基于FastGPT构建企业内部知识问答智能体

上一篇选型文章里我提到团队最终选了FastGPT，这篇聊聊在那之上真正"长出"的东西：一个能处理复杂问题的企业内部知识问答智能体。选型时我们看中的是FastGPT的知识库能力，但用下来发现，它真正让我惊喜的是把"知识库"和"智能体工作流"结合的能力——不再只是"搜文档+拼答案"，而是能一步步推理、调用工具、多轮追问，像一个真正的"专家顾问"。

一、为什么要做"智能体"而不是"问答机器人"

第一版我们只做了最朴素的问答：用户提问→向量检索→拼上下文→生成答案。跑了一个月，暴露三个问题：

1. 复杂问题答不全："帮我对比一下A方案和B方案在部署和运维上的区别"——这类问题需要跨多篇文档综合，单次检索经常只找到一半资料；
2. 不会追问：用户问"怎么部署"，但它没说清楚是单机还是集群，机器人直接给了默认答案，常常不对路；
3. 没有行动能力：用户问"帮我查一下我这月的使用量"，机器人只能给文档，不能真的去调接口查数据。

这三个问题靠"检索+生成"的老架构解决不了，必须上智能体：能拆解问题、能多轮检索、能调用工具、能判断信息够不够。

二、FastGPT里的智能体是怎么搭起来的

FastGPT的工作流（Flow）就是智能体的骨架。我搭的核心流程：

用户输入
  → 意图识别节点（判断：文档问答 / 数据查询 / 闲聊）
  → 文档问答分支：
      向量检索(多路) → 重排 → 组装上下文 → 生成答案 → 引用溯源
  → 数据查询分支：
      信息补齐(追问订单号/月份) → 调用查询API → 生成数据结论
  → 兜底：找不到依据 → 转人工

几个让我印象深刻的节点能力：

1. 多路检索+重排：解决"答不全"

FastGPT支持一个知识库配多条检索策略并行（语义检索+全文检索+混合检索），结果汇合后过一个重排（rerank）节点，把最相关的片段排到前面。对比单路语义检索，"对比A和B方案"这类跨文档问题，答案完整性从60%提到了85%。原理不难理解：单路检索只看"语义像不像"，多路检索能兼顾"关键词命中"，重排再按相关性精排，召回质量整体上一个台阶。

2. 信息补齐节点：解决"不问清楚就答"

FastGPT的工作流里可以加"问题分类/信息提取"节点，用模型判断"用户提供的信息够不够"。比如数据查询分支，先让模型从对话里提取"时间范围"，提取不到就生成追问："请问您需要查询哪个月的数据？"这个机制让机器人的回答从"猜着答"变成"问清楚再答"，用户反馈明显好转。

3. 自定义插件：让机器人"动手"

FastGPT支持自定义插件（HTTP调用或代码节点），我把内部的数据查询API封装成插件挂进工作流。用户问"查用量"，机器人会：提取参数→调API→把返回的JSON整理成人话。从"给文档"到"给答案"，这是质变——用户真正想要的是结果，不是一篇文档。

三、上线后的真实效果

跑了一个半月，几个关键数字：

• 日均问答量：260+；
• 完整解决率（用户点"有用"）：84%，比第一版问答机器人的76%有明显提升；
• 需要转人工的比例：从18%降到11%；
• 数据查询类问题：原来纯靠人工查库的，现在60%由智能体直接完成，平均耗时从10分钟降到30秒。

四、踩坑与经验

1. 工作流别一上来就画复杂：我第一版流程图了十几个节点，结果调试到崩溃。后来改成"先跑通最小闭环（提问→检索→回答），再加分支"，两周内就稳定了。复杂是演化出来的，不是设计出来的；
2. 每个分支都要有兜底：工作流里最容易翻车的是"用户问的内容不在任何分支的范围内"。务必在每条路径末尾加"未命中→转人工"节点，宁可多转人工，不能让用户面对冷冰冰的报错；
3. 追问也要有上限：信息补齐节点要设置最大追问次数，避免"连环追问把用户问跑了"；
4. 插件权限收窄：挂数据查询插件时，只暴露查询权限，写操作一律不允许，安全边界不能省。

五、总结

这次实践让我对"知识问答智能体"有了更具体的认知：它 = 高质量知识库（底座） + 会拆解问题的工作流（骨架） + 能调工具的行动能力（手脚），三者缺一不可。FastGPT的价值在于把这些能力以可视化的方式组合起来，让不懂LangGraph的团队也能快速搭出能用的智能体。

如果你的团队也有"文档问答答不全、需要查数据、需要多轮追问"的需求，值得沿着"多路检索+重排 → 信息补齐 → 插件行动"这条路径试一试。智能体不是魔法，是一步步把"人解决问题的过程"显式化、自动化。