售前团队如何用 FastGPT 搭建一个真正能用的知识库助手

发布人：慈云数据-客服中心发布时间：4小时前阅读量：4

FastGPT 实战案例分享｜附配置文件

一、为什么选择 FastGPT 做企业知识库助手？

在企业数字化转型过程中，很多团队都会遇到一个共同问题：资料越来越多，但真正能被快速检索、准确复用的信息却越来越少。产品文档散落在飞书、语雀、Notion、PDF、官网页面中；售前同事需要反复查询方案；客服团队每天重复回答相似问题；新员工入职时，也需要花大量时间熟悉业务资料。

传统的关键词搜索虽然能解决一部分问题，但它对表达方式非常敏感。用户必须知道准确的关键词，才能找到对应内容。而在实际业务中，用户往往是用自然语言提问，例如：

“客户问我们系统能不能私有化部署，应该怎么回答？”
“某个产品模块支持哪些数据源？”
“售后流程里，退款问题应该转给谁？”
“帮我整理一份面向制造业客户的解决方案话术。”

这类问题更适合由大语言模型结合企业知识库来回答。FastGPT 正是一个非常适合落地此类场景的开源 AI 应用平台。它支持知识库构建、工作流编排、模型接入、插件调用、权限配置和 API 对接，可以较快完成从知识导入到智能问答应用上线的完整流程。

本文将分享一个基于 FastGPT 搭建“企业售前知识库助手”的实战案例，并附上一份可参考的配置文件，帮助你快速理解整体搭建思路。

二、案例背景：售前团队的知识检索痛点

某 B2B 软件公司有一支 20 人左右的售前团队，主要负责客户需求沟通、产品演示、方案撰写和投标支持。随着产品线不断扩展，售前团队面临以下几个问题：

第一，知识资料分散。
产品功能说明、行业解决方案、报价策略、竞品对比、常见问题等内容分布在多个平台中，查找效率较低。

第二，知识更新不及时。
产品版本迭代后，旧文档没有及时下线，新文档没有统一入口，导致部分同事仍然使用过期话术。

第三，重复问题占比高。
新人经常询问“某功能是否支持”“某行业案例在哪里”“客户问到竞品怎么回应”等问题，资深售前需要反复解答。

第四，输出内容不统一。
不同售前对同一产品能力的描述存在差异，容易造成客户理解偏差，也增加了后续交付风险。

因此，该团队希望搭建一个内部 AI 助手，实现以下目标：

支持自然语言提问，快速获得准确答案；
回答内容必须基于企业内部资料，减少模型幻觉；
能够引用知识来源，方便人工核验；
支持按业务场景输出话术、方案摘要和对比表；
后续可以通过 API 集成到企业微信或内部系统。

三、整体方案设计

本案例采用 FastGPT 构建一个“售前知识库助手”，核心架构如下：

内部文档 / FAQ / 产品资料
        ↓
FastGPT 知识库清洗与向量化
        ↓
知识库检索 + 大模型推理
        ↓
工作流控制回答逻辑
        ↓
Web 应用 / API / 企业微信机器人

整体方案分为四层。

1. 数据层

数据层主要包括以下资料：

产品白皮书；
功能说明文档；
行业解决方案；
客户案例；
售前 FAQ；
竞品对比资料；
报价与交付边界说明。

在导入 FastGPT 前，需要先对文档进行基础整理。建议将长篇文档拆分为结构清晰的 Markdown 或 Word 文档，标题层级保持统一，避免一个文件中混杂多个主题。

例如，一个产品功能文档可以拆分为：

产品概述
核心功能
适用场景
部署方式
权限体系
数据安全
常见问题

这样做的好处是后续向量检索时，模型更容易命中准确片段。

2. 知识库层

FastGPT 的知识库负责文档切分、向量化、检索和召回。实际配置中，需要重点关注三个参数：

分段长度；
相似度阈值；
最大召回数量。

如果分段过长，回答时容易带入无关内容；如果分段过短，又可能丢失上下文。一般来说，中文业务文档可以将分段长度控制在 500 到 900 字之间，并适当保留标题信息。

对于售前问答类场景，建议相似度阈值不要设置得过低，否则模型可能召回不相关内容，导致回答偏题。最大召回数量可以根据知识库质量调整，通常设置为 5 到 8 条较为合适。

3. 模型层

模型层可以根据企业预算和部署要求选择不同方案：

公有云大模型：接入方便，效果较好，适合快速验证；
私有化模型：数据安全性更强，适合敏感业务；
混合模式：普通问答使用云模型，敏感知识使用本地模型。

在本案例中，测试阶段选择了兼容 OpenAI API 格式的大模型服务，后续可替换为企业内部模型网关。

4. 应用层

应用层主要由 FastGPT 应用和工作流组成。我们为售前助手设计了三类能力：

标准问答：根据知识库回答问题；
方案生成：根据客户行业、规模、需求生成方案摘要；
竞品回应：根据内部竞品资料生成对比话术。

为了降低幻觉风险，工作流中加入了“无资料不回答”的规则：当知识库没有召回有效内容时，助手应明确提示“当前知识库中没有找到相关依据”，而不是编造答案。

四、FastGPT 应用配置思路

在 FastGPT 中创建应用时，可以按以下步骤进行。

1. 创建知识库

进入 FastGPT 后台，创建一个名为“售前知识库”的知识库，并按资料类型建立不同集合：

产品功能资料；
行业解决方案；
客户案例；
竞品对比；
售前 FAQ。

这样做便于后续维护，也方便在工作流中按场景选择不同知识来源。

2. 导入文档

导入文档前建议先进行一次人工清洗：

删除重复内容；
删除无意义页眉页脚；
将表格转换为清晰文本；
为每个文档补充标题；
将过期内容移入归档库，不进入正式知识库。

知识库质量决定问答质量。很多团队在做 AI 知识库时，容易过度关注模型参数，却忽略了文档本身的结构化程度。实际上，同一个模型在高质量知识库和低质量知识库上的表现差异非常明显。

