本文旨在介绍一个内部 AI 平台插件系统的设计与实现。

该平台的核心目标是通过快速构建特定的 AI 应用，为内部不同部门提供效率提升。在初步阶段，我们实现了对接语雀文档的知识库，并将其植入到 AI 中，使其能够实现文档问答、匹配相似文档内容以及提供文档链接。一个典型的应用场景是构建一个内部技术方案文档知识库 AI 助手 。

我们通过将内部语雀文档知识库对接进来，导入特定目录下的文档。

然后，在 AI bot 界面配置该知识库。

发布 bot 后，用户即可开始进行知识库问答。

为了进一步增强 AI 在不同场景下的能力，我们探索了多种方案，并最终将目光锁定在插件上 。我们研究了市面上流行的平台，如 Coze 和 Dify 的插件设计 。我们发现 Coze 的插件设计非常出色，其插件本质上就是 HTTP 接口 。这意味着，只要拥有一个核心的 HTTP 接口，就可以将其作为一个插件工具进行对接 。该平台支持界面化配置，最终将插件植入到 AI 中，让 AI 能够调用内部插件工具，实现问答能力的增强。

我们的目标是建立一个平台，让用户可以直接通过界面配置一个 HTTP 搜索接口，将其转换为插件工具，无需自定义上传 。在插件编辑界面，我们还提供了调试该插件的方法。构建好插件后，只需在 AI bot 配置界面选择插件，并编写提示词来指定何时调用该插件工具，即可完成集成。

总结来说，我们的设计有以下几个核心特点：

• 支持界面配置，无需修改代码。

• 直接对接 HTTP 接口。

• 实现插件工具快速集成到 AI。

实战案例演示：联网搜索插件

下面以一个联网搜索插件为例，演示如何构建并配置一个能够实现联网搜索功能的插件。

步骤一：配置插件工具

首先，我们需要一个具备联网搜索能力的接口。这里我们使用了 serper.dev 提供的搜索接口。

其对应的 curl 格式如下:

curl --location 'https://google.serper.dev/search' \--header 'X-API-KEY: 4dxxxxxxxxxxxxe5c7269' \--header 'Content-Type: application/json' \--data '{"q":"apple inc","location":"China","gl":"cn","hl":"zh-cn","num":20}'

目前平台提供还额外提供了快速对接接口的能力，平台可快速的将 curl 转换为一个插件的工具，如下我们去复制到界面中，首先我们点击导入插件：

将插件名称以及 curl 内容复制进来点击确定：

此时你就获取到了一个搜索插件：

点击进入即可看到该插件的工具列表（你可以理解一个 curl 就是一个插件工具，所以我们初步导入就首先了导入一个工具）：

再次点击工具名称，我们进入到具体工具的配置栏目，配置栏目左边就是工具的信息包含对接的 http 接口的请求方式、参数等等，同时还包含有一组参数配置：

我们初步来对参数配置进行调整，其中的 q 字段是关键的搜索问题内容描述，如果我们希望 AI 去自主的去提出问题，那么我们需要将其默认值设置为空，其他如果是带有默认值的默认有值即可，我们也可以对参数描述进行初步的介绍。

此时我们回到工具列表，编辑修改名称为聚合搜索：

至此我们初步的插件工具就配置完成了。

步骤二：测试插件工具

我们重新进入到工具中，点击左上角的“试运行”按钮：

模拟 AI 输入要询问的问题，点击“测试运行” 。如果接口调用成功，右侧会显示响应值。

步骤三：集成 AI 实现插件工具调用

回到工具列表，启用该工具并发布插件。

然后，我们回到 AI bot 的编辑配置界面，添加相应的插件，并在系统提示词中编写调用的场景。

保存并发布后，进入 AI 问答界面，输入一段需要联网搜索的内容。

回车后，AI 会结合联网搜索工具完成对话，并将接口返回的内容组织成最终的回答。

至此我们就初步完成了插件的配置与集成。

实现思路：基于 function call 实现 HTTP 工具调用

Function calling 是大语言模型（LLM）与外部系统或工具交互的核心机制，它允许 AI 模型在推理过程中动态选择并调用预定义的工具方法，从而扩展模型的能力边界（如实时搜索、数据库查询、API 调用等）。其核心思想是将工具方法封装为标准化描述，由 LLM 在对话过程中根据上下文决定是否调用、如何调用，并解析调用结果继续生成回复。

这里首先举一个集成了本地 tools 方法 sum 求和以及求平方根的例子，比如我们有一个 sum 求和工具以及一个求平方根的工具，问题是 1+2 等于多少、指定数字的平方根是多少，此时作为中间层如何和 chat 模型进行交互呢？

