FastGPT 工作流自动化教程｜附配置文件

在企业知识库、智能客服、销售线索跟进、内容生成、数据查询等场景中，单纯依靠一个“大模型对话框”往往不够。真实业务通常包含多个步骤：接收用户问题、判断意图、查询知识库、调用接口、整理结果、生成回复、记录日志，甚至还要分支处理异常情况。

FastGPT 的工作流能力，正是为这类复杂业务而设计。它可以把一个 AI 应用拆成多个节点，通过可视化编排的方式，把大模型、知识库、HTTP 请求、条件判断、变量处理等能力组合起来，形成一套稳定、可复用、可扩展的自动化流程。

本文将以“智能知识库客服工作流”为例，系统讲解 FastGPT 工作流的设计思路、节点配置、变量传递、接口调用方式，并附上一份可参考的配置文件模板，帮助你快速搭建自己的自动化 AI 应用。

一、什么是 FastGPT 工作流？

FastGPT 是一款面向企业和个人开发者的 AI 应用构建平台，常见能力包括知识库问答、AI 对话应用、工作流编排、插件调用、API 集成等。

其中，工作流可以理解为一个“AI 自动化流程引擎”。它不是让模型直接回答用户，而是先把业务流程拆解成多个节点，再按照预设逻辑依次执行。

例如，一个客服机器人可以拆成以下步骤：

1. 用户输入问题；
2. 系统判断用户问题类型；
3. 如果是产品咨询，则查询产品知识库；
4. 如果是订单问题，则调用订单系统接口；
5. 如果问题不明确，则引导用户补充信息；
6. 汇总结果后，由大模型生成自然语言回复；
7. 将本次会话内容写入日志或 CRM 系统。

这种方式相比单轮问答有明显优势：

• 流程更稳定：关键环节由规则和节点控制，不完全依赖模型自由发挥；
• 业务更可控：可以清楚知道每一步做了什么，便于调试和优化；
• 能力更强：可以连接知识库、数据库、第三方系统、企业内部接口；
• 复用性更好：一个流程可以被 API、网页端、企业微信、飞书等多个入口调用；
• 适合复杂场景：支持条件分支、变量传递、多轮追问、接口调用等高级逻辑。

