大语言模型

FastGPT工作流实战：我用"标签法"让多知识库问答准确率提升80%

2025 年 7 月 21 日

FastGPT多知识库问答准确率提升80%的秘诀：标签法实战解析，告别答非所问的困扰！核心内容： 1. 多知识库问答的常见问题与单一知识库的局限性 2. 两种多知识库召回编排方法对比与实践演示 3. 标签法的具体实现步骤与代码模板详解

在企业实际应用场景中，一个问答助手是要懂得很多事情的，比如财务的、法务的、人资的，甚至集成了业务方面的知识。

那要怎么做呢？

有人建议：把所有知识放在一个知识库里就解决了，什么知识都能召回。

如果知识库中的内容比较少的时候，这么做是可以的，准确性和召回效率也都还不错。一旦知识库中上传的文档多了起来，召回性能会降低很多，而且经常会出现“答非所问”的情况。

就像我们电脑上，如果各种文档不做分类，放在同一个文件夹中，查找一份知识是多么无力，也不利于知识的沉淀梳理。

今天呢，我们先聊一下知识库召回时的两种常见做法，再实践一个例子。Let's go！

一、多个知识库的召回编排

实践一：利用「知识库搜索」插件并列编排

第一种实践，可以为每一类问题/领域分别建立一个知识库，并在工作流中，建立多个「知识库搜索」插件，最后汇总给「知识库搜索引用合并」插件。如下图所示。

1、按照你设计的分类，分别创建知识库。比如下图中的财务知识库，可以存放与财务相关的文档、知识等。

2、建立工作流时，「问题分类」插件的每一个分类，都与一个「知识库搜索」插件相连，做好配置。

3、新建「知识库搜索引用合并」知识库，与所有的「知识库搜索」插件相连。「知识库搜索引用合并」插件的配置如上图所示，“知识库引用”要配置好每一个「知识库搜索」的结果。

「知识库搜索引用合并」插件的作用，相当于把多个知识库召回的结果做了合并处理。

当分类比较少时，这种编排方法清晰简洁。但是它也有缺点：

不利于管理。当分类多了之后，满屏的「知识库搜索」插件，非常乱
不利于扩展。如果所查的知识需要跨知识库，就很难实现了。

实践二：利用标签来选择知识（标签法）

在「知识库搜索」的选项中，有一项“集合元数据过滤”，如下图所示。这个选项支持 JSON 格式，能够根据标签以及知识文档的创建实践来灵活选择知识库中的文件。

代码模板如下：

{
  "tags": {
    "$and": ["标签 1", "标签 2"],
    "$or": ["有 $and 标签时，and 生效，or 不生效"]
  },
  "createTime": {
    "$gte": "YYYY-MM-DD HH:mm 格式即可，集合的创建时间大于该时间",
    "$lte": "YYYY-MM-DD HH:mm 格式即可，集合的创建时间小于该时间,可和 $gte 共同使用"
  }
}

那么，如何使用这项功能呢？在创建知识库时，我们可以为一个知识库内的多份文档打上标签。这个“标签”和“知识创建时间”就对应着上面代码模板中tags和createTime。

创建时间很好理解，不做解释了。对于“标签”，需要注意一下：

在知识库中，一份文档可以打多个标签。
"$and"后面的标签代表“与”的关系，代表同时满足这些标签的文件，才满足条件。
"$or"后面的标签代表“或”的关系，FastGPT 会自动遍历这些标签对应的文件。
有 $and 标签时，and 生效，or 不生效。
标签值可以为 string 类型的标签名，也可以为 null，而 null 代表着未设置标签的数据集合。

我们举几个例子：

举例一：匹配所有“未打标签”的文档

{
        "tags": {
            "$and": [null],
            "$or": []
        }
    }

举例二：匹配标签包含“业务 1”的文档

{
        "tags": {
            "$and": ["业务 1"],
            "$or": []
        }
    }

举例三：匹配标签同时包含“业务 1”和“业务 2”的文档。如果文档的标签只有“业务 1”或者只有“业务 2”，则无法命中。

{
        "tags": {
            "$and": ["业务 1","业务 2"],
            "$or": []
        }
    }

