add doc for tool-calling and evaluation

Author: glmapper

docs/statics/tc-ToolCallingManager.png

@@ -0,0 +1,102 @@
+## 模型评估
+在测试 AI 应用时，需要对生成的内容进行评估，以避免模型输出“幻觉”信息（即虚构、不准确的内容）。一种常见的评估方式是直接借助 AI 模型本身来判断答案的质量。此时应选用一个更适合评估任务的模型，它未必和用于生成答案的模型相同。在 Spring AI 中，专门用于结果评估的接口是 `Evaluator`，它的定义如下：
+
+```java
+@FunctionalInterface
+public interface Evaluator {
+    EvaluationResponse evaluate(EvaluationRequest evaluationRequest);
+}
+```
+
+评估时传入的是一个特定的请求类型 EvaluationRequest，它包括几个关键的属性，如下：
+
+```java
+public class EvaluationRequest {
+    // 用户输入的原始问题
+	private final String userText;
+    // 上下文信息，可以是文档，历史对话等等
+	private final List<Content> dataList;
+    // 模型针对用户问题返回的结果
+	private final String responseContent;
+    
+	public EvaluationRequest(String userText, List<Content> dataList, String responseContent) {
+		this.userText = userText;
+		this.dataList = dataList;
+		this.responseContent = responseContent;
+	}
+  ...
+}
+```
+
+
+
+# 关联评估
+`RelevancyEvaluator` 是对 `Evaluator` 接口的具体实现，主要用于判断 AI 所生成的回答是否与检索到的上下文信息相关联。这项评估机制常被用来检测 RAG（检索增强生成）流程中的响应质量，确保模型的回复能贴合用户提问及相关内容。评估过程依赖三个要素：**用户输入、AI 模型的回答**，**以及检索得到的上下文内容**。系统会通过提示词模板向 AI 发出提问，然后判断模型回答是否具有上下文相关性。下面是 `RelevancyEvaluator` 默认使用的提示模板内容：
+
+```java
+Your task is to evaluate if the response for the query
+is in line with the context information provided.
+
+You have two options to answer. Either YES or NO.
+
+Answer YES, if the response for the query
+is in line with context information otherwise NO.
+
+Query:
+{query}
+
+Response:
+{response}
+
+Context:
+{context}
+
+Answer:
+```
+
+
+
+## 案例介绍
+这里我们使用 deepseek 来评估豆包的输出结果，关于如何在项目中使用多个 chatmodel 可以参考 chat client api 部分。
+
+```java
+/**
+ * 评估消息内容
+ *
+ * @param message
+ * @return
+ */
+public EvaluationResponse evaluate(String message) {
+    // 使用 OpenAI 模型进行评估
+    String openAiResponse = openAiChatClient.prompt().user(message).call().content();
+    String question = message;
+    EvaluationRequest evaluationRequest = new EvaluationRequest(
+            // The original user question
+            question,
+            // context data
+            Collections.emptyList(),
+            // The AI model's response
+            openAiResponse);
+    RelevancyEvaluator evaluator = new RelevancyEvaluator(ChatClient.builder(this.deepSeekChatModel));
+    EvaluationResponse evaluationResponse = evaluator.evaluate(evaluationRequest);
+    return evaluationResponse;
+}
+```
+
+
+
+这里主要看下 EvaluationResponse 的几个属性
+
+```java
+// 表示是否通过评估
+private final boolean pass;
+// 评估打分 0～1
+private final float score;
+// 评估反馈
+private final String feedback;
+// 一些元数据信息
+private final Map<String, Object> metadata;
+```
+
+评估结果主要是针对 pass 和 score，如果对于结果要求不是很高，直接关注 pass 即可；如果对结果有求较高，需要结合评估打分来控制。
+