1. 工作流节点介绍

工作流是 FastGPT 最强大的功能之一，通过可视化拖拽节点和连线的方式，用户无需编写代码即可构建复杂的 AI 应用逻辑。工作流节点分为 AI 能力、交互、工具和其他四大类别。

AI 对话

AI 对话是工作流中最核心的节点，负责调用大语言模型进行对话生成。该节点可重复添加，支持触发执行，是构建智能问答应用的基础组件。在 AI 对话模块中，提供了「AI 高级配置」面板，包含模型的各项参数设置。

功能说明

AI 对话节点允许用户选择不同的 AI 模型，并对模型的各项参数进行精细配置。此外，该节点还支持流响应开关——开启后，AI 生成的内容会实时返回到浏览器；关闭后则强制使用非流模式调用模型，输出内容不会直接返回浏览器，但仍可通过「AI 回复」输出口连接到其他模块进行二次使用。

参数配置说明

输入参数：

参数	说明	建议值
AI 模型	选择用于对话的大语言模型，支持手动选择，支持函数调用的模型在使用工具时更加准确	根据需求选择
提示词	即系统提示词，支持手动输入，也可通过输入"/"选择引用变量。放置在上下文数组最前面（role 为 system），用于引导模型的角色和行为	按需设置
聊天记录	传递给模型的历史对话轮数（支持手动输入），若超出上下文限制，系统会自动截断	6
知识库引用	关联知识库，可通过旁边的设置图标配置引用模板和引用提示词，自定义检索结果的组织方式	选择引用变量
文件链接	支持传入数组<字符串>类型的文件链接，可通过变量引用传入	选择引用变量
用户问题	传递给模型的用户问题，支持字符串类型，可通过变量引用传入	选择引用变量

输出参数：

参数	说明
报错捕获	开关控制，开启后可捕获节点运行中的错误
新的上下文	输出包含本轮对话的历史记录，可连接到后续节点
AI 回复内容	输出模型生成的回答文本（字符串类型），可连接到其他模块进行二次使用

使用技巧

系统提示词越具体，AI 的回答越精准。建议明确指定角色、回答范围和格式要求。
在知识库问答场景下，可以通过配置引用模板和引用提示词来自定义检索结果的组织方式，利用结构化提示（如 instruction 和 output 字段）能更好地引导模型输出。
若需要避免模型"幻觉"，可在提示词中加入严格模板要求，限制模型只基于知识库内容回答。
温度设置为 0 适合需要确定性回答的场景（如客服、知识问答），较高值则适合创意写作场景。
提示词设计建议：使用序号分点描述要求；列举不同场景时尽量完整（如"完全可回答""部分可回答""与问题无关"三种情况都说明清楚）；标点符号保持正确且完整。

示例一

系统提示词：
你是一位专业的产品客服助手，请严格遵守以下规则：
1. 仅根据知识库引用中的内容回答用户关于产品功能和使用方法的问题。
2. 当知识库内容可以完全回答用户问题时，给出准确、简洁的回复。
3. 当知识库内容只能部分回答时，回答已知部分，并明确告知用户哪些信息需要进一步确认。
4. 当知识库中没有相关信息时，请回复："抱歉，我暂时无法回答这个问题，建议您联系人工客服。"
5. 不要使用任何知识库以外的知识进行回答或推测。

配置建议：
- 温度：0
- 聊天记录：6
- 知识库引用：关联产品知识库

示例二

系统提示词：
你是一名资深的Python程序员，请根据以下要求处理用户的编程需求：
1. 首先分析用户的需求，确认理解无误后再编写代码。
2. 如果用户通过文件链接上传了代码文件，请先阅读文件内容，再进行修改或优化。
3. 代码需要包含详细的中文注释，关键逻辑处需说明设计思路。
4. 在代码末尾给出完整的运行示例和预期输出。
5. 如果用户的需求存在歧义，请先列出你的理解并请用户确认。

配置建议：
- 温度：0.3
- 聊天记录：10
- 文件链接：通过变量引用传入用户上传的代码文件

示例三

系统提示词：
你是一名初中数学辅导老师，擅长用通俗易懂的语言解释数学概念。请遵守以下教学原则：
1. 不要直接给出最终答案，而是通过提问一步步引导学生思考。
2. 每次只引导一个步骤，等学生回答后再进行下一步。
3. 当学生回答正确时，给予肯定并引导进入下一步。
4. 当学生回答错误时，给出提示而非直接纠正，鼓励学生重新思考。
5. 在解题完成后，总结解题思路和涉及的知识点。

