使用 FastGPT 工作流搭建 GitHub Issues 自动总结机器人

FastGPT 介绍

人工智能时代，数据就是企业的财富和金矿。

大数据已经成为一种前所未有的数字资源，但同时也为企业带来筛选和处理数据的负担，不仅影响决策效率，还可能导致重要信息被遗漏。

为了充分利用这些"财富"和"金矿"，就需要把数据与大模型有效结合。FastGPT正是为了这样的需求而来，结合多种大模型，帮助你高效管理和利用这些数据。

FastGPT可以整合与优化大量的非结构化数据，例如文本文档、PDF文件、电子邮件等等。它的运作原理就是阅读并理解你提出的问题，在海量数据中快速找到相关信息，然后以自然语言回复，提供精确的问答服务。

你可以把不同格式的文件导入进去，系统会自动对内容进行结构化处理，为后续的信息检索和分析打下基础。在这之后，拥护可以构建专属的知识库，不断更新和扩展库中的内容，实现动态的知识管理。

在使用过程中，你只需要通过自然语言交互，像使用ChatGPT一样查询知识库中的信息，系统会提供快速又准确的回答。除此之外，平台内置了多种机器学习模型，可以根据你与它的互动自动优化答案质量和查询效率。

FastGPT还提供了强大的API集成功能，与OpenAI官方接口对齐，支持直接接入现有的GPT应用，也可以轻松集成到其他平台。

对企业来说，FastGPT可以协助处理大量文档、查找和管理大量信息，不仅能够自动化地完成这些文档的数据预处理和向量化，而且通过其强大的搜索和问答功能，企业可以迅速地从海量信息中查找到关键数据，极大地提高信息检索的速度和精准度。

对于个人来说，FastGPT也是一个不错的个人知识管理工具。将个人的文档、笔记和其他类型的信息输入系统，通过AI模型的训练，这些材料就能够转化为一个个人化的问答系统。个人用户可以通过简单的查询，快速获取到存储在系统中的信息，从而有效地提高学习和工作的效率。

FastGPT能够自动化处理大量数据，可以显著提升信息检索和分析的效率，解放人力。基于AI模型，提供针对性的信息解答，能够很好地满足个性化的用户需求。易于集成和扩展的特性，能够提供灵活的API接口，与现有系统快速集成，支持企业按需扩展功能，尤其是在企业信息管理、法律文档分析、学术研究等领域，FastGPT拥有巨大的潜力。

不过部署和维护FastGPT依然需要一定的专业技术知识，对于没有技术基础的小白用户来说，存在学习成本，而且开源版本在功能体验上比每月5000元的Sealos全托管商业版差了一大截。

这样看来，线上版的定价似乎更容易接受一些。

除此之外，即便是使用开源版，不论是本地部署还是租赁服务器，尽管长远来看能够节约成本，但初期的设备、软件许可和定制开发等依然需要一定的成本投入。

在生成结果的准确性方面，FastGPT在很大程度上依赖于输入数据的质量，数据的不完整或错误也可能影响结果，所以在使用前依然要自己审视"投喂"数据的质量。

从0到1，手把手教你基于 FastGPT 搭建本地私有化知识库！

推荐配置

为了满足广大用户的具体需求，FastGPT提供了PgVector、Milvus和zilliz cloud三种版本可供选择。我们可以根据自己的数据规模和性能要求，灵活地在Linux、Windows、Mac等不同的操作系统环境中部署合适的版本。

「PgVector版本」 ------ 针对初体验与测试的完美起点

PgVector版本是进行初步体验和测试的理想选择。它简便易用，适合处理中小规模的向量数据，能够迅速掌握并开始工作。

「Milvus版本」 ------ 专为千万级向量数据设计的性能强者

当数据处理需求升级至千万级以上，Milvus版本较之其他版本具有卓越的性能优势，是处理大规模向量数据的首选方案。

「zilliz cloud版本」 ------ 亿级向量数据的专业云服务解决方案

对于处理亿级及更高量级的海量向量数据，zilliz cloud版本提供了专业的云服务支持，确保您能够获得高效且稳定的数据处理体验。得益于向量库使用了 Cloud，无需占用本地资源，无需太关注配置。

环境准备

FastGpt的部署重度依赖于Docker环境。因此，在本地系统或所管理的服务器上安装Docker环境是确保FastGpt顺畅运行的必要条件。

什么是Docker？这么说吧，FastGpt就像一款需要特定玩具盒子才能玩的电子游戏。这个特定的玩具盒子的名字就叫"Docker"。所以，如果我们想在我们的电脑或服务器上顺利地运行FastGpt，就必须先安装这个玩具盒子，这样FastGpt才能正确地工作。