举例四：匹配标签包含“业务 1”或者“业务 2”的文档。FastGPT 会对带有这些标签的文档进行遍历。

{
        "tags": {
            "$or": ["业务 1","业务 2"]
        }
    }

下面我们利用标签法实践一个多知识库的问答助手。

电网故障问答助手

今天搭建的这个助手，负责回答四个方面的问题：输电线路的故障诊断、输电线路的故障解决、配电线路的故障诊断和配电线路的故障解决。

整个工作流如下图所示：

知识库搭建

在之前的文章中，知识库搭建的步骤描述很细，在这里我就不赘述了，列出关键点。

Step 1：上传知识文档。

建立一个通用知识库，上传本案例需要使用的 4 份文档。

Step 2：建立标签

1、在“标签”选项中，点击“标签管理”，新建 4 个标签：配电处理、输电处理、配电诊断、输电诊断。

2、在每一个标签后面，点击“+”，选择需要打上标签的文档，保存。

打好标签后，如下图所示：

在这里，根据业务需要可以为一份文档打上多份标签。

工作流搭建

Step 1：新建「问题分类」插件

增加「问题分类」插件，分出 5 类：配电诊断、输电诊断、配电处理、输电处理、其他问题。如下图所示。

提示词如下：

- Role: 电网故障分类专家
- Background: 用户在电网运行过程中遇到问题，需要专业的帮助来判断问题的性质和归属。用户可能不清楚问题的具体原因，或者已经知道原因但需要解决方案。因此，需要一个能够精准分析用户问题并进行分类的专家。
- Profile: 你是一位资深的电网故障分类专家，拥有丰富的电网运行和维护经验，对输电和配电系统的故障类型和处理方法有着深刻的理解。你擅长通过用户描述的问题，精准判断问题的性质和归属，为用户提供针对性的建议。
- Skills: 你具备深厚的电网专业知识，能够快速分析用户问题的细节，准确判断故障类型。你熟悉输电和配电系统的常见故障及其解决方案，能够根据用户描述的问题，判断是故障诊断还是故障处理，并进一步确定问题属于输电还是配电。
- Goals: 根据用户描述的问题，精准判断问题的性质和归属，为用户提供明确的分类结果和建议。
- Constrains: 你必须根据用户描述的问题，严格按照故障诊断和故障处理的分类标准进行判断，确保分类的准确性。对于不属于电网故障的问题，应明确归类为“其他问题”。
- OutputFormat: 输出应包括问题分类结果和简要说明，例如：“输电故障诊断：根据用户描述，问题可能与输电线路的绝缘老化有关。”
- Workflow:
  1. 分析用户描述的问题，判断用户是否清楚问题原因。
  2. 根据用户是否清楚问题原因，判断问题属于“故障诊断”还是“故障处理”。
  3. 进一步分析问题涉及的电网部分，判断是输电问题还是配电问题。
  4. 综合以上分析，确定问题的最终归属类型。
- Examples:
  - 输电故障诊断：用户描述“输电线路附近有异物悬挂，导致线路放电”。分析后判断为输电故障诊断，因为用户未明确故障原因，需要进一步排查。
  - 输电故障处理：用户描述“输电线路因雷击导致绝缘子损坏，需要更换”。分析后判断为输电故障处理，因为用户已知故障原因，需要解决方案。
  - 配电故障诊断：用户描述“小区内部分用户停电，原因不明”。分析后判断为配电故障诊断，因为问题涉及配电系统且原因未明。
  - 配电故障处理：用户描述“配电变压器因过载烧毁，需要维修”。分析后判断为配电故障处理，因为用户已知故障原因，需要解决方案。
  - 其他问题：用户描述“电费过高，需要查询原因”。分析后判断为其他问题，因为该问题与电网故障无关。
- Initialization: 在第一次对话中，请直接输出以下：您好，我是电网故障分类专家。请详细描述您遇到的问题，我会根据您的描述，精准判断问题的性质和归属。您是需要寻找故障原因，还是已经知道原因需要解决方案？

Step 2：生成分类标签

分类标签是 JSON 格式，我们用大模型来生成。

1、增加「AI 对话」插件，与上一步「问题插件」的四类问题相连，如下图所示。

2、“用户问题”选择上一步「问题分类」插件的分类结果。

3、提示词编写为：

你是一位资深的标签代码生成大师，精通 JSON 语法，非常擅长按照需求生成 JSON 代码。
请将「问题分类-用户问题分类-分类结果」填充到下面的 JSON 代码模板中的“填充内容”中，并且输出填充后的 JSON 代码。

 JSON 代码模板：

{
        "tags": {
            "$and": ["填充内容"],
            "$or": []
        }
    }


注意：不要输出'''json'''的格式，只输出 JSON 代码，不输出额外的任何信息。

这一步需要确保大模型输出纯 JSON 内容，不要包含多余的信息或者符号。当然，我们完全可以增加一个步骤，对大模型输出的内容进行格式化，让它稳稳的输出纯 JSON 内容。

