependency >
7. Model Context Protocol (MCP) 更新
改进内容
自动配置增强 : 改进了 MCP 客户端的自动配置可选处理器注册表支持 : 支持可选的处理器注册表类型兼容性改进 : 改进了对具有不可解析类型的 Bean 的兼容性
8. GemFire Vector Store 认证 为 GemFire Vector Store 添加了用户名和密码认证支持。
@Bean
public GemFireVectorStore gemFireVectorStore () {
GemFireVectorStore.GemFireVectorStoreConfig config = GemFireVectorStore.GemFireVectorStoreConfig.builder()
.withHost("localhost" )
.withPort(7070 )
.withUsername("admin" )
.withPassword("password" )
.build();
return new GemFireVectorStore (config);
}
与 Spring AI 1.x 的对比
功能对比表 功能特性 Spring AI 1.x Spring AI 2.x 说明 Java 版本要求 Java 17+ Java 21+ 必须升级 Spring Boot 版本 3.x 4.0+ 重大升级 Spring Framework 6.x 7.0+ 重大升级 Redis Chat Memory ❌ 不支持 ✅ 支持 新增功能 Redis Vector Store 文本搜索 ❌ 不支持 ✅ 支持 新增功能 OpenAI 官方 SDK ❌ 不支持 ✅ 支持 新增功能 Claude 4.5 支持 ❌ 不支持 ✅ 支持 新增功能 Claude Citations API ❌ 不支持 ✅ 支持 新增功能 Azure Cosmos DB Memory ❌ 不支持 ✅ 支持 新增功能 Gemini ThinkingLevel ❌ 不支持 ✅ 支持 新增功能 GemFire 认证 ❌ 不支持 ✅ 支持 新增功能 默认 Temperature 配置 ✅ 自动配置 ❌ 需显式配置 破坏性变更 默认 OpenAI 模型 gpt-4 gpt-5-mini 变更 FunctionCallback API ✅ 支持 ⚠️ 已弃用 建议迁移到 ToolCallback
性能对比
向量搜索性能 : Redis Vector Store 的 HNSW 索引调优可提升 20-30% 的搜索性能内存使用 : 优化的内存管理，减少约 15% 的内存占用响应时间 : 原生 SDK 集成减少了约 10-15% 的 API 响应时间
破坏性变更
1. Java 版本要求 变更 : 最低 Java 版本从 17 升级到 21
影响 : 所有使用 Spring AI 2.x 的项目必须使用 Java 21 或更高版本
<properties >
<java.version > 21</java.version >
</properties >
2. 默认 Temperature 配置移除 变更 : 模型实现中移除了默认的 temperature 配置
影响 : 应用程序必须显式配置 temperature 设置
@Bean
public ChatModel chatModel () {
return new OpenAiChatModel (api);
}
@Bean
public ChatModel chatModel () {
return new OpenAiChatModel (api, OpenAiChatOptions.builder()
.withTemperature(0.7f )
.build());
}
3. OpenAI 默认模型变更 变更 : 默认聊天模型从 gpt-4 更新为 gpt-5-mini
OpenAiChatOptions.builder()
.withModel("gpt-4" )
.build();
4. FunctionCallback 到 ToolCallback 迁移 变更 : FunctionCallback API 已弃用，推荐使用 ToolCallback API
影响 : 使用 FunctionCallback 的代码需要迁移
@Bean
public FunctionCallback weatherFunction () {
return FunctionCallback.builder()
.withName("getWeather" )
.withDescription("Get weather information" )
.withFunction((location) -> getWeatherData(location))
.build();
}
@Bean
public ToolCallback weatherTool () {
return FunctionToolCallback.builder()
.withName("getWeather" )
.withDescription("Get weather information" )
.withFunction((location) -> getWeatherData(location))
.build();
}
5. API 方法重命名
ChatClient.builder().defaultFunctions() → ChatClient.builder().defaultTools()ChatClient.functions() → ChatClient.tools()FunctionCallingOptions → ToolCallingChatOptionsUserMessage.properties → UserMessage.metadata
6. OpenAI ChatOptions 参数变更 变更 : maxTokens 和 maxCompletionTokens 参数现在互斥
OpenAiChatOptions.builder()
.withMaxTokens(1000 )
.withMaxCompletionTokens(500 )
.build();
OpenAiChatOptions.builder()
.withMaxTokens(1000 )
.build();
7. VectorStore 接口变更 变更 : 从 VectorStore 中提取了新的 VectorStoreRetriever 接口
影响 : 自定义 VectorStore 实现可能需要更新
public class CustomVectorStore implements VectorStore , VectorStoreRetriever {
}
8. MCP 自动配置类重命名 变更 : MCP 自动配置类添加了 'Mcp' 前缀
迁移指南
迁移步骤概览
升级 Java 版本到 21 更新 Spring Boot 到 4.0+ 更新 Spring AI 依赖到 2.0.0-M1 修复破坏性变更 迁移到新的 API 测试和验证
详细迁移步骤
步骤 1: 更新项目配置
<parent >
<groupId > org.springframework.boot</groupId >
<artifactId > spring-boot-starter-parent</artifactId >
<version > 4.0.0</version >
</parent >
<properties >
<java.version > 21</java.version >
<spring-ai.version > 2.0.0-M1</spring-ai.version >
</properties >
<dependencyManagement >
<dependencies >
<dependency >
<groupId > org.springframework.ai</groupId >
<artifactId > spring-ai-bom</artifactId >
<version > ${spring-ai.version}</version >
