FastGPT 是由 Sealos 团队 开发的开源 AI 知识库问答系统，基于 LLM + RAG（检索增强生成） 架构，支持私有化部署。它提供了可视化的数据预处理、工作流编排、应用发布与权限管理能力，让非技术人员也能快速搭建精准、可控的 AI 助手。
GitHub 地址：labring/FastGPT
FastGPT 的强大源于它将经典 RAG 管线拆解为可编排的模块，并融合了数据预处理、混合检索和高级对话管理等能力。
1. 经典 RAG 基础
首先，FastGPT 遵循标准的 RAG 流程：
文档向量化：将上传的私有文档（PDF、Word、Markdown 等）按段落切分，通过嵌入模型（如 OpenAI text-embedding-3-large）转换为向量，存入向量数据库（PostgreSQL + pgvector 或 Milvus）。
语义检索：用户提问时，将问题向量化，从库中召回语义最相近的文档片段。
上下文增强生成：将召回的片段与用户问题、系统提示词一同送入 LLM，生成最终答案。
2. 混合检索与重排序
为提升检索精度，FastGPT 支持 混合检索 ：同时进行向量语义检索与传统的 BM25 关键词检索，并结合 重排序模型（Re-rank） 对多路召回结果做精细排序，大幅减少无关片段对答案的干扰。
3. 高级编排：工作流（Flow）引擎
这是 FastGPT 区别于普通"文档问答"工具的核心设计。通过 可视化拖拽节点，可以自定义整个问答流程：
意图分类节点：自动判断用户是想查询知识库、调用 API，还是闲聊。
知识库搜索节点：指定调用哪个知识库、检索条数、相似度阈值等。
LLM 回答节点：针对不同意图使用不同模型、提示词和温度参数。
插件节点：调用 HTTP 请求、执行代码、查询数据库等，实现联网搜索、企业系统打通。
变量与条件分支：收集用户输入（如订单号）、依据条件走不同分支，实现多轮对话表单填写。
这套引擎让 FastGPT 不仅能做问答，还能编排成客服工单机器人、面试模拟器、合同审查助手等复杂应用。
4. 多模态与数据切分
FastGPT 可处理图文混排文档，通过 OCR 或视觉模型解析图片中的文字。其数据切分支持 自定义分隔符、层级段落、自动 QA 拆分，甚至能直接将文档按"问题-答案对"整理，显著提升检索回答的还原度。
快速上手：
FastGPT 提供了两种部署方式：Sealos 云服务（一键部署） 与 Docker 本地部署。以下以本地 Docker 部署为例，简述核心使用流程。
环境准备
确保安装 Docker 和 docker-compose，然后下载 FastGPT 官方部署文件：
bash
mkdir fastgpt && cd fastgpt
curl -O https://raw.githubusercontent.com/labring/FastGPT/main/deploy/docker/docker-compose.yml按需配置好 LLM 的 API Key（支持 OpenAI、国内大模型等），启动服务：
bash
docker-compose up -d访问 http://localhost:3000 即可进入管理界面（默认账号 root，密码 123456，请及时修改）。
1. 创建知识库并导入文档
进入"知识库"模块，点击"新建"，输入名称和向量模型。然后上传你的文档（支持 txt, pdf, md, docx, csv 等），FastGPT 会自动进入数据处理流水线：
自动分段：智能识别标题层级，在语义边界处分割。
QA 拆分（可选）：自动或手动将长文档拆解为"问-答对"，更适合客服场景。
图片处理：自动提取图片并转为可搜索的文本描述。
处理完成后，知识库状态变为"就绪"，即可被应用调用。
2. 配置 AI 应用
进入"应用"模块，新建一个应用。你可以选择 简单模式 快速启动，也可以进入 高级编排 自由设计工作流。
简单模式下：
关联刚才创建的知识库。
设置系统提示词，如"你是一个专业的客服，请根据以下知识库内容友善回答用户"。
调整温度、上下文长度、检索相似度等参数。
保存并预览，即可立即对话测试。
3. 发布与集成
应用调试满意后，可以：
发布为独立对话页：生成一个可分享的链接，他人无需登录即可使用。
嵌入网站：复制一段 HTML 代码，以悬浮球形式嵌入官网。
通过 API 调用 ：FastGPT 暴露了完整的 RESTful API，支持与企业微信、钉钉、飞书等第三方系统集成。
设置权限和知识库引用：支持用户注册登录、为不同团队分配独立应用，保护数据隔离。