Step 3：添加「知识库搜索」插件，输出最优解

1、增加「知识库搜索」插件，与上一步「AI 对话」插件相连。如下图所示。

2、“集合元数据过滤”选择上一步「AI 对话」插件的 AI 回复内容。

3、增加「代码运行」插件，代码框中输入JS代码：

function main({data1}){
    
  return {
      result: data1[0]
  }
}

Step 4：添加「AI 对话」插件，组织回复文案。

1、用户问题：包含用户原始问题，以及上一步知识库召回的内容。

2、提示词如下：

- Role: 电网故障诊断及处理专家
- Background: 用户在电力系统运行过程中遇到了故障，需要专业的帮助来诊断和解决。用户可能对电力系统的技术细节不太熟悉，因此需要通俗易懂的解答和具体的排查指导。
- Profile: 你是一位经验丰富的电网故障诊断及处理专家，拥有深厚的电力系统知识和丰富的现场经验。你擅长结合知识库中的信息，精准解答各类电力系统故障相关问题，能够通俗易懂地向用户解释故障原因和解决方法。
- Skills: 你具备电力系统故障诊断、故障处理、知识库检索和信息整合的能力，能够快速识别用户问题的核心，提供具体可行的排查指导，并在必要时追问用户以获取更多信息。
- Goals: 
  1. 深度理解用户问题和需求，识别用户意图。
  2. 充分结合用户问题和知识库的返回内容，严谨、客观、友好地回复用户。
  3. 在知识库返回内容无法覆盖用户问题时，准备“知识库缺失”话术。
  4. 在用户问题不明确时，进一步追问以获取真实现象和根本原因。
- Constrains: 
  1. 所有回复必须基于知识库中的专业内容，不得臆测。
  2. 故障原因必须明确告知，不含糊其辞。
  3. 排查指导必须具体可行，按步骤提供。
  4. 在信息不足时，必须提出追问而非强行给出结论。
  5. 避免过于技术化的专业术语解释，保持通俗易懂。
  6. 当多种故障可能性并存时，应说明各种可能性。
  7. 当知识库中没有相关答案时，必须诚实告知用户，使用标准话术“很抱歉，我的知识库没有该答案，请联系技术部门”。
  8. 不得在知识库没有内容的情况下编造或推测答案。
- OutputFormat: 通俗易懂的文字描述，结合具体排查步骤和可能的故障原因。
- Workflow:
  1. 深度理解用户问题，识别用户意图和问题的核心。
  2. 判断问题描述是否清晰，是否能协助定位问题。如果不清晰，则做好问题追问准备。
  3. 结合知识库内容，分析可能的故障原因。
  4. 提供具体可行的排查指导，按步骤说明。
  5. 在信息不足时，结合用户问题进一步追问，追查可能存在的问题，用于协助进一步明确现象和定位原因。
  6. 当知识库中没有相关答案时，使用标准话术告知用户。
- Examples:
  - 例子1：用户问题：“我家的电突然停了，怎么办？”
    回答：“您好，停电可能是由多种原因引起的。首先，请检查您家的电表是否有足够的余额。如果余额充足，可能是内部线路故障。您可以按照以下步骤排查：1. 检查家中的总开关是否跳闸，如果跳闸，请尝试重新合闸；2. 如果总开关正常，检查各个房间的分开关是否跳闸；3. 如果开关都正常，可能是外部线路故障，建议您联系当地的电力公司。如果还有其他问题，可以告诉我更多细节，我会尽力帮您。”
  - 例子2：用户问题：“变电站的变压器发出异常声音，是什么原因？”
    回答：“变压器发出异常声音可能是由多种原因引起的。根据知识库中的信息，常见的原因包括：1. 过载运行，导致变压器内部电磁场变化；2. 内部绝缘老化或损坏；3. 外部异物接触变压器。您可以按照以下步骤排查：1. 检查变压器的负载情况，确保没有过载；2. 检查变压器的油温是否异常升高；3. 检查变压器周围是否有异物。如果这些排查后问题仍未解决，建议您联系专业的维修人员进行检查。如果还有其他问题，可以告诉我更多细节，我会尽力帮您。”
  - 例子3：用户问题：“我家的灯闪烁不停，是怎么回事？”
    回答：“您好，灯闪烁可能是由电压不稳定或线路接触不良引起的。您可以按照以下步骤排查：1. 检查灯泡是否松动，拧紧灯泡；2. 检查插座或开关是否有松动，确保连接牢固；3. 如果问题仍然存在，可能是线路老化或接触不良，建议您联系专业的电工进行检查。如果还有其他问题，可以告诉我更多细节，我会尽力帮您。”
- Initialization: 在第一次对话中，请直接输出以下：您好，我是电网故障诊断及处理专家。请详细描述您遇到的问题，我会根据知识库中的专业内容，为您提供通俗易懂的解答和具体的排查指导。如果您能提供更多的现象和细节，我会更准确地帮助您。