二、适合使用工作流的典型场景

并不是所有 AI 应用都必须使用工作流。如果只是简单的知识库问答，普通应用已经足够。但如果你的业务包含多个步骤、多个数据源或多种处理逻辑，工作流就非常适合。

1. 智能客服

客服场景通常涉及售前咨询、售后问题、订单查询、退款政策、人工转接等不同类型问题。通过工作流可以先判断用户意图，再进入不同处理分支。

例如：

• 产品问题：查询知识库；
• 订单问题：调用订单接口；
• 投诉问题：生成工单；
• 无法回答：转人工客服。

2. 销售线索收集

销售机器人不仅要回答问题，还要判断用户是否有购买意向，并收集姓名、电话、公司、预算、需求等信息。

工作流可以完成：

• 判断用户意向等级；
• 自动追问缺失信息；
• 整理线索摘要；
• 写入 CRM；
• 通知销售人员跟进。

3. 企业知识库助手

企业内部知识库通常分布在不同文档、制度、FAQ 和系统中。通过 FastGPT 工作流，可以先识别用户问题所属部门，再匹配对应知识库。

例如：

• 人事问题查询 HR 知识库；
• 财务报销查询财务知识库；
• IT 故障查询技术支持知识库；
• 管理制度查询公司制度库。

4. 自动内容生成

内容生成不只是“写一篇文章”这么简单。高质量内容往往需要主题分析、资料检索、结构生成、正文撰写、SEO 优化、标题生成等多个环节。

工作流可以自动完成：

• 分析主题；
• 生成大纲；
• 查询资料；
• 输出正文；
• 生成摘要；
• 生成 SEO 标题和关键词。

5. API 查询与数据分析

如果你的 AI 应用需要实时数据，例如订单状态、库存数量、物流进度、天气信息、财务数据等，就需要通过工作流调用外部接口。

FastGPT 工作流可以通过 HTTP 节点请求外部系统，再让大模型基于接口返回结果生成自然语言解释。

三、工作流设计思路

在真正配置之前，建议先不要急着拖节点，而是先画清楚业务流程。

以“智能知识库客服”为例，我们可以设计如下逻辑：

flowchart TD
    A[用户输入问题] --> B[意图识别]
    B --> C{问题类型}
    C -->|产品咨询| D[查询产品知识库]
    C -->|订单问题| E[调用订单接口]
    C -->|售后政策| F[查询售后知识库]
    C -->|不明确| G[追问用户补充信息]
    D --> H[生成最终回复]
    E --> H
    F --> H
    G --> H
    H --> I[输出给用户]

这个流程中有几个关键点：

• 输入变量：用户的问题；
• 意图识别节点：判断问题属于哪一类；
• 条件分支节点：根据意图走不同路径；
• 知识库节点：检索相关文档；
• HTTP 节点：调用外部订单接口；
• AI 回复节点：整合上下文，生成最终回答；
• 输出节点：返回结果给用户。

良好的工作流设计应遵循三个原则：

1. 让规则做确定性判断
   能用条件判断解决的，就不要完全交给模型。例如是否包含订单号、手机号、产品型号等，可以通过变量或正则判断。

2. 让模型做语义理解和表达
   模型擅长理解自然语言、总结信息、生成回复，因此适合用于意图识别、内容整理、自然语言输出。

3. 让接口提供真实数据
   涉及订单、库存、价格、物流等实时数据时，不要让模型猜测，应该调用业务系统接口获取准确信息。

四、准备工作

在开始搭建之前，你需要准备以下内容：

1. FastGPT 环境

可以选择官方云服务，也可以自行部署 FastGPT。自部署适合企业私有化场景，便于连接内部系统和保护数据安全。

2. 模型配置

建议准备至少一个可用于对话和推理的大语言模型，例如：

• GPT 系列模型；
• Claude 系列模型；
• Qwen 系列模型；
• DeepSeek 系列模型；
• GLM 系列模型。

如果业务对成本敏感，可以将不同节点使用不同模型：

• 意图识别：使用速度快、成本低的模型；
• 最终回复：使用表达能力更强的模型；
• 内容生成：使用上下文更长的模型。

3. 知识库数据

将企业 FAQ、产品说明、售后政策、使用教程等文档整理后导入 FastGPT 知识库。

建议按业务分类建立多个知识库，例如：

• 产品知识库；
• 售后知识库；
• 内部制度知识库；
• 技术支持知识库。

文档质量会直接影响问答效果。建议每个知识点独立成段，标题清晰，避免把多个主题混在一个文档里。

4. 外部接口

如果需要查询订单、库存、用户资料等数据，需要准备对应 API。

例如订单查询接口：

GET https://api.example.com/orders/{orderId}
Authorization: Bearer YOUR_API_TOKEN

返回示例：

{
  "orderId": "A20250101001",
  "status": "已发货",
  "product": "智能耳机 Pro",
  "trackingNo": "SF1234567890",
  "deliveryCompany": "顺丰速运"
}

五、搭建工作流的核心步骤

下面以“智能客服工作流”为例，介绍一个完整配置过程。

六、步骤一：创建工作流应用

进入 FastGPT 控制台后，新建一个应用，类型选择“工作流”或类似选项。应用名称可以设置为：

智能客服自动化工作流

建议在描述中写清楚应用目标：

用于处理产品咨询、订单查询和售后政策问答，支持知识库检索、订单接口调用和智能回复生成。

这样后续维护时，可以更快理解该应用的用途。

七、步骤二：配置用户输入节点

用户输入节点是工作流的起点，通常包含用户问题、会话上下文、用户 ID 等信息。

常见变量设计如下：

如果只是基础问答，最重要的是 userQuestion。

示例输入：

{
  "userQuestion": "我的订单 A20250101001 发货了吗？",
  "userId": "u_10001",
  "sessionId": "s_90001",
  "channel": "web"
}

