用 Function Calling 实现「压测方案」：函数定义与调用流程

如果你在测试框架与 CI 流水线里反复做压测方案，可以考虑把经验沉淀为一个 Skill：写清触发条件、步骤、输出格式和边界，让智能体代劳重复部分，人只负责把关。

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	压测方案（`load-test-plan`）
作用	为接口设计压测场景、指标与通过标准
输入	接口列表与业务量预估
输出	压测方案与脚本草稿
形态	带脚本
风险	中
适用人群	开发与测试工程师

处理流程分四步：

确定关键接口
设计并发梯度
定义指标与阈值
生成脚本草稿

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码；属于中等风险：结果会影响业务判断，建议在输出前设置人工审核点。

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": "load_test_plan",
    "description": "为接口设计压测场景、指标与通过标准",
    "parameters": {
      "type": "object",
      "properties": {
        "content": { "type": "string", "description": "接口列表与业务量预估" },
        "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」，让智能体在开发与测试工程师提出相关请求时能对上号；二是约束部分要写进「生成的测试要先在本地跑通，别只盯覆盖率数字」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

假设你在测试框架与 CI 流水线中发出这样的请求（虚构示例）：

帮我做一下压测方案，材料是附上的接口列表与业务量预估。

智能体识别到任务与「压测方案」相关后，会依次确定关键接口、设计并发梯度、定义指标与阈值、生成脚本草稿。最终交付压测方案与脚本草稿，并在末尾列出需要人工确认的内容。你的工作是对照原始接口列表与业务量预估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接口列表与业务量预估，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，导致每次输出的压测方案与脚本草稿结构不同。
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。