Function Calling 实战：给简历初筛辅助设计 JSON Schema

「简历初筛辅助」是人力资源的高频任务。它的输入通常是简历与岗位要求，期望得到的是要点对照表。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	简历初筛辅助（`resume-screen`）
作用	按岗位要求整理简历要点供人工判断
输入	简历与岗位要求
输出	要点对照表
形态	纯提示词
风险	高
适用人群	人力资源

处理流程分四步：

提取经历
对照要求
标出待核实信息
由人工决定

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；属于高风险：涉及权限、个人信息或不可逆操作，Skill 只产出建议或草稿，执行前必须人工确认。

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": "resume_screen",
    "description": "按岗位要求整理简历要点供人工判断",
    "parameters": {
      "type": "object",
      "properties": {
        "content": { "type": "string", "description": "简历与岗位要求" },
        "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」，让智能体在人力资源提出相关请求时能对上号；二是约束部分要写进「涉及个人信息与录用决定，必须由人做最终判断」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

假设你在招聘与人事系统中发出这样的请求（虚构示例）：

用简历初筛辅助技能处理这份简历与岗位要求，输出要点对照表。

智能体识别到任务与「简历初筛辅助」相关后，会依次提取经历、对照要求、标出待核实信息、由人工决定。最终交付要点对照表，并在末尾列出需要人工确认的内容。你的工作是对照原始简历与岗位要求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简历与岗位要求，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，导致每次输出的要点对照表结构不同。
高风险技能没有设置人工确认环节，智能体直接执行了不可逆操作。

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。