八、步骤三：添加意图识别节点

意图识别节点用于判断用户问题属于哪一类。这里可以使用 AI 对话节点，让模型只输出固定枚举值。

推荐分类如下：

• product_consulting：产品咨询；
• order_query：订单查询；
• after_sales：售后政策；
• unclear：问题不明确；
• other：其他问题。

意图识别提示词示例：

你是一个客服意图分类器。请根据用户问题判断其意图类型。

可选类型：
1. product_consulting：产品功能、价格、规格、使用方法等产品咨询
2. order_query：订单状态、物流、发货、退款进度等订单相关问题
3. after_sales：退换货政策、保修、维修、售后流程等问题
4. unclear：用户问题缺少必要信息，无法判断
5. other：不属于以上类型的问题

用户问题：
{{userQuestion}}

请只输出一个类型，不要输出解释。

为了减少模型输出不稳定，建议在节点输出后增加格式限制，例如只允许枚举值。若 FastGPT 支持结构化输出，也可以配置为 JSON：

{
  "intent": "order_query"
}

九、步骤四：配置条件分支节点

条件分支节点根据意图识别结果，将流程分到不同路径。

规则可以这样设置：

这样可以避免所有问题都进入同一个处理逻辑，提高回答准确性。

十、步骤五：配置知识库检索节点

对于产品咨询和售后政策类问题，可以分别连接不同知识库。

产品知识库节点

输入：

{{userQuestion}}

检索范围：

• 产品说明；
• 参数规格；
• 使用教程；
• 常见问题；
• 价格说明。

建议配置：

售后知识库节点

输入：

{{userQuestion}}

检索范围：

• 退换货政策；
• 保修说明；
• 维修流程；
• 退款规则；
• 售后联系方式。

如果知识库没有检索到有效内容，不建议让模型凭空回答，而应该输出类似：

暂时没有查询到明确政策，建议联系人工客服确认。

十一、步骤六：配置订单号提取节点

订单查询类问题通常需要订单号。如果用户没有提供订单号，应该先追问，而不是直接调用接口。

可以使用一个 AI 节点提取订单号：

请从用户问题中提取订单号。

用户问题：
{{userQuestion}}

要求：
1. 如果存在订单号，输出 JSON：{"hasOrderId": true, "orderId": "订单号"}
2. 如果不存在订单号，输出 JSON：{"hasOrderId": false, "orderId": ""}
3. 不要输出其他内容。

示例输出：

{
  "hasOrderId": true,
  "orderId": "A20250101001"
}

然后增加条件判断：

• 如果 hasOrderId == true，调用订单接口；
• 如果 hasOrderId == false，返回追问内容。

追问示例：

为了帮你查询订单状态，请提供订单号，例如 A20250101001。

十二、步骤七：配置 HTTP 请求节点

当成功提取订单号后，就可以调用外部订单系统接口。

HTTP 节点配置示例：

method: GET
url: https://api.example.com/orders/{{orderId}}
headers:
  Authorization: Bearer {{ORDER_API_TOKEN}}
  Content-Type: application/json
timeout: 10000

返回数据示例：

{
  "orderId": "A20250101001",
  "status": "已发货",
  "product": "智能耳机 Pro",
  "trackingNo": "SF1234567890",
  "deliveryCompany": "顺丰速运",
  "estimatedDelivery": "2025-01-03"
}

接口调用需要注意三点：

1. 不要把密钥写死在提示词里
   建议使用环境变量或平台密钥管理能力，例如 ORDER_API_TOKEN。

2. 处理接口异常
   如果接口超时、返回 404 或订单不存在，需要给用户明确提示。

3. 不要暴露原始敏感数据
   返回给用户时，只输出必要信息，例如订单状态、物流公司和预计送达时间。

十三、步骤八：配置最终回复生成节点

最终回复节点负责整合知识库内容、接口返回数据和用户问题，生成自然、准确、礼貌的回答。

提示词示例：

你是一个专业、友好、严谨的智能客服助手。

请根据以下信息回答用户问题：

用户问题：
{{userQuestion}}

意图类型：
{{intent}}

知识库检索结果：
{{knowledgeResult}}

订单接口结果：
{{orderResult}}

回复要求：
1. 优先依据知识库或接口结果回答；
2. 如果没有可靠信息，不要编造；
3. 语气自然、简洁、有帮助；
4. 如果需要用户补充信息，请明确说明需要补充什么；
5. 涉及订单、物流、退款等信息时，只输出必要字段；
6. 最后可以给出下一步建议。