<type > pom</type >
<scope > import</scope >
</dependency >
</dependencies >
</dependencyManagement >
步骤 2: 更新 ChatModel 配置
@Bean
public ChatModel chatModel (OpenAiApi api) {
return new OpenAiChatModel (api);
}
@Bean
public ChatModel chatModel (OpenAiApi api) {
return new OpenAiChatModel (api, OpenAiChatOptions.builder()
.withModel("gpt-4" )
.withTemperature(0.7f )
.build());
}
步骤 3: 迁移 FunctionCallback 到 ToolCallback
@Bean
public FunctionCallback weatherFunction () {
return FunctionCallback.builder()
.withName("getWeather" )
.withDescription("Get weather" )
.withFunction((location) -> getWeather(location))
.build();
}
@Bean
public ToolCallback weatherTool () {
return FunctionToolCallback.builder()
.withName("getWeather" )
.withDescription("Get weather" )
.withFunction((location) -> getWeather(location))
.build();
}
步骤 4: 更新 ChatClient 配置
ChatClient chatClient = ChatClient.builder().defaultFunctions(weatherFunction).build();
ChatClient chatClient = ChatClient.builder().defaultTools(weatherTool).build();
步骤 5: 更新 UserMessage 使用
UserMessage message = new UserMessage ("Hello" , Map.of("key" , "value" ));
UserMessage message = new UserMessage ("Hello" , MessageMetadata.builder()
.withMetadata("key" , "value" )
.build());
代码示例
示例 1: 使用 Redis Chat Memory @SpringBootApplication
public class ChatApplication {
public static void main (String[] args) {
SpringApplication.run(ChatApplication.class, args);
}
@Bean
public RedisChatMemoryRepository chatMemoryRepository (RedisConnectionFactory connectionFactory) {
return new RedisChatMemoryRepository (connectionFactory);
}
@Bean
public ChatMemory chatMemory (RedisChatMemoryRepository repository) {
return new SimpleChatMemory (repository);
}
@Bean
public ChatModel chatModel (OpenAiApi api) {
return new OpenAiChatModel (api, OpenAiChatOptions.builder()
.withModel("gpt-5-mini" )
.withTemperature(0.7f )
.build());
}
}
@Service
public class ChatService {
private final ChatModel chatModel;
private final ChatMemory chatMemory;
public ChatService (ChatModel chatModel, ChatMemory chatMemory) {
this .chatModel = chatModel;
this .chatMemory = chatMemory;
}
public String chat (String userId, String message) {
Conversation conversation = chatMemory.getConversation(userId);
conversation.addMessage(new UserMessage (message));
String response = chatModel.call(conversation.getMessages());
conversation.addMessage(new AssistantMessage (response));
chatMemory.saveConversation(userId, conversation);
return response;
}
}
示例 2: 使用增强的 Redis Vector Store @Configuration
public class VectorStoreConfig {
@Bean
public RedisVectorStore vectorStore (RedisConnectionFactory connectionFactory) {
RedisVectorStore.RedisVectorStoreConfig config = RedisVectorStore.RedisVectorStoreConfig.builder()
.withIndexName("documents" )
.withHnswM(16 )
.withHnswEfConstruction(200 )
.withHnswEfRuntime(50 )
.build();
return new RedisVectorStore (config, connectionFactory);
}
@Bean
public VectorStoreRetriever vectorStoreRetriever (RedisVectorStore vectorStore) {
return new VectorStoreRetriever (vectorStore);
}
}
@Service
public class DocumentService {
private final VectorStore vectorStore;
private final EmbeddingModel embeddingModel;
public DocumentService (VectorStore vectorStore, EmbeddingModel embeddingModel) {
this .vectorStore = vectorStore;
this .embeddingModel = embeddingModel;
}
public void addDocument (String id, String text, Map<String, Object> metadata) {
Embedding embedding = embeddingModel.embed(text);
Document document = new Document (id, text, metadata, embedding);
