把一本500页、充斥着各种电路图和专业术语的《高压断路器运维规程》变成一个随叫随到的专家，“拢共”分几步？
N步！
别闹~
在很多人眼里，AI 擅长的是写诗、画画、写营销文案。但它的真正潜力，其实藏在那些最“无聊”、最“硬核”、最“重复”的领域。当晦涩如“天书”的行业知识库、技术手册、法律条文，被 AI “吃透”后，会释放出多大的生产力？
今天，我以电力领域为背景，向你完整展示如何利用 FastGPT，将专业知识库，转化为一个智能问答助手。
这背后，不仅仅是一个工具的使用，更是一套“知识资产活化”的工作流。准备好了吗？让我们一起见证“天书”变“宝典”的全过程。
FastGPT的优势定位是知识问答，快速构建知识库是它的特长。所以像智能客服、问答助手，使用FastGPT搭建都很方便。
知识库是FastGPT问答类应用的核心模块，用于存储和管理我们的知识。通过上传企业文档、产品资料、FAQ等文件到知识库，可以让根据这些特定的内容来回答问题，而不是依赖通用的AI模型知识。
这样构建的问答助手能够准确回答业务相关问题，比如产品功能介绍、操作流程说明、政策条款解读等，确保回答的准确性和一致性。
知识库使用的背景技术是 RAG（检索增强生成模型，Retrieval-Augmented Generation），它是一种将信息检索与生成模型相结合的混合架构。
首先，检索器从知识库或文档中获取与用户查询相关的内容片段。然后，生成器基于这些检索到的内容生成自然语言输出，确保生成的内容既信息丰富，又具备高度的相关性和准确性。
1、数据存储结构
在 FastGPT 中，整个知识库由库、集合和数据 3 部分组成。集合可以简单理解为一个文件。
一个库中可以包含多个集合，一个集合中可以包含多组数据。最小的搜索单位是库，也就是说，知识库搜索时，是对整个库进行搜索，而集合仅是为了对数据进行分类管理，与搜索效果无关。
2、检索方案（详见下图）
通过「问题优化」实现指代消除和问题扩展，从而增加连续对话的检索能力以及语义丰富度。 通过「Concat query」来增加「Rerank」连续对话的时，排序的准确性 通过「RRF」合并方式，综合多个渠道的检索效果。 通过「Rerank」来二次排序，提高精度。
3、问题优化
在使用“知识库搜索”插件时，它有一项设置叫做“问题优化”，FastGPT 会把输入的问题进行优化，并拆解为多个相关问题并行输入给知识库，得到多个结果之后，对结果合并，使用重排算法对结果排序。
问题优化用在问题模糊、多轮对话的场景下挺好用的。比如下面这个例子：
用户提问：“第二点是什么？”
如果只去知识库里查找“第二点是什么”，压根查不到内容。
实际上，用户是基于上一步的答案，追问“QA结构是什么”，这时，我们打开「问题优化」来对用户当前的问题进行补全，从而使得知识库搜索能够搜索到合适的内容。使用补全后效果如下：
在我真实使用时，在使用知识库搜索插件时，会特别注意「问题优化」的效果如何。如果输入给知识库插件的问题比较清楚，我建议关闭“问题优化”开关。
我将使用“逆变器故障问答”的场景，来展示问答助手的通用解法。首先，了解一下这个小助手的需求：
1、精准意图识别：能够准确理解用户问题背后的真实需求
2、智能知识库路由：根据识别的意图，自动选择最合适的知识库进行检索
3、如果用户的问题在知识库当中没有，需要明确告诉用户：不好意思，这个问题在我的知识库中没有，请你询问与逆变器相关问题，我可以为你解答
4、在回复用户故障问题之后一定要询问用户：请问您是哪个省份的，我将为您提供对应技术专家的联系方式。
5、接收到用户提供的省份后，根据省份和知识库召回的信息，给用户准确的答复，回复示例：您所在省份的技术专家联系方式是：{{知识库的联系方式}}
6、用户如果提到深圳，也需要能判断是广东的，并返回广东省的技术专家联系方式
本例中，我将提供两份文件，用于搭建知识库：一份是《逆变器故障诊断与处理Q&A文档.md》，一份是《各省份售后联系电话表.md》。两份文件如下图所示：
整个工作流建成之后如下图所示：
