让模型"说一段话"很容易,让它"吐出一段程序能直接解析的数据"就没那么稳。如果你要把 AI 接进真实系统——抽取字段、驱动流程、调用工具——就必须解决输出的确定性问题。结构化输出和函数调用就是为此而生的两件武器。
为什么自由文本不够用
自由文本适合人读,不适合机器处理:格式飘忽、可能夹杂解释、字段时有时无。下游程序要么写脆弱的正则去猜,要么动不动解析失败。结构化输出的目标,是让模型按预先约定的格式(常见如 JSON Schema)返回内容,字段、类型、必填项都被约束好。
两条路径
- 约束式结构化输出:你提供一份 schema,模型保证返回符合它的结果。适合信息抽取、表单填充、分类打标这类"只要数据"的任务。用它的关键是 schema 写得清晰、字段语义明确。
- 函数调用(Function Calling):你先声明一组可用函数及其参数结构,模型判断该不该调用、并给出符合定义的参数。它让模型从"回答问题"走向"发起动作",是 Agent 的基石。
正确的调用闭环
函数调用不是"模型说了就算"。完整闭环是:模型输出调用意图和参数 → 你的程序校验参数 → 真正执行函数 → 把执行结果回填给模型 → 模型据此继续回答。校验这一步绝不能省,模型可能给出类型错误、越界甚至臆造的参数。把执行权牢牢留在自己手里,是安全的底线。
落地建议
先明确你到底要"数据"还是要"动作":只要数据,用结构化输出更轻;要动作,再上函数调用。schema 尽量小而准,别设计一个几十字段的巨型结构。对涉及付款、删除、对外发送的高风险操作,在程序层面加人工确认或权限校验,不要让模型一键触发。不同平台的具体接口写法差异较大,接入时以官方 API 文档为准。
结论:结构化输出解决"数据能不能用",函数调用解决"动作能不能安全地发起"。把二者用好,AI 才能从聊天窗口走进业务流程。
小7分享网