FastGPT 实战案例分享｜附源码
这篇文章从一个真实可落地的企业知识库问答场景出发，完整讲解如何使用 FastGPT 搭建智能问答系统、如何设计知识库、如何优化召回效果，并附上可直接参考的源码结构与核心代码示例。适合想快速上手 FastGPT、落地 AI 应用的开发者和产品同学。
一、为什么选择 FastGPT
过去一年，越来越多团队开始尝试把大模型能力接入业务系统，但真正落地时，大家很快会遇到几个现实问题：
- 纯聊天模型无法直接回答企业内部知识
- 提示词写得再好，也很难保证答案稳定
- 文档很多、制度很多、FAQ 很散，人工维护成本高
- 接口调用、知识库检索、权限控制、对话记录都要自己造轮子
FastGPT 的价值就在于：它把 大模型应用中最常见的一整套能力做成了可组合的工作流，尤其适合知识库问答、智能客服、内部助手、运营知识查询等场景。
它的优势很明显：
- 上手快：界面化配置，减少大量重复开发。
- 可扩展：支持知识库、工作流、工具调用、API 接入。
- 工程化友好：适合接入现有系统，方便二次开发。
- 落地成本低：比从零搭建 RAG 系统更高效。
如果你的目标不是“做一个会聊天的机器人”，而是“做一个能回答业务问题、能接入系统、能持续维护的 AI 应用”，FastGPT 非常值得尝试。
二、案例背景：企业知识库问答助手
这次分享的案例，是为一家中型互联网公司搭建的 企业内部知识库问答助手。
1. 业务痛点
团队内部常见的问题包括：
- 公司制度怎么申请报销？
- 新员工入职流程有哪些？
- 某个系统的接口文档在哪？
- 某项权限如何开通？
- 项目历史决策记录如何查找？
这些问题有一个共同点：
答案分散在多个文档、飞书、Wiki、Notion、PDF 和历史群聊里。
结果就是：
- 同事经常重复问同样的问题
- 行政、HR、技术支持被大量打断
- 文档更新后，旧答案无法及时同步
- 搜索工具只能“找到文档”，不能“直接回答问题”
2. 项目目标
我们希望做出一个助手，满足以下目标：
- 能根据公司文档自动回答问题
- 能引用来源，减少胡乱编造
- 支持新增文档后快速生效
- 可接入企业微信或 Web 页面
- 后续可扩展到流程审批、工单查询等能力
最终，我们采用了 FastGPT + 向量数据库 + 大模型 API + 业务系统接口 的组合方案。
三、整体方案设计
1. 架构思路
整个系统可以理解为四层：
- 数据层：公司制度、FAQ、接口文档、SOP
- 知识处理层：文档切分、向量化、检索
- 模型推理层：大模型生成答案
- 应用层：Web 问答、企业微信机器人、后台管理
2. 核心流程
用户提问后，系统执行以下步骤：
- 接收用户问题
- 在知识库中检索相关片段
- 将检索结果拼接进提示词
- 调用大模型生成答案
- 返回答案并附带引用来源
这本质上就是一个典型的 RAG 流程：
- Retrieval：检索
- Augmented：增强
- Generation：生成
FastGPT 的好处是，它把这条链路变成了可视化、可配置、可调试的流程。
四、项目准备
1. 技术选型
本项目采用以下技术栈：
- FastGPT：知识库问答与工作流编排
- OpenAI / 通义 / DeepSeek 等大模型 API：生成回答
- 向量数据库：用于语义检索
- Node.js / Next.js：前端或接入层
- MySQL / MongoDB：存储业务数据与配置
- 企业微信机器人 / Web 页面：用户入口
2. 适用数据类型
FastGPT 特别适合以下知识内容：
- 制度文档
- 产品手册
- 接口文档
- 培训材料
- FAQ
- 方案文档
- 规范说明
但对于以下内容，建议单独处理：
- 强时效性数据，如库存、订单、价格
- 需要实时查询的业务信息
- 需要复杂权限判断的数据
这类数据更适合通过 工具调用 接入业务系统，而不是纯靠知识库回答。
五、FastGPT 实战搭建
下面进入实战部分。
1. 创建知识库
首先，我们将资料整理成多个知识库，例如：
公司制度新员工入职研发规范接口文档FAQ 常见问题
每个知识库按照主题分类，便于后续检索时提高命中率。
2. 文档处理建议
文档导入不是“上传完就能用”，质量很关键。建议遵循以下原则：
内容整理
- 删除无意义的目录噪音
- 统一标题层级
- 补充必要上下文
- 避免一段内容里混杂多个主题
切分策略
- 以小段落为主，不要切得过碎
- 保留标题信息
- 让每个 chunk 尽量表达完整语义
命名规范
- 文件名尽量清晰，如
报销制度_v3.md - 版本号明确，避免旧文档污染回答
3. 配置检索参数
检索效果决定回答质量。通常需要重点调这几个参数：
- Top K：返回多少条候选片段
- 相似度阈值：过滤低相关内容
- 重排序策略：提高最相关内容排位
- 引用片段长度：控制上下文长度
经验上，企业知识库问答要特别注意：
- 召回太少，会答不出来
- 召回太多，会引入噪音
- 上下文太长，会让模型“看花眼”
建议先从保守参数开始，再根据真实问答数据调优。
六、工作流设计思路
FastGPT 的一个强项是工作流。我们可以把问答逻辑拆成多个节点。
1. 基础问答流程
一个典型工作流可以这样设计：
- 用户输入问题
- 判断是否命中知识库
- 检索相关文档
- 组织提示词
- 调用大模型
- 返回答案
2. 增强版流程
为了让系统更实用，我们还加入了以下能力：
-
问题分类
- 知识库问题
- 工具查询问题
- 闲聊问题
-
多轮对话上下文
- 保留最近几轮问答