在我们的内部 AI 平台中，我们底座 LLM 框架是 langchAIn4j 框架，在 LLM 框架中提供了可扩展的 toolexecutor 接口，我们基于此自己执行了能够完成 http 请求的 toolexecutor 实现。

下面以 serper.dev 的搜索接口为例，说明如何对接 AI 实现工具调用。

第一步：工具描述生成（JSON Schema）

在系统加载插件后会生成如下结构的 ToolSpecification（JSON 格式）：

{"name": "searchWeb", "description": "使用 Serper API 搜索网络","parameters": {"type": "OBJECT",    "properties": {"query": {"type": "STRING","description": "搜索关键词"      }, "country": {  "type": "STRING",    "description": "国家代码（如：'cn'）", "default": "cn"      },      "language": { "type": "STRING",      "description": "语言代码（如：'zh-CN'）",   "default": "zh-CN"     }    },   "required": ["query"]  }}

该描述会在对话开始时发送给 LLM，告知其有一个名为 searchWeb 的工具可用于网络搜索。

第二步：用户提问与 LLM 决策

当用户提问“最近有什么关于人工智能的重大新闻？”，LLM 判断需要调用搜索工具，并返回如下 function call 请求 ：

{  "name": "searchWeb", "arguments": "{\"query\": \"人工智能 重大新闻 2025\", \"country\": \"cn\", \"language\": \"zh-CN\"}"}

第三步：平台执行工具并返回结果

平台接收到上述请求后，通过 ToolExecutor（我们自定义实现的 httpexecutor）执行 searchWeb 方法，向 Serper API 发送请求，获取搜索结果（JSON 格式），并将其返回给 LLM ：

{  "role": "tool", "name": "searchWeb","content": "{\"searchResults\": [{\"title\": \"2025年AI技术突破：...\",\"link\": \"https://example.com/news1\"},...]}"}

第四步：LLM 生成最终回复

LLM 根据搜索结果生成最终回复：“根据最新搜索，2025 年人工智能领域有以下重大进展：...”

我们内部首先通过自定义 IHttpPlugin 接口统一管理 HTTP 工具插件，再利用 langchAIn4j 的 ToolSpecification 和 ToolExecutor 机制将 HTTP 接口转换为 AI 可识别的工具方法，最终实现自动化的 function call 流程。

那实际上与 AI 交互，如何让 AI 自行多次使用插件工具呢？

在 LangChain4j 中，我们有一个循环来决定是否继续与 AI 工具交互 。如果没有进一步的 function call 请求，AI 的响应内容就会返回给用户界面。

核心插件组件设计实现

为了对接 LangChain4j 的 tools 机制，我们主要实现了两个部分。

第一部分：HttpToolExecutor 的实现

在 langchAIn4j 这个 llm 框架内部给我们提供了一个接口，我们可以基于这个接口来去扩展一个 httpToolExecutor：

public interface ToolExecutor {// ToolExecutionRequest 则是langchAIn4j给我们将function call request封装成了一个类    String execute(ToolExecutionRequest var1,Object var2);}

我们设计了一个 HttpToolExecutor 来实现这个接口，在 execute 方法内部我们去做了基于大模型 function calling 的结果中的参数去选择相应的 http 接口然后封装参数去进行请求，最终拿到结果。

第二部分：ToolSpecification 的封装

为了统一管理 HTTP 插件，我们设计了一个 httpplugin 接口：

/** * @description  提供接口后续可自定义扩展httpplugin* @author changlu * @date 2025/8/23 17:19 */public interface IHttpPlugin {    /**       * 初始化必备参数配置       * @param props Properties         * @return void       */    void init(Properties props);    /**        * 获取HttpPlugin实体类      * @param           * @return HttpPlugin       */    HttpPlugin getHttpPlugin();    /**        * 构建plugin name      * @param       * @return String        */        String getPluginName();    /**        * 快速构建可提供注入到AIService中的tools封装        * @return Map<ToolSpecification,ToolExecutor>       */    default Map<ToolSpecification, ToolExecutor> buildHttpTools() {       // 校验特定参数是否传递          doCheckProps();        // 获取自定义HttpPlugin的参数配置               HttpPlugin httpPlugin = this.getHttpPlugin();               if (httpPlugin == null) {                   throw new AIServiceException(String.format(ErrorMsgConstant.PLUGIN_METHOD_NO_IMPL,        this.getClass().getName(),        "getHttpPlugin()"));              }                return HttpPluginFactory.buildHttpPluginTools(httpPlugin);           }    /**       * check是否已填充必填参数，如果没有填写则会直接报错提示         * @param        * @return void       */       void doCheckProps();}

同时还设计构成一组插件工具的实体类结构设计：

@Data@Builderpublic class HttpPlugin {    // 基础服务名称    private String baseUrl;    // 公共请求头    private Map<String, String> staticHeaders;    // 包含多个插件方法    List<HttpPluginMethod> pluginMethods;}