配置建议：
- 温度：0.3
- 聊天记录：20（需要较多轮次记录以维持引导过程的连贯性）

示例四

系统提示词：
你是一名中英翻译专家，请按照以下要求完成翻译任务：
1. 将用户输入的中文翻译成地道的英文，保持原文的语气和风格。
2. 专业术语需在译文后用括号附上中文原文，格式如：artificial intelligence（人工智能）。
3. 如果原文存在多种理解方式，请提供最合适的一种翻译，并简要说明选择理由。
4. 翻译完成后，按以下格式输出：
   【译文】：英文翻译内容
   【术语】：本次翻译中的专业术语对照表
   【备注】：翻译中需要注意的语境或文化差异（如有）

配置建议：
- 温度：0.3
- 聊天记录：6

示例五

系统提示词：
你是一名专业的健康饮食顾问，请根据用户提供的信息推荐个性化的健康食谱：
1. 首先确认用户提供的食材清单和口味偏好。
2. 如果用户有过敏源或饮食禁忌，必须严格排除相关食材。
3. 每道推荐菜品按以下格式输出：
   【菜名】：菜品名称
   【食材】：所需食材及用量
   【步骤】：详细烹饪步骤（使用序号标注）
   【营养】：主要营养成分和大致热量
   【提示】：烹饪小技巧或食材替代建议
4. 每次推荐2-3道菜品，并说明推荐理由。
5. 当用户提供的食材不足以制作完整菜品时，建议补充的食材。

配置建议：
- 温度：0.7
- 聊天记录：6

知识库搜索

知识库搜索节点负责从指定的知识库中检索与用户问题最相关的文档片段，是实现 RAG（检索增强生成）的关键环节。

功能说明

知识库搜索节点支持关联一个或多个使用相同向量模型的知识库，通过语义相似度匹配的方式检索相关内容。它既支持外部输入（如经过优化的用户问题），也支持静态配置（如固定的搜索参数）。输出结果以数组格式返回引用内容，即使没有搜索到内容，输出链路也会正常执行。

参数配置说明

参数	说明
选择知识库	选择要搜索的知识库，可关联多个知识库，支持手动选择
使用者鉴权	开启后，对外发布时会根据用户是否有知识库权限来过滤搜索结果；关闭则直接搜索所有已配置的知识库，不做权限限制
搜索方式	三种可选：语义检索（用向量进行文本相关性查询，默认）、全文检索（传统关键词匹配，适合查找特殊词语）、混合检索（两者结合，用 RRF 算法排序）
引用上限	搜索返回的参考内容的最大 Token 数量，如 5000
最低相关度	过滤掉相关性低于该分数的结果，范围 0~1，值越高过滤越严格，如 0.4
结果重排	开启后对搜索结果重新排序，提升相关性
问题优化	开启后，系统会根据对话记录利用 AI 自动补全用户问题中缺失的信息，提高连续对话时的搜索精度。可选择优化用的 AI 模型，并填写对话背景描述（如"关于 Python 的介绍和使用等问题"）
用户问题	传入的用户问题，字符串类型，支持通过变量引用传入
集合元数据过滤	手动输入过滤条件，可通过"/"选择变量，按知识库集合的元数据筛选搜索范围
报错捕获	开关控制，开启后可捕获节点运行中的错误（输出）
知识库引用	输出搜索匹配到的知识库内容，可连接到 AI 对话节点的"知识库引用"输入口（输出）

使用技巧

建议使用混合搜索模式（语义搜索 + 全文搜索），可以同时兼顾语义理解和关键词匹配。
相似度阈值不宜设置过高，否则可能遗漏相关内容；也不宜过低，否则会引入无关内容。
当搜索效果不理想时，可以通过搜索测试功能逐步调试和优化。