- 结合历史语境理解提问
-
兜底策略
- 检索不到内容时，明确说明不知道
- 引导用户补充关键信息
-
来源引用
- 展示文档标题与片段出处
- 提升可信度
这一步非常关键，因为企业场景里，用户最在意的不是“像不像 AI”，而是“准不准、可不可信”。
七、核心提示词设计
提示词设计是 FastGPT 落地质量的核心之一。
一个好的系统提示词应该明确以下内容：
- 角色定位
- 回答范围
- 答案风格
- 不知道时如何处理
- 是否允许编造
- 是否必须引用来源
下面是一个可参考的提示词模板：
你是一名企业知识库助手，必须基于给定知识内容回答问题。
如果知识内容不足以支持结论，请明确说明“当前知识库中未找到相关信息”，不要编造。
回答时尽量简洁、准确、条理清晰。
如果知识中存在多个版本，以最新版本或明确标注的版本为准。
如有来源，请在答案末尾列出参考文档名称。这个提示词的重点不是“写得多华丽”，而是 边界清晰。
很多知识库问答失败，不是模型不够强，而是提示词没有把规则讲明白，导致模型自由发挥过头。
八、附源码：项目结构示例
下面给出一个可参考的项目结构，方便你在 FastGPT 外围做二次开发。
fastgpt-demo/
├── app/
│ ├── api/
│ │ ├── chat/route.ts
│ │ └── knowledge/route.ts
│ ├── page.tsx
│ └── layout.tsx
├── components/
│ ├── ChatBox.tsx
│ └── SourceList.tsx
├── lib/
│ ├── fastgpt.ts
│ └── types.ts
├── public/
├── styles/
├── .env.local
└── package.json九、核心代码示例
下面的示例展示了如何从前端调用 FastGPT 接口，并将回答渲染到页面中。
1. FastGPT 请求封装
lib/fastgpt.ts
export async function askFastGPT(question: string) {
const response = await fetch(process.env.NEXT_PUBLIC_FASTGPT_API!, {
method: 'POST',
headers: {
'Content-Type': 'application/json',
Authorization: `Bearer ${process.env.NEXT_PUBLIC_FASTGPT_KEY}`
},
body: JSON.stringify({
question
})
});
if (!response.ok) {
throw new Error('FastGPT 请求失败');
}
return response.json();
}2. 接口路由
app/api/chat/route.ts
import { NextResponse } from 'next/server';
import { askFastGPT } from '@/lib/fastgpt';
export async function POST(request: Request) {
try {
const { question } = await request.json();
const result = await askFastGPT(question);
return NextResponse.json({
success: true,
data: result
});
} catch (error) {
return NextResponse.json(
{
success: false,
message: error instanceof Error ? error.message : '未知错误'
},
{ status: 500 }
);
}
}3. 前端问答组件
components/ChatBox.tsx
'use client';
import { useState } from 'react';
export default function ChatBox() {
const [question, setQuestion] = useState('');
const [answer, setAnswer] = useState('');
const [loading, setLoading] = useState(false);
const handleAsk = async () => {
if (!question.trim()) return;
setLoading(true);
setAnswer('');
try {
const response = await fetch('/api/chat', {
method: 'POST',
headers: {
'Content-Type': 'application/json'
},
body: JSON.stringify({ question })
});
const result = await response.json();
setAnswer(result.data?.answer || '暂无回答');
} catch (error) {
setAnswer('请求失败，请稍后重试');
} finally {
setLoading(false);
}
};
return (