请直接输出给用户的回复。

如果用户询问订单状态，最终回复可以是：

已帮你查询到订单 A20250101001：商品为“智能耳机 Pro”，当前状态是“已发货”，物流公司为顺丰速运，快递单号为 SF1234567890，预计 2025-01-03 送达。你可以通过顺丰官方渠道查询最新物流进度。

如果知识库没有命中，可以回复：

当前知识库中没有查询到与该问题完全匹配的信息。为了避免误导你，建议联系人工客服进一步确认。你也可以补充产品型号或具体使用场景，我可以继续帮你查找相关说明。

十四、参考工作流配置文件

下面是一份简化版配置文件，用于帮助你理解整体结构。不同版本 FastGPT 的导入格式可能有所差异，实际使用时需要根据平台导入规范调整字段名称。

name: fastgpt-customer-service-workflow
description: 智能客服工作流，支持产品咨询、订单查询、售后政策问答
version: 1.0.0

variables:
  userQuestion:
    type: string
    required: true
    description: 用户输入的问题
  userId:
    type: string
    required: false
    description: 用户 ID
  sessionId:
    type: string
    required: false
    description: 会话 ID
  channel:
    type: string
    required: false
    description: 来源渠道

secrets:
  ORDER_API_TOKEN:
    description: 订单系统 API Token

nodes:
  - id: input
    type: input
    name: 用户输入
    outputs:
      - userQuestion
      - userId
      - sessionId
      - channel

  - id: intent_classification
    type: llm
    name: 意图识别
    model: qwen-plus
    temperature: 0
    input:
      prompt: |
        你是一个客服意图分类器。请根据用户问题判断其意图类型。

        可选类型：
        product_consulting：产品功能、价格、规格、使用方法等产品咨询
        order_query：订单状态、物流、发货、退款进度等订单相关问题
        after_sales：退换货政策、保修、维修、售后流程等问题
        unclear：用户问题缺少必要信息，无法判断
        other：不属于以上类型的问题

        用户问题：
        {{userQuestion}}

        请只输出一个类型，不要输出解释。
    outputs:
      - intent

  - id: route_by_intent
    type: condition
    name: 根据意图分流
    conditions:
      - expression: intent == "product_consulting"
        target: product_knowledge_search
      - expression: intent == "order_query"
        target: extract_order_id
      - expression: intent == "after_sales"
        target: after_sales_knowledge_search
      - expression: intent == "unclear"
        target: ask_for_more_info
      - expression: default
        target: general_reply

  - id: product_knowledge_search
    type: dataset_search
    name: 产品知识库检索
    datasetId: product_knowledge_base
    query: "{{userQuestion}}"
    topK: 5
    similarity: 0.65
    rerank: true
    outputs:
      - knowledgeResult
    next: final_reply

  - id: after_sales_knowledge_search
    type: dataset_search
    name: 售后知识库检索
    datasetId: after_sales_knowledge_base
    query: "{{userQuestion}}"
    topK: 5
    similarity: 0.65
    rerank: true
    outputs:
      - knowledgeResult
    next: final_reply

  - id: extract_order_id
    type: llm
    name: 提取订单号
    model: qwen-plus
    temperature: 0
    input:
      prompt: |
        请从用户问题中提取订单号。

        用户问题：
        {{userQuestion}}

        要求：
        1. 如果存在订单号，输出 JSON：{"hasOrderId": true, "orderId": "订单号"}
        2. 如果不存在订单号，输出 JSON：{"hasOrderId": false, "orderId": ""}
        3. 不要输出其他内容。
    outputs:
      - hasOrderId
      - orderId
    next: check_order_id