示例一

场景：产品客服知识库
关联知识库：产品手册知识库、FAQ知识库
搜索模式：混合搜索
相似度阈值：0.6
返回数量：5

示例二

场景：法律条文检索
关联知识库：合同法知识库、公司法知识库
搜索模式：语义搜索
相似度阈值：0.7
返回数量：3

示例三

场景：技术文档查询
关联知识库：API文档知识库
搜索模式：全文搜索
相似度阈值：0.5
返回数量：8

示例四

场景：企业制度查询
关联知识库：员工手册知识库、考核制度知识库、请假制度知识库
搜索模式：混合搜索
相似度阈值：0.65
返回数量：4

示例五

场景：教育问答
关联知识库：高中物理知识库、实验指南知识库
搜索模式：语义搜索
相似度阈值：0.55
返回数量：6

工具调用与终止

工具调用节点用于在工作流中调用外部工具或封装好的子工作流，终止节点则用于在满足特定条件时提前结束工作流执行。

功能说明

工具调用节点允许 AI 在对话过程中自主判断是否需要调用外部工具来完成任务。长按「工具调用」界面下方得「选择工具」连接点即可连接到工具。例如，当用户询问天气时，AI 可以自动调用天气查询工具获取实时数据。终止节点则在不需要继续执行的情况下结束工作流。

使用技巧

合理设计工具的描述信息，让 AI 能准确判断何时需要调用该工具。
工具调用后的结果最好经过一层 AI 对话节点进行整理和格式化，再输出给用户。
终止节点适合用在问题分类后发现不属于服务范围的情况。

示例一

场景：智能客服需要查询订单
工具：订单查询 API
触发条件：当用户问题中包含"订单""物流""发货"等关键词
参数：用户提供的订单号

示例二

场景：AI助手调用计算器
工具：数学计算工具
触发条件：当用户需要进行数值计算时
参数：计算表达式

示例三

场景：自动终止不相关对话
终止条件：当问题分类结果为"超出服务范围"
回复："抱歉，该问题超出我的服务范围，请联系人工客服。"

示例四

场景：调用翻译工具
工具：多语言翻译API
触发条件：当用户要求翻译文本时
参数：源语言、目标语言、待翻译文本

示例五

场景：调用图片生成工具
工具：AI绘画API
触发条件：当用户描述想要生成的图片时
参数：图片描述、尺寸、风格

问题分类

问题分类节点能够根据用户问题的内容，将其自动分类到预设的不同处理流程中。

功能说明

该节点利用 AI 模型的语义理解能力，对用户输入的问题进行意图识别和分类。每个分类对应一条独立的输出链路，可以连接到不同的后续处理流程，从而实现智能路由。这是构建复杂客服系统和多功能应用的关键节点。

分类设计建议

分类之间的边界要清晰，避免语义重叠。
每个分类添加详细描述和典型问题示例，有助于提升分类准确率。
建议设置一个"其他/兜底"分类，处理无法明确归类的问题。

示例一

场景：电商客服
分类1：售前咨询（产品功能、价格、规格等问题）
分类2：物流查询（发货、配送、到货时间等问题）
分类3：售后服务（退换货、维修、投诉等问题）
分类4：其他问题

示例二

场景：IT运维
分类1：网络故障（无法联网、网速慢等）
分类2：软件问题（软件安装、崩溃、报错等）
分类3：硬件故障（打印机、电脑、外设等）
分类4：权限申请（账号、VPN、系统权限等）
分类5：其他

示例三

场景：HR咨询助手
分类1：考勤制度（打卡、请假、加班等）
分类2：薪酬福利（工资、社保、公积金等）
分类3：招聘入职（面试、入职流程、培训等）
分类4：离职手续（离职流程、交接、证明等）
分类5：其他问题

示例四

场景：教育问答
分类1：数学问题
分类2：物理问题
分类3：化学问题
分类4：英语问题
分类5：课外兴趣

示例五

场景：多语言客服
分类1：中文咨询
分类2：英文咨询
分类3：日文咨询
分类4：无法识别语言

文本内容提取

文本内容提取节点可以从用户的自然语言输入中，提取出结构化的关键信息。

功能说明

该节点的作用是让 AI 模型从一段非结构化的文本中，按照预设的字段定义，提取出结构化的数据。例如，从一句"我叫张三，在北京工作，手机号是13800138000"中提取出姓名、城市、手机号三个字段的值。

