Function Calling 实战：给决策辅助设计 JSON Schema

「决策辅助」是个人用户的高频任务。它的输入通常是决策选项，期望得到的是分析结果。这类有固定流程、又需要一点判断力的工作，很适合封装成智能体 Skill。

本文介绍如何在 Function Calling 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目	说明
技能	决策辅助（`decision-helper`）
作用	用结构化方法辅助个人决策
输入	决策选项
输出	分析结果
形态	纯提示词
风险	低
适用人群	个人用户

处理流程分四步：

明确标准
评估选项
考虑风险
给出思考框架

这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；风险较低，但输出仍需快速过目再使用。

在 Function Calling 中是什么形态

Function Calling（工具调用）是主流大模型 API 的通用能力：你用 JSON Schema 描述函数，模型在需要时返回结构化的调用参数，由你的程序执行后再把结果交回模型。

函数定义随每次 API 请求传入；真正的执行逻辑在你的服务端，模型只负责决定是否调用以及填写参数。

示例配置

函数定义示例（示意，字段结构以所用 API 文档为准）：

{
  "type": "function",
  "function": {
    "name": "decision_helper",
    "description": "用结构化方法辅助个人决策",
    "parameters": {
      "type": "object",
      "properties": {
        "content": { "type": "string", "description": "决策选项" },
        "mode": { "type": "string", "enum": ["draft", "review"], "description": "draft 只出草稿，review 需附检查清单" }
      },
      "required": ["content"]
    }
  }
}

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在个人用户提出相关请求时能对上号；二是约束部分要写进「健康、财务等重要决定请咨询专业人士」这类领域规矩，避免智能体自作主张。

安装与启用步骤

确定技能中哪一步需要程序执行（读取、计算、查询）
用 JSON Schema 写函数名、描述与参数
在服务端实现函数，并校验模型给出的参数
把执行结果作为工具消息交回模型生成最终回答
记录调用日志，便于排查

实操：一次完整的运行

假设你在手机、日历与个人笔记中发出这样的请求（虚构示例）：

这是今天的决策选项，按团队的决策辅助流程处理一下。

智能体识别到任务与「决策辅助」相关后，会依次明确标准、评估选项、考虑风险、给出思考框架。最终交付分析结果，并在末尾列出需要人工确认的内容。你的工作是对照原始决策选项抽查两三处关键信息，确认无误后再使用。

测试与验收

构造参数缺失、参数类型错误和恶意参数三种情况，确认服务端都能拒绝或报错。

针对这个技能，还建议额外准备：

一份信息齐全的标准决策选项，检查输出是否完整
一份缺少关键信息的输入，检查智能体是否先提问而不是编造
一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

直接信任模型返回的参数去执行写操作。
函数描述与实际行为不一致，模型反复调用失败。
只写了步骤，没写交付格式，导致每次输出的分析结果结构不同。
没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。