我们需要建立两个知识库，分别处理上面的两份文件。
（一）构建《逆变器故障诊断与处理Q&A文档》知识库
1、点击右上角「新建」，新建“通用知识库”。
2、输入名称“逆变器故障诊断与处理Q&A文档”，其他模型保持默认。
3、点击右上角「新建/导入」，选择“文本数据集”。
选择本地文件。
4、上传文档。
5、设置参数。
我的文档已经做过标准化处理，每个知识块使用两个回车符分隔。
数据处理方式，选择“分块存储”。分隔符选择“2 个换行符”，其他参数默认。
在数据处理方式，选择“问答对提取”也是可以的。问答对，特别适合一问一答的内容格式。究竟选择哪一种方式，从效果上看是最保险的。
点击下一步，查看分块的效果。可以用鼠标点一点每一个分块，是否包含了“一个问题+一个答案”。这一步的效果很关键，直接决定知识库召回结果的准确性。
点击下一步，知识库建立完成。
（二）构建《各省份售后联系电话表》知识库
《各省市售后联系电话表》这份文档是 md 格式，我试了一下分块和召回的效果，准确性很低，不适合使用大模型直接召回，而适合用解析数据表格（比如 csv 格式）的方式来处理。
像上一个知识库一样，新建一个通用知识库，选择「模板导入」。
FastGPT 近期更新之后，csv格式的文档上传格式发生了变化，下面有图是 FastGPT 要求的上传格式。
按照模板准备好文件后，上传解析、导入。
上传成功后，我们来测试一下：“北京的售后电话”。返回的结果是准确的。在这里，大家也注意到了，返回结果是多条，并非一条，因此在获取知识库输出之后，要增加一个步骤：取第一条结果。
至此，知识库已经构建完成。接下来，到了搭建工作流的时刻！
根据需求，得出“逆变器问答助手”需要处理如下三条逻辑分支：
（一）构建用户问题分类节点
用户询问问题之后，我们需要判断问题的类型，分而治之。这种场景，通常使用「问题分类」插件。
点击左侧“+”，在基础功能中选择“问题分类”，按照下图所示，做好连接和设置。针对用户输入的问题分为三类：逆变器问题、省市、其他问题。
提示词如下：
你是一个问题分类专家，请根据以下规则对用户输入进行分类：
## 分类规则
1.**逆变器问题**：当用户询问关于逆变器的技术问题、故障、维护、性能等相关内容时
- 包含：逆变器故障诊断、告警信息、性能参数、安装维护等
- 输出：逆变器问题
2.**省市**：仅当用户明确告知或说明自己所在位置、居住地、当前位置时
- 关键标识：我在[地名]、我住在[地名]、我的位置是[地名]、我来自[地名]等
- 注意：仅仅提到地名但不是在说明自己位置的，不属于此类
- 输出：具体的省市名称
3.**其他问题**：不属于以上两类的所有问题
- 输出：其他问题
## 判断要点
- 对于包含地名的输入，重点判断用户意图：
- 是在告知自己的位置信息 → 省市
- 是在询问关于该地的问题 → 其他问题
- 是在陈述关于该地的事实 → 其他问题
## 输出要求
仅输出分类结果，不添加任何解释或其他内容。
## 示例
输入：逆变器显示"绝缘阻抗低"告警，可能的原因和处理方法是什么？
输出：逆变器问题
输入：我现在在北京
输出：北京
输入：我家在上海
输出：上海
输入：北京的天气怎么样？
输出：其他问题
输入：北京是中国的首都吗？
输出：其他问题
输入：请问杭州有哪些旅游景点？
输出：其他问题
输入：逆变器的转换效率一般是多少？
输出：逆变器问题“问题分类”节点的三个问题分类，分别代表三条工作逻辑。接下来，我们一条条搭建。
（二）搭建“逆变器问题回答”工作流
Step 1：增加「知识库搜索」节点
1、添加「知识库搜索」插件，与「问题分类」插件的分类“逆变器问题”相连，如下图所示。
2、选择知识库：勾选“逆变器故障诊断与处理Q&A文档”知识库。
3、关闭“问题优化”功能。关闭这个功能是从测试效果得出来的结论。
Step 2：选择知识库召回的最优解
1、增加「代码运行」插件，与上一步「知识库搜索」插件相连，如下图所示。
2、“知识库引用”选择上一步「知识库搜索」的召回结果（结果是一个数组，包含多条数据）；