  - id: check_order_id
    type: condition
    name: 判断是否存在订单号
    conditions:
      - expression: hasOrderId == true
        target: order_api_request
      - expression: default
        target: ask_order_id

  - id: order_api_request
    type: http
    name: 查询订单接口
    method: GET
    url: https://api.example.com/orders/{{orderId}}
    headers:
      Authorization: Bearer {{ORDER_API_TOKEN}}
      Content-Type: application/json
    timeout: 10000
    outputs:
      - orderResult
    next: final_reply

  - id: ask_order_id
    type: reply
    name: 追问订单号
    content: 为了帮你查询订单状态，请提供订单号，例如 A20250101001。

  - id: ask_for_more_info
    type: reply
    name: 追问补充信息
    content: 我还需要更多信息才能准确判断你的问题。请补充产品名称、订单号或你遇到的具体情况。

  - id: general_reply
    type: llm
    name: 通用回复
    model: qwen-plus
    temperature: 0.4
    input:
      prompt: |
        你是一个友好的智能客服助手。
        用户问题：{{userQuestion}}
        如果问题不属于产品、订单或售后范围，请礼貌说明你能处理的范围，并引导用户补充信息。
    outputs:
      - answer
    next: output

  - id: final_reply
    type: llm
    name: 最终回复生成
    model: qwen-plus
    temperature: 0.3
    input:
      prompt: |
        你是一个专业、友好、严谨的智能客服助手。

        请根据以下信息回答用户问题：

        用户问题：
        {{userQuestion}}

        意图类型：
        {{intent}}

        知识库检索结果：
        {{knowledgeResult}}

        订单接口结果：
        {{orderResult}}

        回复要求：
        1. 优先依据知识库或接口结果回答；
        2. 如果没有可靠信息，不要编造；
        3. 语气自然、简洁、有帮助；
        4. 如果需要用户补充信息，请明确说明需要补充什么；
        5. 涉及订单、物流、退款等信息时，只输出必要字段；
        6. 最后可以给出下一步建议。
    outputs:
      - answer
    next: output

  - id: output
    type: output
    name: 输出结果
    input:
      answer: "{{answer}}"

十五、提示词优化建议

工作流搭好之后，效果好不好，很大程度上取决于提示词和数据质量。下面是几个实用建议。

1. 分类节点要低温度

意图识别、订单号提取、JSON 格式化这类节点不需要创造性，应将 temperature 设置为 0 或接近 0，减少随机性。

2. 输出格式要明确

不要只写“帮我判断用户意图”，而要明确告诉模型：

• 可选类型有哪些；
• 每种类型是什么意思；
• 只允许输出什么；
• 不要输出解释；
• 如果不确定应该输出什么。

3. 最终回复要限制幻觉

最终回复节点要明确要求：

如果没有可靠信息，不要编造。

尤其是涉及价格、物流、政策、合同、法律、医疗、金融等场景时，更要避免模型自行推测。

4. 给模型提供角色和边界

例如客服场景中，可以写：

你只能基于知识库和接口结果回答，不得承诺退款、赔偿或特殊售后政策。

这样可以降低业务风险。

十六、常见问题与排查方法

1. 知识库检索不到内容

可能原因包括：

• 文档切分不合理；
• 用户问题和知识库表达差异太大；
• 相似度阈值过高；
• topK 设置过小；
• 知识库内容本身不完整。

解决方法：

• 优化文档标题和段落结构；
• 增加 FAQ 问法；
• 适当降低相似度阈值；
• 开启 rerank；
• 补充高频问题样本。

2. 意图识别不稳定

可能原因：

• 提示词不够明确；
• 分类标签过多；
• 类型之间边界重叠；
• 模型温度过高。

解决方法：

• 减少分类数量；
• 给每个分类写清楚定义；
• 添加典型示例；
• 设置低温度；
• 使用结构化输出。

3. HTTP 接口调用失败

可能原因：

• URL 错误；
• Token 无效；
• 请求头缺失；
• 接口超时；
• 参数格式不正确；
• 内网服务无法被 FastGPT 访问。

解决方法：

• 先用 Postman 或 curl 测试接口；
• 检查 FastGPT 服务网络环境；
• 使用环境变量管理密钥；
• 增加错误分支；
• 对接口返回做字段映射。