3. 设置系统提示词

系统提示词是控制 AI 助手回答风格和边界的重要手段。售前助手的提示词可以这样设计：

你是企业内部售前知识库助手，负责根据知识库内容回答售前、产品、方案和竞品相关问题。

回答要求：
1. 必须优先依据知识库内容，不得编造不存在的信息。
2. 如果知识库没有相关依据，请明确说明“当前知识库中没有找到相关资料”。
3. 回答面向企业内部员工，语言专业、简洁、可直接复用。
4. 对客户可见内容要避免夸大承诺，涉及价格、交付周期、定制开发时必须提示以正式合同为准。
5. 如涉及竞品对比，应客观描述，不使用攻击性表达。
6. 如果用户要求生成方案，请按“客户背景、需求分析、推荐方案、产品价值、后续建议”的结构输出。

这段提示词的重点不是让模型“更聪明”，而是让模型“更稳定”。在企业场景中，可控性往往比创造性更重要。

五、工作流设计：让回答更稳定

简单的知识库问答可以直接使用 FastGPT 应用完成，但如果希望回答更可靠，建议使用工作流。

本案例中的工作流包括以下节点：

用户输入；
问题分类；
知识库检索；
判断是否有有效召回；
大模型生成回答；
输出引用来源；
记录日志。

问题分类

问题分类节点用于判断用户意图，例如：

产品功能咨询；
行业方案生成；
竞品对比；
售后交付问题；
其他问题。

不同类型的问题可以调用不同知识库集合。例如，用户问“我们和某竞品相比有什么优势”，系统就优先检索“竞品对比”集合，而不是全库检索。

有效召回判断

很多知识库问答系统出现幻觉，原因不是模型本身失控，而是没有判断“是否检索到了足够可靠的依据”。因此建议增加一个判断逻辑：

如果召回内容为空，直接提示无资料；
如果相似度低于阈值，提示无明确资料；
如果召回内容存在，但问题涉及价格、合同、法务等敏感信息，则提示用户联系对应负责人确认。

回答生成

回答生成节点可以要求模型按固定格式输出。例如产品功能类问题：

请基于检索到的知识库内容回答用户问题，输出格式如下：

结论：
依据：
适用场景：
注意事项：
资料来源：

这样可以让售前同事快速复制内容，也方便核验答案来源。

六、配置文件示例

下面是一份可参考的 FastGPT 应用配置示例。不同版本 FastGPT 的配置结构可能略有差异，实际使用时请以当前系统导入格式为准。

app:
  name: presales-knowledge-assistant
  displayName: 售前知识库助手
  description: 面向售前团队的企业内部知识问答与方案生成助手
  type: workflow

model:
  provider: openai-compatible
  chatModel: gpt-4o-mini
  temperature: 0.3
  maxTokens: 2048
  topP: 0.8

embedding:
  provider: openai-compatible
  model: text-embedding-3-small
  dimensions: 1536

knowledgeBase:
  name: 售前知识库
  searchMode: hybrid
  similarityThreshold: 0.62
  maxResults: 6
  collections:
    - name: 产品功能资料
      enabled: true
    - name: 行业解决方案
      enabled: true
    - name: 客户案例
      enabled: true
    - name: 竞品对比
      enabled: true
    - name: 售前FAQ
      enabled: true

chunking:
  chunkSize: 800
  chunkOverlap: 120
  preserveHeading: true
  cleanHtml: true

prompt:
  system: |
    你是企业内部售前知识库助手。
    你必须优先依据知识库内容回答问题，不得编造信息。
    如果知识库没有相关依据，请明确说明“当前知识库中没有找到相关资料”。
    回答应专业、清晰、可复用。
    涉及价格、合同、交付周期和定制开发时，应提示以正式确认结果为准。
    涉及竞品对比时，应保持客观、中立，不使用攻击性表达。

workflow:
  nodes:
    - id: user_input
      type: input
      name: 用户输入

    - id: classify_question
      type: llm
      name: 问题分类
      prompt: |
        判断用户问题类型，只返回以下类别之一：
        产品功能咨询、行业方案生成、竞品对比、售后交付问题、其他问题。

    - id: knowledge_search
      type: dataset-search
      name: 知识库检索
      dataset: 售前知识库
      maxResults: 6
      similarityThreshold: 0.62

    - id: answer_guard
      type: condition
      name: 有效召回判断
      rules:
        - if: searchResults.length == 0
          then: no_reference
        - if: maxSimilarity < 0.62
          then: no_reference
        - else: generate_answer

    - id: generate_answer
      type: llm
      name: 生成回答
      prompt: |
        请基于知识库检索结果回答用户问题。
        输出格式：
        结论：
        依据：
        建议话术：
        注意事项：
        资料来源：

    - id: no_reference
      type: response
      name: 无资料回复
      content: |
        当前知识库中没有找到相关资料。建议补充产品文档或联系对应业务负责人确认。

    - id: output
      type: response
      name: 输出结果

logging:
  enabled: true
  saveQuestion: true
  saveAnswer: true
  saveReferences: true

这份配置的核心思路是：低温度生成、适度召回、保留标题、开启引用、增加无资料兜底。对于企业知识库场景，这种配置通常比高温度、开放式回答更可靠。