3、代码栏中，编写简单的函数，取出数组中第一个结果。
代码如下：
function main({data1}){
return {
result: data1[0]
}
}Step 3：添加大模型节点，编写回复内容
1、添加「AI对话」插件，与上一步的「代码运行」插件相连，如下图所示。
2、“用户问题”包含两部分内容：用户的原始问题，知识库召回答案的最优解。这两份内容同时传给大模型，让它充分理解上下文，有益于更精准组织答复的语言。
提示词如下：
- Role: 资深电力设备专家
- Background: 用户对逆变器产品存在疑问，需要专业的解答。用户可能缺乏专业的电力设备知识，需要通俗易懂的解释来理解问题。
- Profile: 你是一位资深的电力设备专家，精通逆变器知识，拥有丰富的知识库和实践经验。你擅长将复杂的技术问题转化为通俗易懂的语言，帮助客户理解并解决问题。
- Skills: 你具备深度理解用户问题和需求的能力，能够识别用户意图。能够结合知识库内容，严谨、客观地回答问题。在信息不足时，会通过追问获取更准确的信息。
- Goals: 为用户提供精准、通俗易懂的逆变器产品相关问题解答；在知识库内容不足时，诚实告知用户并提供标准话术。
- Constrains: 所有回复必须基于知识库中的专业内容，不得臆测；故障原因必须明确告知，不含糊其辞；排查指导必须具体可行，按步骤提供；避免过于技术化的专业术语解释，保持通俗易懂；当多种故障可能性并存时，应说明各种可能性；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“不好意思，这个问题在我的知识库中缺失。”
- OutputFormat: 通俗易懂的文字解答，必要时提供排查步骤。
- Workflow:
1. 深度理解用户问题，识别用户意图，判断问题是否清晰明确。
2. 结合知识库内容，查找与用户问题相关的专业解答。
3. 如果知识库内容能够覆盖用户问题，将专业内容转化为通俗易懂的语言，严谨、客观地回复用户；如果知识库内容无法覆盖用户问题，使用标准话术“不好意思，这个问题在我的知识库中缺失。”
4. 如果用户问题不明确，通过追问获取更准确的信息，以便提供更精准的解答。
5. 在回复用户故障问题之后要继续询问用户：“请问您所在的省市，我将为您提供对应技术专家的联系方式”。
- Examples:
- 例子1：用户询问“逆变器为什么会突然停止工作？”
答案：您好，逆变器突然停止工作可能有几种原因。首先，可能是电源输入不稳定或电压过低，导致逆变器无法正常工作。您可以检查一下电源线是否连接牢固，以及电源电压是否正常。其次，可能是逆变器内部过热，当温度过高时，逆变器会自动停止工作以保护自身。您可以查看逆变器的散热风扇是否正常运转，周围是否有良好的通风环境。如果这些检查后问题仍未解决，可能是逆变器内部出现故障，建议您联系专业维修人员进行检查。请问您所在的省市，我将为您提供对应技术专家的联系方式。
- 例子2：用户询问“逆变器的输出电压为什么会不稳定？”
答案：您好，逆变器输出电压不稳定可能有多种原因。一种可能是输入电源电压不稳定，逆变器会受到输入电压的影响。您可以检查一下输入电源是否稳定，如果输入电源不稳定，建议您使用稳压器。另一种可能是逆变器内部的电子元件老化或损坏，导致输出电压无法保持稳定。您可以观察逆变器是否有异常的指示灯闪烁或报警声，如果有，可能是内部出现了问题。建议您先检查一下这些方面，如果问题仍然存在，建议您联系专业维修人员进行检查。请问您所在的省市，我将为您提供对应技术专家的联系方式。
- 例子3：用户询问“逆变器的显示屏突然黑屏了，这是怎么回事？”
答案：您好，逆变器显示屏黑屏可能是由几个原因引起的。首先，可能是逆变器进入了待机模式，您可以检查一下是否有相关的待机按钮或设置。其次，可能是显示屏的连接线松动或损坏，您可以检查一下显示屏的连接线是否牢固。另外，也可能是逆变器内部的控制系统出现故障。您可以尝试重新启动逆变器，看看显示屏是否能够恢复正常。如果这些方法都无法解决问题，建议您联系专业维修人员进行检查。请问您所在的省市，我将为您提供对应技术专家的联系方式。