使用技巧

字段描述要尽可能详细，包含字段的含义、格式和可能的取值范围。
对于可选字段，需要说明当信息缺失时的默认值或处理方式。
可以结合「表单输入」节点，在提取失败时引导用户补充缺失信息。

示例一

场景：客户信息录入
提取字段：
- 姓名（字符串）：客户的真实姓名
- 手机号（字符串）：11位手机号码
- 地址（字符串）：详细收货地址
- 产品型号（字符串）：咨询或购买的产品型号

示例二

场景：预约挂号
提取字段：
- 科室（字符串）：就诊科室名称
- 日期（日期）：期望就诊日期
- 时段（字符串）：上午/下午
- 患者姓名（字符串）：就诊人姓名

示例三

场景：会议纪要结构化
提取字段：
- 会议主题（字符串）
- 参会人员（数组）
- 会议日期（日期）
- 决议事项（数组）
- 待办任务（数组）

示例四

场景：简历信息提取
提取字段：
- 姓名（字符串）
- 学历（字符串）：最高学历
- 工作年限（数字）
- 技能标签（数组）
- 期望薪资（字符串）

示例五

场景：投诉信息提取
提取字段：
- 投诉类型（字符串）：产品质量/服务态度/物流问题
- 订单号（字符串）
- 问题描述（字符串）
- 期望处理方式（字符串）：退款/换货/道歉

用户选择

用户选择节点允许在对话过程中向用户展示多个选项按钮，用户可以通过点击按钮进行选择，而不是手动输入文字。

功能说明

该节点在对话界面中生成可点击的选项按钮，用户选择后工作流会根据选择结果走向不同的分支。这种交互方式比纯文字输入更加直观和高效，特别适合需要用户做出明确选择的场景。

使用技巧

选项文本应简洁明了，一目了然。
选项数量建议控制在 2-5 个之间，过多会影响用户体验。
可以在选项前加上 emoji 图标，提升视觉友好度。

示例一

场景：客服首次接待
提示语：您好，请问有什么可以帮您？
选项1：📦 查询订单
选项2：🔧 售后服务
选项3：💬 产品咨询
选项4：👤 联系人工

示例二

场景：满意度调查
提示语：请对本次服务进行评价：
选项1：😊 非常满意
选项2：🙂 满意
选项3：😐 一般
选项4：😟 不满意

示例三

场景：语言选择
提示语：Please select your language / 请选择语言：
选项1：🇨🇳 中文
选项2：🇺🇸 English
选项3：🇯🇵 日本語

示例四

场景：报修类型
提示语：请选择报修类型：
选项1：💻 电脑故障
选项2：🖨️ 打印机故障
选项3：🌐 网络问题
选项4：📱 其他设备

示例五

场景：学习模式选择
提示语：请选择今天的学习模式：
选项1：📖 知识讲解
选项2：✏️ 练习测试
选项3：❓ 答疑解惑

表单输入

表单输入节点允许在对话中向用户展示一个结构化的表单，用户可以填写多个字段后一次性提交。

功能说明

与普通对话中的逐一追问不同，表单输入节点可以在一个界面中收集多个信息字段，提升信息收集的效率和准确性。支持文本、数字、下拉选择等多种字段类型。

示例一

场景：售后服务工单
字段1：订单号（文本，必填）
字段2：问题类型（下拉选择：质量问题/物流问题/缺件少件）
字段3：问题描述（多行文本，必填）
字段4：联系电话（文本，选填）

示例二

场景：活动报名
字段1：姓名（文本，必填）
字段2：手机号（文本，必填）
字段3：公司名称（文本，选填）
字段4：参加场次（下拉选择：上午场/下午场）

示例三

场景：用户反馈收集
字段1：功能模块（下拉选择：知识库/工作流/对话/其他）
字段2：反馈类型（下拉选择：Bug/建议/体验问题）
字段3：详细描述（多行文本，必填）
字段4：截图链接（文本，选填）