vectorStore.add(List.of(document));
}
public List<Document> search (String query, int topK) {
Embedding queryEmbedding = embeddingModel.embed(query);
return vectorStore.similaritySearch(SimilaritySearchRequest.builder()
.withQueryEmbedding(queryEmbedding)
.withTopK(topK)
.build());
}
public List<Document> searchWithMetadata (String query, Map<String, Object> metadataFilter, int topK) {
Embedding queryEmbedding = embeddingModel.embed(query);
return vectorStore.similaritySearch(SimilaritySearchRequest.builder()
.withQueryEmbedding(queryEmbedding)
.withTopK(topK)
.withFilterExpression(buildFilterExpression(metadataFilter))
.build());
}
private String buildFilterExpression (Map<String, Object> metadata) {
return metadata.entrySet().stream()
.map(e -> e.getKey() + "==" + e.getValue())
.collect(Collectors.joining(" AND " ));
}
}
示例 3: 使用 ToolCallback API @Configuration
public class ToolConfig {
@Bean
public ToolCallback weatherTool () {
return FunctionToolCallback.builder()
.withName("getWeather" )
.withDescription("Get current weather for a location" )
.withInputType(WeatherRequest.class)
.withFunction(this ::getWeather)
.build();
}
@Bean
public ToolCallback calculatorTool () {
return MethodToolCallback.builder()
.withTarget(this )
.withMethod("calculate" )
.withName("calculate" )
.withDescription("Perform mathematical calculations" )
.build();
}
private WeatherResponse getWeather (WeatherRequest request) {
return new WeatherResponse (request.getLocation(), "Sunny" , 25.0 );
}
public double calculate (String expression) {
return 0.0 ;
}
}
@SpringBootApplication
public class ToolApplication {
@Bean
public ChatClient chatClient (ChatModel chatModel, List<ToolCallback> toolCallbacks) {
return ChatClient.builder()
.withChatModel(chatModel)
.defaultTools(toolCallbacks)
.build();
}
public static void main (String[] args) {
SpringApplication.run(ToolApplication.class, args);
}
}
示例 4: 使用 Claude 4.5 和 Citations API @Configuration
public class ClaudeConfig {
@Bean
public AnthropicChatModel claudeChatModel (AnthropicApi anthropicApi) {
return new AnthropicChatModel (anthropicApi, AnthropicChatOptions.builder()
.withModel("claude-4-5-sonnet-20241022" )
.withTemperature(0.7f )
.withMaxTokens(4096 )
.withCitations(true )
.build());
}
}
@Service
public class ClaudeService {
private final AnthropicChatModel chatModel;
public ClaudeService (AnthropicChatModel chatModel) {
this .chatModel = chatModel;
}
public ChatResponse chatWithCitations (String prompt) {
ChatResponse response = chatModel.call(new Prompt (prompt));
if (response.getResult().getMetadata().containsKey("citations" )) {
List<Citation> citations = (List<Citation>) response.getResult().getMetadata().get("citations" );
citations.forEach(citation -> {
System.out.println("Citation: " + citation.getText());
System.out.println("Source: " + citation.getSource());
});
}
return response;
}
}
示例 5: 使用 Azure Cosmos DB Chat Memory @Configuration
public class CosmosDbConfig {
@Bean
public CosmosDbChatMemoryRepository chatMemoryRepository (CosmosClient cosmosClient) {
return new CosmosDbChatMemoryRepository (cosmosClient, "chat-db" , "conversations" );
}
@Bean
public ChatMemory chatMemory (CosmosDbChatMemoryRepository repository) {
return new SimpleChatMemory (repository);
}
}
spring:
ai:
azure:
cosmosdb:
endpoint: https://your-account.documents.azure.com:443/
key: your-key
database: chat-db
container: conversations
最佳实践
1. 配置管理
spring:
ai:
openai:
api-key: ${OPENAI_API_KEY}
chat:
options:
model: gpt-5-mini
temperature: 0.7
max-tokens: 2000