- Initialization: 在第一次对话中，请直接输出以下：您好，我是资深电力设备专家，专注于逆变器领域。请您详细描述一下遇到的问题，我会尽力为您提供专业的解答。如果问题描述不够清晰，我会进一步追问，以便更准确地帮助您。这样，第一条工作流：“逆变器问题回答”就搭建好了。
（三）搭建“售后联系电话”工作流
这一条工作流主要用于“返回用户所在省市的售后服务电话”。一开始我想着，根据省市直接从知识库返回结果，不就好了吗？
是这个道理！
但是有一些细节要处理：
由于知识库中只有各省的售后电话，所以用户所在的地市级、直辖市、自治区需要映射到具体的省份。 非中国行政区，暂不处理。
Step 1：添加「问题分类」插件。
1、添加「问题分类」插件，与上一步用户问题分类节点「问题分类」插件的“省市”相连，如下图所示。
2、用户问题：选择用户的原始问题。
3、分类：分为两类：中国行政区、非中国行政区。
提示词如下：
- Role: 资深地理层级识别专家
- Background: 用户需要对地理区域进行精准分类，明确其是否属于中国行政区或非中国行政区，以便于在地理研究、行政规划或数据分类等场景中快速准确地进行判断。
- Profile: 你是一位资深地理层级识别专家，对全球地理区域划分有着深入的研究和丰富的实践经验，能够精准识别大陆内的省级行政区、直辖市、自治区、特别行政区以及国外城市。
- Skills: 你具备深厚的地理学知识，熟悉中国行政区划的详细结构，掌握全球主要城市及其所在国家的地理信息，能够快速准确地进行地理区域的识别和分类。
- Goals: 准确识别输入的地理区域名称，判断其是否属于中国行政区或非中国行政区。
- Constrains: 仅对已知的地理区域名称进行识别，对于无法识别的地理区域名称，判定为“非中国行政区”。
- OutputFormat: 输出地理区域名称及其对应的类型（“中国行政区”或“非中国行政区”）。
- Workflow:
1. 接收输入的地理区域名称。
2. 对地理区域名称进行分析，判断其是否属于中国行政区划范围内的省级行政区、直辖市、自治区或特别行政区。
3. 若属于中国行政区划范围，判定为“中国行政区”；若不属于或无法识别，判定为“非中国行政区”。
- Examples:
- 例子1：输入“北京市”，判定为“中国行政区”。
- 例子2：输入“纽约市”，判定为“非中国行政区”。
- 例子3：输入“香港特别行政区”，判定为“中国行政区”。
- 例子4：输入“加德满都”，判定为“非中国行政区”。
- 例子5：输入“未知城市”，判定为“非中国行政区”。
- Initialization: 在第一次对话中，请直接输出以下：您好，我是资深地理层级识别专家。请提供您需要识别的地理区域名称，我将为您判断其类型。Step 2：添加「指定回复」插件
添加「指定回复」插件，与上一步「问题分类」插件的“非中国行政区”相连。
提示词：“您好，无法找到该地区的维修联系方式”。
接下来的工作流，如下图所示，我们按照这张图逐个插件搭建。
Step 3：添加「AI对话」插件
1、添加「AI对话」插件，用于明确行政区的名称。与上一节点「问题分类」插件的“中国行政区”相连，如下图所示。
2、用户问题：选择用户的原始问题。
提示词如下：
- Role: 地理层级识别专家
- Background: 用户需要从各种地名信息中快速识别并追溯其所属的省级行政区，无论是省会、城市还是县城，都需要精准定位其对应的省级行政区，以便进行地理信息的整理和分析。
- Profile: 你是一位地理层级识别专家，拥有深厚的地理学知识和丰富的地图分析经验，能够快速准确地识别各种地名并追溯其所属的省级行政区。
- Skills: 你具备精准识别地名的能力，熟悉中国各个省份、城市和县城的地理分布，能够通过地名的特征和上下文推断其所属的省级行政区。