示例四

场景：预约服务
字段1：服务类型（下拉选择）
字段2：预约日期（日期选择）
字段3：预约时段（下拉选择）
字段4：备注信息（多行文本，选填）

示例五

场景：求职信息收集
字段1：姓名（文本，必填）
字段2：岗位（下拉选择）
字段3：工作年限（数字）
字段4：简历链接（文本）
字段5：自我介绍（多行文本）

文本拼接

文本拼接节点用于将多个文本片段按照自定义模板组合成一段完整的文本。

功能说明

该节点支持引用其他节点的输出变量，通过模板语法将多个变量拼接成一段完整的文本。常用于构造提示词、拼接 API 请求参数、生成格式化的消息内容等场景。

示例一

模板：尊敬的{{姓名}}，您的订单{{订单号}}已发货，预计{{到达时间}}送达，请注意查收。

示例二

模板：【知识库搜索结果】\n以下是与问题相关的参考内容：\n{{搜索结果}}\n\n请根据以上内容回答用户问题：{{用户问题}}

示例三

模板：会议纪要\n日期：{{日期}}\n主题：{{主题}}\n参会人：{{参会人员}}\n主要决议：\n{{决议内容}}

示例四

模板：您好，您查询的航班信息如下：\n航班号：{{航班号}}\n出发时间：{{出发时间}}\n到达时间：{{到达时间}}\n状态：{{航班状态}}

示例五

模板：【系统通知】用户{{用户名}}于{{时间}}提交了{{类型}}工单，问题描述：{{描述}}，请及时处理。

指定回复

指定回复节点用于在工作流中向用户发送一条预设的固定消息，不经过 AI 模型生成。

功能说明

当需要向用户发送确定性内容时（如欢迎语、操作确认、错误提示等），使用指定回复节点比 AI 对话节点更加可靠和高效。该节点的输出内容完全由配置决定，不会受到模型随机性的影响。

示例一

回复内容：您好，欢迎使用XX公司智能客服！我可以帮您：\n1. 查询订单状态\n2. 了解产品信息\n3. 处理售后问题\n\n请描述您的需求，或选择以上选项。

示例二

回复内容：您的工单已提交成功，工单号为：{{工单号}}。我们将在24小时内处理，请耐心等待。

示例三

回复内容：抱歉，您的问题超出了我的服务范围。请拨打客服热线 400-XXX-XXXX 联系人工客服。

示例四

回复内容：⚠️ 系统检测到您的输入可能包含敏感信息，为保护您的隐私，请不要在对话中输入密码、银行卡号等信息。

示例五

回复内容：感谢您的使用！如果对本次服务满意，请给我一个好评 😊 如有其他问题，随时联系我。

文档解析

文档解析节点用于解析用户上传的文件，提取其中的文本内容供后续节点使用。

功能说明

该节点支持解析 PDF、Word、Excel、Markdown 等多种常见文档格式，将文件中的文本内容提取出来并转化为可处理的文本数据。这使得用户可以在对话中上传文件，AI 能够直接读取和理解文件内容。

示例一

场景：合同审查
用户上传PDF合同 → 文档解析 → AI对话（提取关键条款并给出风险提示）

示例二

场景：简历筛选
用户上传Word简历 → 文档解析 → 文本内容提取（提取姓名、学历、技能） → AI对话（给出评估建议）

示例三

场景：报告摘要
用户上传研究报告 → 文档解析 → AI对话（生成300字摘要）

示例四

场景：数据表分析
用户上传Excel文件 → 文档解析 → AI对话（分析数据趋势）

示例五

场景：翻译文档
用户上传Markdown文件 → 文档解析 → AI对话（将内容翻译为英文）

HTTP 请求

HTTP 请求节点可以在工作流中发起 HTTP/HTTPS 网络请求，与外部系统或 API 进行数据交互。

功能说明

该节点支持 GET、POST、PUT、DELETE 等常见 HTTP 方法，可以设置请求头、请求体、查询参数等。通过 HTTP 请求节点，工作流可以调用任意外部 API 服务，实现与企业内部系统（如 CRM、ERP、数据库等）的数据打通。

使用技巧

建议在请求前对参数进行校验，避免因参数缺失导致请求失败。
对于需要认证的 API，在请求头中配置 Authorization 信息。
请求超时时间建议设置在 10-30 秒之间，避免工作流卡死。

示例一

场景：查询天气
方法：GET
URL：https://api.weather.com/v1/current?city={{城市名}}

示例二

场景：创建订单
方法：POST
URL：https://api.company.com/orders
请求体：{"customer":"{{客户名}}","product":"{{产品}}","quantity":{{数量}}}