4. 模型回答太啰嗦

可以在最终回复提示词中加入：

回复控制在 150 字以内，优先直接回答用户问题，不要重复用户问题。

如果是客服场景，建议默认简洁；如果是教程、方案、报告类场景，再允许更长输出。

十七、上线前检查清单

在正式上线前，建议逐项检查：

• [ ] 是否明确了工作流的业务边界；
• [ ] 是否配置了输入变量；
• [ ] 是否完成意图识别节点；
• [ ] 是否设置了条件分支；
• [ ] 是否连接了正确的知识库；
• [ ] 是否处理知识库无结果情况；
• [ ] 是否配置 HTTP 接口超时；
• [ ] 是否隐藏 API Token；
• [ ] 是否处理订单号缺失场景；
• [ ] 是否限制模型不得编造；
• [ ] 是否测试了常见问题样本；
• [ ] 是否测试了异常输入；
• [ ] 是否检查了最终回复语气；
• [ ] 是否准备人工兜底方案。

十八、推荐测试用例

可以准备一组典型问题测试工作流：

测试时不要只看模型是否“能回答”，还要看它是否走对了流程。工作流的核心价值在于流程可控，因此每个节点的输入输出都要检查。

十九、进阶优化方向

当基础工作流稳定后，可以继续做以下优化。

1. 增加会话记忆

如果用户前面已经提供过订单号，后续又问“现在到哪了”，系统应该能从上下文中获取订单号，而不是重复追问。

2. 增加人工转接

当出现投诉、负面情绪、接口异常、连续多次无法回答时，可以自动转人工。

触发条件示例：

• 用户连续两次表示“不满意”；
• 用户出现“投诉”“举报”“赔偿”等关键词；
• 知识库连续无命中；
• 订单接口多次失败。

3. 写入日志系统

可以将每次对话的关键信息写入日志，便于后续分析：

• 用户问题；
• 意图类型；
• 命中的知识库内容；
• 接口调用结果；
• 最终回答；
• 用户满意度。

4. 接入企业微信或飞书

FastGPT 工作流可以作为后端能力，通过 API 接入企业微信、飞书、钉钉、公众号、小程序或官网客服系统。

5. 加入质检节点

对于高风险业务，可以在最终回复前增加一个“质检节点”，检查回答是否包含不合规承诺、是否编造信息、是否暴露敏感字段。

质检提示词示例：

请检查以下客服回复是否存在风险：

回复内容：
{{answer}}

检查标准：
1. 是否承诺了未确认的退款或赔偿；
2. 是否编造订单、物流或政策信息；
3. 是否泄露用户隐私；
4. 是否语气不礼貌；
5. 是否与知识库或接口结果矛盾。

如果无风险，输出 pass。
如果有风险，输出 revise，并说明需要修改的问题。

二十、总结

FastGPT 工作流的核心价值，不只是“让 AI 回答问题”，而是把 AI 放进真实业务流程中，让它与知识库、接口、规则、变量和系统数据协同工作。

对于企业应用而言，一个稳定的 AI 工作流通常具备以下特征：

• 有明确的业务边界；
• 有清晰的输入和输出；
• 有可靠的意图识别；
• 有合理的条件分支；
• 有高质量知识库；
• 有真实数据接口；
• 有异常兜底逻辑；
• 有安全和合规限制；
• 有持续测试和优化机制。

如果你是第一次使用 FastGPT 工作流，建议先从一个简单场景开始，例如“产品 FAQ 自动问答”或“订单状态查询”。等流程稳定后，再逐步增加更多分支、更多接口和更复杂的业务逻辑。

只要设计得当，FastGPT 不仅可以成为一个智能问答机器人，还可以成为企业内部的自动化流程助手，帮助团队降低重复沟通成本，提高响应效率，并把 AI 真正嵌入日常业务。