Windows 系统安装 Docker

在 Windows 系统上，建议将源代码和其他数据绑定到 Linux 容器时，使用 Linux 文件系统而非 Windows 文件系统，以避免兼容性问题。

1.「使用 Docker Desktop」

「推荐使用 WSL 2 后端」：可以通过 Docker 官方文档在 Windows 中安装 Docker Desktop。具体步骤请参考：https://docs.docker.com/desktop/wsl/。

2.「使用命令行版本的 Docker」

「直接在 WSL 2 中安装」：如果不希望使用 Docker Desktop，也可以选择在 WSL 2 中直接安装命令行版本的 Docker。

详细安装步骤请参考：https://nickjanetakis.com/blog/install-docker-in-wsl-2-without-docker-desktop。

macOS 系统安装 Docker

对于 macOS 用户，推荐使用 Orbstack 来安装 Docker。

1.「通过 Orbstack 安装」：

访问 Orbstack 官网（https://orbstack.dev/）按照指示进行安装。

2.「通过 Homebrew 安装」：

brew install orbstack

在终端运行以上命令

Linux 系统安装 Docker

在 Linux 系统上安装 Docker 的步骤如下：

1.「打开终端，运行以下命令来安装 Docker：」

curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun

systemctl enable --now docker

2.「接着安装 docker-compose：」

curl -L https://github.com/docker/compose/releases/download/v2.20.3/docker-compose-`uname -s-uname -m` -o /usr/local/bin/docker-compose chmod +x /usr/local/bin/docker-compose

3.「验证安装是否成功」：

docker -v

docker-compose -v

运行以上命令来验证 Docker 和 docker-compose 是否正确安装

开始部署

1.下载 ocker-compose.yml 文件

首先，我们需要访问 FastGPT 的 GitHub 仓库。在仓库的根目录中找到 docker-compose.yml 文件。点击文件，然后点击 "Raw"（原始）按钮，文件内容将显示在浏览器中。接下来，右键点击页面，选择 "保存为"，将其保存到您的计算机上。

2.修改 docker-compose.yml 环境变量

使用文本编辑器（如记事本、Notepad++、VSCode 等）打开下载的 docker-compose.yml 文件，接下来在文件中找到与向量库版本相关的部分。根据您选择的向量库（PgVector、Milvus 或 Zilliz），您需要修改相应的环境变量。

注意：如果选择的是 Zilliz 版本，则需要找到包含 MILVUS_ADDRESS 和 MILVUS_TOKEN 的行，将它们修改为您的 Milvus 服务地址和认证令牌，而另外的两个版本无需修改。

3.启动容器

打开命令行工具（如终端、命令提示符或 PowerShell）。

使用 cd 命令切换到包含 docker-compose.yml 文件的目录。例如：

cd path/to/your/docker-compose.yml/directory

然后运行以下命令来启动容器：

docker-compose up -d

这个命令会在后台启动所有定义在 docker-compose.yml 文件中的服务。

4.打开 OneAPI 添加模型

在浏览器中输入您的服务器 IP 地址后跟 :3001，例如 http://192.168.1.100:3001。

然后使用默认账号 root 和密码 123456 登录 OneAPI。登录后，根据指示添加 AI 模型渠道。

5.访问 FastGPT

在浏览器中输入您的服务器 IP 地址后跟 :3000，例如 http://192.168.1.100:3000。

使用默认用户名 root 和在 docker-compose.yml 文件中设置的 DEFAULT_ROOT_PSW 密码登录 FastGPT。

至此，FastGPT安装部署大功告成！

搭建私有化知识库

当第一次打开网站时，我们会发现界面一片白花花的啥也没有。这个时候，不要慌，来跟我按照以下步骤来搞定你的第一个个人知识库！

在左侧菜单栏选择"知识库"选项。

点击页面右上角的"新建"，开始构建您的第一个知识库。

在此过程中，可以根据自身的需求选择合适的知识库类型。紧接着确定我们的知识库名称、索引模型和文件处理模型。

完成创建后，点击右上角的"新建/导入"，根据您的数据集类型选择相应的导入选项。

首先需要准备好知识库数据集，可以为DOCX、TXT或者PDF格式，然后选择文本数据集，选择本地文件导入。这里图欧君以咱们的IMYAI知识库为例子，进入飞书云文档《IMYAI智能助手使用手册》之后点击右上角导出为Word文档，文档权限我已经开放为人人都可以创建副本，导出下载，这个大可放心。

IMYAI知识库地址：https://new.imyai.top

等待数据处理并成功上传后，状态栏将显示"已就绪"，这时知识库搭建就完成了。

知识库搭建完成之后就可以转到工作台栏进行应用的创建了，一共是提供了四种类型的应用可供我们选择，只需根据自己的需要选择合适的应用即可，图欧君在这里选择了简易应用做个示范。