示例三

场景：查询库存
方法：GET
URL：https://erp.company.com/api/stock?sku={{产品编码}}

示例四

场景：发送通知
方法：POST
URL：https://hooks.slack.com/services/xxx
请求体：{"text":"新工单通知：{{工单内容}}"}

示例五

场景：查询快递
方法：GET
URL：https://api.kuaidi.com/track?number={{快递单号}}

判断器

判断器节点根据设定的条件对数据进行判断，将工作流引导到不同的分支。

功能说明

类似于编程中的 if-else 语句，判断器节点可以根据变量的值、文本的内容、数字的大小等条件进行逻辑判断，决定工作流的走向。支持等于、不等于、包含、大于、小于等多种判断条件。

示例一

条件：如果知识库搜索结果数量 > 0
成立：将搜索结果传递给AI对话节点
不成立：回复"抱歉，未找到相关信息"

示例二

条件：如果用户等级 == "VIP"
成立：转接至高级客服流程
不成立：进入普通客服流程

示例三

条件：如果订单金额 > 10000
成立：需要主管审批
不成立：自动确认

示例四

条件：如果消息语言 包含 "English"
成立：切换英文回复模式
不成立：使用中文回复

示例五

条件：如果当前时间在工作时段内（9:00-18:00）
成立：提供在线服务
不成立：引导留言

变量更新

变量更新节点用于在工作流执行过程中，灵活修改指定节点的输出值或更新全局变量。

功能说明

在复杂的工作流逻辑中，变量是存储与传递中间状态的核心。通过变量更新节点，可以：

动态修改状态： 在运行时实时改变变量数值，支持计数器累加或状态标记切换。
数据流转与覆盖： 引用已有的变量并赋予其新值，实现数据的持续累积或精准更新。
灵活输入： 支持通过“手动输入”或引用其他节点输出的方式，为目标变量注入新的数据。

示例一

场景：对话轮次计数
变量：对话次数
操作：对话次数 = 对话次数 + 1

示例二

场景：记录用户身份
变量：用户角色
操作：用户角色 = "VIP客户"（根据查询结果设置）

示例三

场景：累积搜索关键词
变量：搜索历史
操作：搜索历史 = 搜索历史 + "," + 当前关键词

示例四

场景：标记工单状态
变量：工单状态
操作：工单状态 = "已处理"

示例五

场景：切换服务模式
变量：服务模式
操作：服务模式 = "人工客服"

代码运行

代码运行节点允许在工作流中执行自定义的 JavaScript 代码，实现复杂的数据处理逻辑。

功能说明

该节点提供了一个安全的沙盒环境（Sandbox V2），支持运行 JavaScript 代码。可以对数据进行格式转换、计算、过滤、排序等操作，弥补其他节点在数据处理灵活性方面的不足。

使用技巧

代码应尽量简洁，避免执行过于复杂的逻辑导致超时。
善用 JSON.parse() 和 JSON.stringify() 处理结构化数据。
注意错误处理，使用 try-catch 避免代码异常导致工作流中断。

示例一

// 场景：格式化日期
const date = new Date(inputs.timestamp);
return { formattedDate: date.toLocaleDateString('zh-CN') };

示例二

// 场景：计算订单折扣
const total = inputs.price * inputs.quantity;
const discount = total > 1000 ? 0.9 : 1;
return { finalPrice: (total * discount).toFixed(2) };

示例三

// 场景：提取邮箱地址
const emailRegex = /[\w.-]+@[\w.-]+\.\w+/g;
const emails = inputs.text.match(emailRegex) || [];
return { emails: emails.join(', '), count: emails.length };

示例四

// 场景：文本去重
const items = inputs.list.split(',').map(s => s.trim());
const unique = [...new Set(items)];
return { result: unique.join(', ') };

示例五

// 场景：生成随机工单号
const prefix = 'WO';
const timestamp = Date.now().toString(36).toUpperCase();
const random = Math.random().toString(36).substring(2, 6).toUpperCase();
return { ticketId: `${prefix}-${timestamp}-${random}` };

批量运行

批量运行（循环）节点支持对数组类型的数据逐条执行相同的处理流程。

功能说明

当需要对一组数据中的每一项执行相同的操作时，批量运行节点可以循环遍历数组，逐条调用子工作流进行处理。例如，对多篇文章逐一生成摘要、对多条记录逐条进行数据校验等。

示例一

场景：批量摘要
输入：[文章1, 文章2, 文章3, ...]
循环处理：对每篇文部分调用AI生成300字摘要
输出：[摘要1, 摘要2, 摘要3, ...]

