用 Function Calling 实现「分析笔记本整理」：函数定义与调用流程

数据分析师与运营经常要做「分析笔记本整理」这类事：把杂乱的分析笔记本整理为可复现的报告。每次都从头写提示词，结果时好时坏；把它做成智能体 Skill，就能让智能体每次按同一套步骤执行，输出结构也更稳定。

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	分析笔记本整理（`notebook-cleanup`）
作用	把杂乱的分析笔记本整理为可复现的报告
输入	Jupyter 笔记本
输出	整理后的笔记本
形态	带脚本
风险	低
适用人群	数据分析师与运营

处理流程分四步：

删除试错单元
补充说明
固定随机种子与依赖
从头运行验证

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；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": "notebook_cleanup",
    "description": "把杂乱的分析笔记本整理为可复现的报告",
    "parameters": {
      "type": "object",
      "properties": {
        "content": { "type": "string", "description": "Jupyter 笔记本" },
        "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」，让智能体在数据分析师与运营提出相关请求时能对上号；二是约束部分要写进「结论要回到原始数据核对口径，避免把相关当因果」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

假设你在表格、数据库与 Notebook中发出这样的请求（虚构示例）：

用分析笔记本整理技能处理这份Jupyter 笔记本，输出整理后的笔记本。

智能体识别到任务与「分析笔记本整理」相关后，会依次删除试错单元、补充说明、固定随机种子与依赖、从头运行验证。最终交付整理后的笔记本，并在末尾列出需要人工确认的内容。你的工作是对照原始Jupyter 笔记本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Jupyter 笔记本，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，导致每次输出的整理后的笔记本结构不同。
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。