其中在 IHttpPlugin 中的 buildHttpTools 方法能够将我们的这个 HttpPlugin 转换为 ToolSpecification 以及 ToolExecutor 方便后续对接到 langchAIn4j 的 tools 工具中调用（其中一个 ToolSpecification 就是一个工具的方法参数 json 格式描述的抽象类实现）。

对接方式如下，当我们构建好一个插件后，只需要去转换为一组 ToolSpecification & ToolExecutor，然后按照如下方式集成即可：

业务插件系统模块实现

业务插件系统库表设计

在底层核心功能实现后，我们开始进行应用层的实现 。我们基于核心包中的HttpPlugin、HttpPluginMethod和 HttpToolParameter，设计了三张数据库表来存储插件信息。

• 方法表：管理插件提供的具体工具方法。
  

• 参数表：存储方法参数的详细配置。
  

• 插件表：存储插件基本信息，包括名称、基础 URL、描述等。
  

我们实现了一个工具类，能够将数据库中加载的插件信息转换为我们核心模块的 HttpPlugin 实体类。

因此，我们的实现过程可以理解为：加载数据库插件工具信息 -> 自定义的 HttpPlugin -> Map<ToolSpecification, ToolExecutor>。

CURL 解析器实现

对于插件配置界面，提供用户可创建、编辑的方式还不够，我们希望能够有更快的对接方式，让用户将 http 接口快速对接进来，我们还设计了一个基于 curl 的解析器并实现将解析后的内容转换为一个插件工具（和插件业务模块融合对接起来），你可以理解用户只需要如下在浏览器中将接口复制 curl ：

对接方式就是我们一开始案例演示中的导入 curl 实现：

针对于该 curl 解析器，我们初步实现了对于 curl 的解析以及转换插件的实现：

CurlParser 为 curl 解析器，用来将 curl 解析为一个实现类 CurlParseResult。CurlParser 的解析接口如下：

public CurlParseResult parse(String curlCommand) {   ...}

CurlParseResult 解析结果类实现如下：

@Datapublic class CurlParseResult {   private String url;   private String method = "GET";   private Map<String, String> headers = new HashMap<>(); private String data;private String user;   private List<FormData> formData = new ArrayList<>(); private String cookie;   private String referer;   private String userAgent;   private boolean followRedirects = false;  private boolean insecure = false;    private String proxy;   // 添加查询参数映射 private Map<String, String> queryParams = new HashMap<>(); ...}

解析出来之后，我们会将 CurlParseResult 去转换为我们的核心包 HttpPlugin 的核心能力实现提供出去，这块就由 CurlToHttpPluginConverter 转换器来实现，该三个核心实现类我们作为 dt-AI-core 公共包来提供出去。CurlToHttpPluginConverter 转换器的实现接口方法为：

public class CurlToHttpPluginConverter {    public HttpPlugin convert(CurlParseResult curl) {        ...    }}

由于这三个核心类具备能够将 curl 转换为一个 HttpPlugin 插件实体类，由于我们是作为 core 包的公共能力提供出去，我们则会将 HttpPlugin 的插件实体类转换为能够进行 db 存储的 pojo 来进行最终存储到 db：

最终完成了解析 -> 导入的功能，至此我们的插件系统初步完成。

总结与未来展望

借助这套核心插件系统模块和业务层的实现，我们能够快速对接 HTTP 接口，并增强 AI 的能力 。这个初步的插件系统是参考了字节的 Coze 插件设计并结合实际场景落地的 。选择 HTTP 接口作为插件工具是因为其广泛性，大多数 web 系统都提供了 HTTP 接口，能够支持用户快速对接。

在整个模块实现过程中，我利用 AI 来完成一些简单、边界的代码编写，而我则专注于顶层的接口方法和抽象类的设计，并对 AI 生成的代码进行审查和校对，最终独立完成了整个插件系统的设计 。目前，当前的插件系统已初步完成业务实现 。未来，我们计划推出插件市场，提供更多内置插件，为更多不同的场景赋能，实现更多内部 AI 文本交互场景的落地。

本文为内部 AI 平台插件系统的技术分享，希望能给你带来一些启发与帮助，如有问题，请指正。基于企业需求，我们推出了一款面向企业级场景的 AI 应用开发平台，聚焦私有化部署与业务场景落地，提供安全可控、灵活扩展的 AI 应用构建能力。平台集成可视化开发、多模型支持、智能工作流编排等核心能力，帮助企业快速构建和交付 AI 应用，实现 AI 与业务流程的深度融合，加速智能化转型。

如有需求可扫描微信二维码咨询官方小助手了解详情~