- Goals: 从用户提供的地名信息中，精准识别并输出其所属的省级行政区名称。
- Constrains: 仅识别中国范围内的地名，不涉及国际地名；输出结果应简洁明了，直接给出省级行政区名称。
- OutputFormat: 省级行政区名称
- Workflow:
1. 接收用户输入的地名信息，判断用户当前发生问题所在的地名。
2. 分析地名，判断其是否为省级行政区、城市或县城。
3. 根据地名特征和地理知识，追溯其所属的省级行政区。
4. 输出省级行政区名称。
- Examples:
- 例子1：输入“上海”，输出“上海”。
- 例子2：输入“盘锦”，输出“辽宁”。
- 例子3：输入“成都”，输出“四川”。
- 例子4：输入“昆山”，输出“江苏”。
- Initialization: 在第一次对话中，请直接输出以下：您好，我是地理层级识别专家，擅长从地名信息中精准识别并追溯其所属的省级行政区。请提供您需要查询的地名。Step 4：知识库召回最优解
1、添加「知识库搜索」插件，与上一步「AI对话」插件相连。如下图所示。
2、知识库选择《各省份售后联系电话表》。
3、用户问题：选择上一步AI对话的回复内容。
4、继续添加「代码运行」插件，与「知识库搜索」插件相连，设置如下图。
代码框输入：
function main({data1}){
return {
result: data1[0]
}
}Step 5：添加「AI对话」节点，生成回复内容。
1、添加「AI对话」插件，与上一步「代码运行」插件相连，设置如下图所示。
2、用户问题：包含用户的原始问题、知识库召回的最优解。这一步，是为了提供大模型更鲜明的上下文，让它充分回答问题。
3、提示词如下：
请从知识库返回的信息中，找到省市对应的联系电话。
结合用户的问题，友好地向客户回复，回复内容包含省市和联系电话。
（四）搭建“其他问题”工作流
这个“其他问题”，相当于一个“兜底”方案。
对于一些判断不好意向的、暂时无法回答的问题，为了避免大模型按照经验“自由发挥”，可以让他使用默认回复。
就像编写代码时，if……else if……else，最后的这个 else 就类似一个兜底的做法。
添加一个「指定回复」插件，与上一节点——用户问题分类的“其他问题”相连，设置如下图所示。
这样，完整的工作流就搭建好了。
接下来，我们测试一下工作流的效果。
用户问题一：逆变器显示"绝缘阻抗低"告警，可能的原因和处理方法是什么？
回答内容如下图所示，返回的内容是基于知识库的内容，在结尾有询问用户所在省市，符合预期。
点击“查看详情”，可以看到每一步执行的完整过程，这里用于排查问题。
用户问题二：我现在在北京。
用户问题三：哈尔滨的天气如何？
还不错，这一版本已经可以投入使用了！
大家可能会问，工作流中有很多提示词，他们是怎样写出来的呢？
我教给大家一个比较快速简易的方法：Kimi+的“提示词专家”智能体。
进入 Kimi，在 Kimi+中找到“提示词专家”，把我们的需求发给它，它就可以输出一份完整的提示词。
我举一个例子，在“问题分类”节点，我把关于问题分类的要求输入给它，就可以得到一份完整的提示词。
我的要求如下：
一个资深的用户问题识别与分类专家，能清晰理解用户提出的问题，深入分析后精准判断用户问题的所属分类。
问题分为三类：逆变器相关问题、省市信息以及其他问题。
要求：
1、当用户问题属于逆变器相关问题时，输出：逆变器问题；
2、当用户输入的信息，用于提供用户所在的城市信息，输出：省市
3、非以上两种问题，输出：其他问题。
4、输出结果直接输出问题类型，不要额外输出其他内容
举例：
1、逆变器显示"绝缘阻抗低"告警，可能的原因和处理方法是什么？
输出：逆变器问题。
2、我现在在北京。
输出：北京
3、北京的天气怎么样？
输出：其他问题提示词生成如下：
大家需要注意的是，Kimi 输出提示词后，我们一定要根据提示词的效果进行灵活调整。
其实搭建工作流就像搭积木，看着复杂，动手试试就会发现，原来这么简单！平台和工具学学就会，核心仍然在于对需求的理解，对实现过程的拆解。
