Appel de Spring AI Tool avec Spring Boot Guide

1. Architecture basée sur l’exécution utilisant le SDK Spring AI pour les applications de santé

L’intégration des LLM dans les systèmes backend ne consiste plus à créer des interfaces de discussion, mais à intégrer une prise de décision intelligente dans les services de production.

Cependant, les LLM introduisent une limitation fondamentale :

Ils peuvent raisonner sur les actions, mais ils ne peuvent pas exécuter en toute sécurité la logique back-end.

Cela crée une lacune critique :

• Les LLM ne peuvent pas accéder directement aux bases de données
• Ils peuvent avoir des hallucinations
• Ils ne peuvent pas appliquer les règles commerciales
• Ils manquent d’exécution déterministe

Ce défi devient encore plus critique dans applications de soins de santé, où l’exactitude, l’intégrité des données et la sécurité ne sont pas négociables.

Pour résoudre ce problème, nous avons besoin d’un système dans lequel :

• Les LLM décident de ce qui doit se passer
• Les systèmes backend exécutent ce qui doit arriver

C’est exactement ce que permet Spring AI Tool Calling.

Il introduit une architecture structurée où :

Spring AI SDK agit comme un pont d’exécution entre le raisonnement LLM et les systèmes backend

2. Diagramme de flux d’exécution

3. Configuration du SDK Spring AI (couche de base)

Spring AI fournit le infrastructure d’exécution pour les appels d’outils dans Spring Boot.

Sans cela, vous devrez gérer manuellement :

• schémas d’outils
• Analyse JSON
• routage d’exécution
• injection de contexte

Dépendance Maven

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
  <version>1.0.0</version>
</dependency>

application.yml

spring:
ai:
  openai:
    api-key: ${OPENAI_API_KEY}
    chat:
      options:
        model: gpt-4.1-mini
        temperature: 0.2

Configuration du client Chat

@Configuration
public class AIConfig {

  @Bean
  public ChatClient chatClient(ChatClient.Builder builder) {
      return builder
              .defaultSystem("You are a backend AI assistant with tool access.")
              .build();
  }
}

Pourquoi ChatClient est important

ChatClient n’est pas seulement un wrapper d’API.

C’est:

Le passerelle d’exécution que:

• envoie des invites à LLM
• enregistre les outils
• gère la boucle d’exécution des outils
• réinjecte les résultats de l’outil

4. Problème : pourquoi Backend + LLM échoue sans appel d’outil

Sans appel d’outil

• LLM génère des réponses sans données réelles
• La logique backend s’infiltre dans les invites
• Aucune garantie d’exécution
• Aucune couche de validation

Exemple

Utilisateur : « Quels médicaments est-ce que je prends ? »

LLM : suppositions → incorrect → dangereux

Avec l’appel de l’outil Spring AI

• Outil de sélection LLM
• Outil d’exécution du backend
• La réponse est fondée sur des données réelles

5. Concept de base : appel d’outils (modèle Spring AI)

Spring AI introduit un boucle d’exécution contrôlée:

Étape 1 : Raisonnement LLM

LLM analyse l’entrée : « L’utilisateur a besoin de données sur les médicaments »

Étape 2 : sélection des outils

LLM revient :

{
"tool": "GetMedicationsTool",
"arguments": {
  "userUuid": "123"
}
}

Étape 3 : Exécution (Spring AI)

• résout le bean outil
• injecte des paramètres
• exécute la méthode

Étape 4 : Injection de réponse

La sortie de l’outil est renvoyée au contexte LLM.

Étape 5 : Réponse finale

LLM produit une réponse fondée.

Principe clé

LLM = moteur de décision
Backend = moteur d’exécution

6. Pourquoi cela est important dans les systèmes de santé

Dans les applications de soins de santé, les systèmes backend traitent des données sensibles et réglementées telles que les dossiers des patients, les médicaments et les observations cliniques.

Dans de tels environnements :

• Des réponses incorrectes peuvent avoir un impact sur la sécurité des patients
• Les données doivent provenir de sources fiables et vérifiables (systèmes de DSE, bases de données)
• Un contrôle d’accès strict (par exemple, userUuid) est requis
• Toutes les actions doivent être déterministes et traçables

Cela rend l’utilisation traditionnelle du LLM (qui peut halluciner ou contourner les règles backend) inadaptée aux systèmes de santé de production.

Spring AI Tool Calling garantit que :

Le LLM n’accède jamais directement aux données critiques : il décide uniquement quel outil backend vérifié doit être exécuté.

Cela garantit :

• Les données sont toujours récupérées à partir de vrais systèmes backend
• Les règles métier restent appliquées
• Les réponses sont sécurisées et fiables

Ce que nous construirons ensuite

Ensuite, nous mettrons en œuvre un chatbot de soins de santé à l’aide de Spring AI, montrant comment l’appel d’outils connecte les services backend, exécute des outils spécifiques au domaine et génère des réponses sûres et contextuelles.