anthropic:
api-key: ${ANTHROPIC_API_KEY}
chat:
options:
model: claude-4-5-sonnet-20241022
temperature: 0.7
max-tokens: 4096
2. 错误处理 @RestControllerAdvice
public class AIExceptionHandler {
@ExceptionHandler(AIException.class)
public ResponseEntity<ErrorResponse> handleAIException (AIException e) {
ErrorResponse error = new ErrorResponse (e.getMessage(), e.getErrorCode(), Instant.now());
return ResponseEntity.status(HttpStatus.INTERNAL_SERVER_ERROR).body(error);
}
@ExceptionHandler(RateLimitException.class)
public ResponseEntity<ErrorResponse> handleRateLimit (RateLimitException e) {
return ResponseEntity.status(HttpStatus.TOO_MANY_REQUESTS)
.header("Retry-After" , String.valueOf(e.getRetryAfter()))
.body(new ErrorResponse ("Rate limit exceeded" , "RATE_LIMIT" , Instant.now()));
}
}
3. 性能优化 @Configuration
public class PerformanceConfig {
@Bean
public RedisConnectionFactory redisConnectionFactory () {
LettuceConnectionFactory factory = new LettuceConnectionFactory ();
factory.setHostName("localhost" );
factory.setPort(6379 );
GenericObjectPoolConfig<Object> poolConfig = new GenericObjectPoolConfig <>();
poolConfig.setMaxTotal(20 );
poolConfig.setMaxIdle(10 );
poolConfig.setMinIdle(5 );
return factory;
}
@Bean
public CacheManager cacheManager (RedisConnectionFactory factory) {
RedisCacheConfiguration config = RedisCacheConfiguration.defaultCacheConfig()
.entryTtl(Duration.ofMinutes(10 ))
.serializeKeysWith(RedisSerializationContext.SerializationPair.fromSerializer(new StringRedisSerializer ()))
.serializeValuesWith(RedisSerializationContext.SerializationPair.fromSerializer(new GenericJackson2JsonRedisSerializer ()));
return RedisCacheManager.builder(factory).cacheDefaults(config).build();
}
}
4. 监控和日志 @Component
public class AIMonitoringAspect {
private static final Logger logger = LoggerFactory.getLogger(AIMonitoringAspect.class);
private final MeterRegistry meterRegistry;
@Around("@annotation(org.springframework.ai.chat.ChatModel)")
public Object monitorChatCall (ProceedingJoinPoint joinPoint) throws Throwable {
String methodName = joinPoint.getSignature().getName();
Timer.Sample sample = Timer.start(meterRegistry);
try {
Object result = joinPoint.proceed();
sample.stop(Timer.builder("ai.chat.call" ).tag("method" , methodName).tag("status" , "success" ).register(meterRegistry));
logger.info("AI chat call successful: {}" , methodName);
return result;
} catch (Exception e) {
sample.stop(Timer.builder("ai.chat.call" ).tag("method" , methodName).tag("status" , "error" ).register(meterRegistry));
logger.error("AI chat call failed: {}" , methodName, e);
throw e;
}
}
}
5. 安全实践 @Configuration
public class SecurityConfig {
@Bean
public OpenAiApi openAiApi (@Value("${spring.ai.openai.api-key}") String apiKey) {
String secureKey = keyManagementService.getKey("openai-api-key" );
return new OpenAiApi (secureKey);
}
}
6. 测试策略 @SpringBootTest
class ChatServiceTest {
@MockBean
private ChatModel chatModel;
@Autowired
private ChatService chatService;
@Test
void testChat () {
when (chatModel.call(anyList())).thenReturn("Hello, how can I help?" );
String response = chatService.chat("user1" , "Hello" );
assertEquals("Hello, how can I help?" , response);
verify(chatModel).call(anyList());
}
}
总结 Spring AI 2.x 是一个重大升级版本，带来了许多新功能和改进：
主要亮点
平台现代化 : 基于 Spring Boot 4.0 和 Spring Framework 7.0，支持 Java 21增强的存储能力 : Redis 和 Azure Cosmos DB 聊天记忆支持更好的向量搜索 : Redis Vector Store 的文本搜索和性能优化原生 SDK 集成 : OpenAI 官方 Java SDK 支持最新模型支持 : Claude 4.5、Gemini ThinkingLevel 等改进的 API : ToolCallback API 替代 FunctionCallback 