示例二

场景：批量翻译
输入：[段落1, 段落2, 段落3, ...]
循环处理：对每段文本翻译为英文
输出：[翻译1, 翻译2, 翻译3, ...]

示例三

场景：批量分类
输入：[问题1, 问题2, 问题3, ...]
循环处理：对每个问题进行意图分类
输出：[分类1, 分类2, 分类3, ...]

示例四

场景：批量数据校验
输入：[记录1, 记录2, 记录3, ...]
循环处理：校验每条记录的格式和完整性
输出：[校验结果1, 校验结果2, 校验结果3, ...]

示例五

场景：批量生成营销文案
输入：[产品A, 产品B, 产品C, ...]
循环处理：为每个产品生成一段营销文案
输出：[文案A, 文案B, 文案C, ...]

知识库搜索引用合并

该节点用于将多个知识库搜索节点的结果进行合并和去重。

功能说明

当工作流中使用了多个知识库搜索节点时，各节点的搜索结果可能存在重复。知识库搜索引用合并节点可以将多个搜索结果合并为一个统一的引用列表，自动去除重复项，确保传递给 AI 对话节点的参考内容不会冗余。

示例一

场景：多知识库综合查询
知识库搜索A（产品手册） + 知识库搜索B（FAQ库） → 引用合并 → AI对话

示例二

场景：跨部门知识检索
知识库搜索A（技术文档） + 知识库搜索B（运维手册） + 知识库搜索C（故障案例库） → 引用合并 → AI对话

示例三

场景：法律多法条检索
知识库搜索A（劳动法） + 知识库搜索B（合同法） → 引用合并 → AI对话

示例四

场景：多语言知识库合并
知识库搜索A（中文文档） + 知识库搜索B（英文文档） → 引用合并 → AI对话

示例五

场景：新旧文档合并
知识库搜索A（2024年文档） + 知识库搜索B（2025年文档） → 引用合并 → AI对话（优先使用最新文档回答）

问题优化

问题优化节点（又称指代消解）用于在多轮对话中，将用户的追问补全为一个完整、独立的问题。

功能说明

在多轮对话中，用户的追问通常会省略主语或使用代词（如"它""这个""上面说的"）。问题优化节点结合历史对话上下文，将这类省略和代词还原为完整的表述，使得知识库搜索能获得更准确的结果。

示例一

历史对话：用户问"FastGPT支持哪些模型？" AI回答"支持GPT、Claude等"
用户追问："它还支持国产的吗？"
优化后："FastGPT还支持国产大模型吗？"

示例二

历史对话：用户问"如何创建知识库？" AI给出步骤
用户追问："第二步具体怎么做？"
优化后："创建知识库的第二步具体怎么操作？"

示例三

历史对话：讨论了React框架
用户追问："那个性能怎么样？"
优化后："React框架的性能怎么样？"

示例四

历史对话：用户问"高级版多少钱？" AI回答"599元/月"
用户追问："可以按年付吗？"
优化后："FastGPT高级版可以按年付费吗？"

示例五

历史对话：讨论了Docker部署方案
用户追问："有没有更简单的方法？"
优化后："FastGPT除了Docker部署，有没有更简单的部署方法？"

场景：数据统计
Laf函数：统计本月工单处理数据
输入参数：时间范围
返回结果：处理数量、平均响应时间、满意度

#1. 工作流节点介绍

#AI 对话

#知识库搜索

#工具调用与终止

#问题分类

#文本内容提取

#用户选择

#表单输入

#文本拼接

#指定回复

#文档解析

#HTTP 请求

#判断器

#变量更新

#代码运行

#批量运行

#知识库搜索引用合并

#问题优化

1. 工作流节点介绍

AI 对话

知识库搜索

工具调用与终止

问题分类

文本内容提取

用户选择

表单输入

文本拼接

指定回复

文档解析

HTTP 请求

判断器

变量更新

代码运行

批量运行

知识库搜索引用合并

问题优化