左侧你可以对创建的应用进行一些配置，最后不要忘了把刚刚建立的知识库，关联进来。

完成配置之后，我们可以在右侧调试一下。比如我问他 "你知道TUO图欧君是谁吗？"，不难发现它会先从知识库中检索到相关信息再回答我。

如果在使用IMYAI智能助手的过程中遇到其他问题，也可以随时进行提问，它会根据知识库内容进行梳理总结，减少你寻找答案的时间（不过要记得，先导入知识库内容哦~）

通过对比不难看出，FastGPT这波回答的还是不错的，将原本的内容进行梳理整合之后重新输出，能够更加直观地找到解决问题的答案。

确认调试无误后，点击右上角的"发布"。发布成功后，就可以拥有一个基于本地私有知识库增强的LLM（大型语言模型）啦~

至此，一个私有化的个人知识库就搭建完成了，大家可以随时对知识库中的内容进行提问。作者：TUO图欧君 https://www.bilibili.com/read/cv36899761/?jump_opus=1 出处：bilibili

GitHub API 介绍

GitHub 提供了强大的 API 让我们能够轻松获取 Issues 信息。我们将使用以下接口来获取某个 repo 的 Issues：

https://api.github.com/repos/{owner}/{repo}/issues

这个接口默认返回最近的 30 条 Issues。

可以参考 Github 的 API 文档以获得更多的信息https://docs.github.com/zh/rest/issues/issues?apiVersion=2022-11-28#list-repository-issues。

如今任何项目开发节奏都很快，及时掌握项目动态是很重要滴，GitHub Issues 一般都是开发者和用户反馈问题的主要渠道。

然而，随着 Issue 数量的增加，及时跟进每一个问题会变得越来越困难。

为了解决这个痛点，我们开发了一个自动化 Issue 总结机器人，它的功能很简单：

自动获取项目最新的 GitHub Issues；

智能总结 Issues 内容；

将总结推送到指定的飞书群。

接下来我会提供详细的操作步骤，一步步实现这个机器人。

FastGPT 工作流搭建过程

首先我们要登录 FastGPT 并新建一个工作流：

名字就叫 GitHub Issue 总结机器人吧。

然后开始一步一步添加节点。接下来开始对工作流进行拆解并详细讲解。

1. 构造查询范围

首先我们需要以当前时间节点为基准，获取 24 小时前的具体日期。需要使用到的节点是【代码运行】节点。

完整代码如下：

function main() {
  const date = new Date();
  date.setDate(date.getDate() - 1);
  const day = date.getDate();
  const month = date.getMonth() + 1;
  const year = date.getFullYear();
  const hours = date.getHours();
  const minutes = date.getMinutes();

  return {
    date: `${year}-${month}-${day}T${hours}:${minutes}:000Z`,
  }
 }

2. 利用 GitHub API 获取 Issues

这一步我们将使用【HTTP 请求】节点来访问 GitHub API 来获取指定项目过去 24 小时内的 Issues。

这里以 FastGPT 项目为例。

3. 处理 API 响应数据

获取到原始数据后，我们需要对其进行处理，提取出我们需要的信息。同样使用【代码运行】节点。

完整代码如下：

function main({res}) {
    const issues = JSON.parse(res);
    const ret = [];
    for(const issue of issues) {
        if (issue.pull_request) continue;
        ret.push({
            title: issue.title,
            body: issue.body,
            url: issue.html_url
        })
    }

    return {
        ret: JSON.stringify(ret)
    }
}

由于 issue 接口会将 pull_request 也视为 issue，所以我们只能在代码里面过滤。

4. 使用大语言模型总结内容

为了生成高质量的摘要，我们使用大语言模型来处理和总结 Issues 内容。

提示词如下：

你是一个简洁高效的 GitHub Issue 概述助手，专长于提炼核心问题并以清晰简洁的方式呈现。

## 任务
分析输入的多条 issue 信息，为每个 issue 创建一个简明扼要的概述。使用中文输出。

## 输入格式
JSON 数组，每项包含 title(标题)、body(内容)和 url(链接)。

## 输出格式
对每个 issue 使用 Markdown 语法创建简洁的概述块。每个概述应包含：

1. 使用加粗呈现 issue 的原标题
2. 一段简短的问题概述（不超过 2-3 句话）
3. 原 issue 的链接（使用 Markdown 链接语法）

在概述中适当使用 emoji 来增加可读性，但不要过度使用。保持整体风格简洁明了。

示例输出：

---

**🔍 数据可视化组件性能优化**

这个 issue 反映了在处理大量数据时图表加载缓慢的问题。用户在数据点超过一定数量时experiencing明显的性能下降，影响了用户体验。

📎 [查看原 issue](url1)

---

**🐞 移动端界面适配问题**

该 issue 指出在某些特定型号的移动设备上出现了界面布局错乱的情况。这个问题影响了应用在不同尺寸屏幕上的一致性展现。

📎 [查看原 issue](url2)

---

请确保每个 issue 概述都简洁明了，突出核心问题，避免过多细节。保持整体风格统一，让读者能快速理解每个 issue 的要点。