5.4.1 FastGPT 介绍与核心功能
FastGPT 是一个开源的、基于大语言模型的知识库问答平台与 Agent 构建工具，其核心定位是"企业级 AI 生产力引擎"，专注于提供简单易用的 RAG（检索增强生成）解决方案和可视化工作流编排能力。与 Coze 的零代码体验和 Dify 的全栈开发能力不同，FastGPT 将知识库问答作为第一等公民，围绕"数据导入—智能分块—向量检索—对话生成"这一完整链路进行了深度优化。
进入 FastGPT 官网，首先映入眼帘的是其简洁有力的产品宣言——"企业级 AI 生产力引擎"，强调构建安全、可控的企业级 AI Agent，如图5.38所示。
图 5.38 FastGPT 官网首页
登录平台后，可以看到其清晰的工作台布局。左侧导航栏将核心功能划分为 对话门户、工作台、知识库和账号四大模块。其中 Agent 模块又细分为工作流、对话 Agent 和对话 Agent V2(Beta) 三种类型，方便用户根据业务场景选择合适的构建模式。主区域则提供了"从模板新建"的快捷入口，内置了销售陪练大师、文档翻译助手、行业趋势洞察简报等官方模板；下方是用户自己创建的 Agent 列表，如图5.39所示。
图 5.39 FastGPT 平台主界面
在账号与套餐方面，FastGPT 提供了免费版供个人开发者体验。免费版包含 100 积分、600 条知识库索引、1 个团队成员、10 个 Agent、3 个知识库、30 天对话记录保留、30 QPM 的调用速率，以及单次可上传 5 个 50MB 文件的权限，如图5.40所示。对于中小企业和团队，平台也提供了付费升级方案以满足更高的并发和存储需求。
图 5.40 FastGPT 免费版套餐与用量
FastGPT 最核心的竞争力在于其强大的知识库能力。平台支持多种文件格式的导入，包括 Word、Markdown、PDF 等常见文档类型。如图5.41所示，在"test 通用知识库"中，我们可以上传深度学习简介、机器学习入门、招标文件正文等多个文件，系统会自动对文件进行分块处理并建立索引，状态显示为"已就绪"后即可在对话中被检索引用。
图 5.41 FastGPT 知识库文件管理
在文件处理层面，FastGPT 提供了精细化的参数配置。如图5.42所示，用户可以选择"分块存储"或"问答对提取"两种处理方式，设置分块条件（如原文长度大于 1000 字符时触发分块），并开启多种索引增强选项，包括将标题加入索引、自动生成补充索引以及图片自动索引等。对于包含大量图文混排内容的文档（如教材、研报），图片自动索引功能尤为重要，它能让大模型在回答时理解并引用文档中的视觉信息。
图 5.42 知识库数据处理参数设置
上传完成后，用户可以查看文件被分块后的具体内容。如图5.43所示，以"英语四年级下册全册电子书.pdf"为例，平台展示了每个分块的文本预览，同时右侧元数据面板显示了文件大小（62MB）、原文长度（37797 字符）、处理模式（分块存储）、图片索引状态等关键信息。这种透明化的分块展示，方便开发者进行知识库的调试与优化。
图 5.43 知识库文件分块详情与元数据
除了知识库，FastGPT 在工具集成方面也紧跟生态趋势。平台原生支持 MCP（Model Context Protocol）工具，用户可以在"我的工具"模块中统一管理各类 MCP 服务。如图5.44所示，在"ai 金融"文件夹下，我们已经配置了中文趋势聚合、实时股票 MCP、且慢基金 MCP、Minimax-MCP、BI 画图工具等多个 MCP 工具，这些工具将赋予智能体调用外部实时数据和专业服务的能力。
图 5.44 FastGPT MCP 工具管理
5.4.2 构建"智能投顾助手"
案例说明： 本案例将基于 FastGPT 平台，结合知识库、MCP 工具和工作流编排，构建一个专业的"智能投顾助手"。该助手能够回答金融投资理论问题、查询实时股票行情、进行用户风险画像评估，并生成个性化的投资策略分析报告。通过本案例，你将掌握 FastGPT 的核心开发范式：知识库构建、MCP 工具接入、可视化工作流编排和多轮对话交互设计。
步骤一：配置 MCP 工具
智能投顾助手的核心能力之一是获取实时金融数据。在 FastGPT 中，我们通过接入 MCP 工具来实现这一功能。
本案例需要以下两类 MCP 服务：
- 实时股票行情查询：用于获取个股的实时价格、涨跌幅、成交量等数据。
- 金融数据与图表生成：用于获取宏观金融数据以及生成可视化图表。
如图5.45所示，我们可以在魔搭社区（ModelScope）的 MCP 市场中找到"可视化图表 MCP Server"。该服务基于 TypeScript 开发，兼容 MCP 协议，提供了生成面积图、柱状图、饼图等多种图表的能力，能够将枯燥的数据转化为直观的可视化结果。
图 5.45 魔搭社区可视化图表 MCP Server
另外，如图5.46所示，阿里云百炼平台也提供了丰富的官方 MCP 服务。在 MCP 管理页面中，我们可以找到"今日投资-金融实..."和"且慢"等金融类 MCP 服务，以及股票实时行情查询、万相-视频生成等工具。将这些服务添加到 FastGPT 的 MCP 工具库后，智能体便能在对话中按需调用它们。
图 5.46 阿里云百炼 MCP 管理
在 FastGPT 的 MCP 工具配置界面中，填写相应的服务地址、认证信息后，即可完成工具的接入。每个 MCP 工具都可以设置独立的描述和调用参数，便于智能体在决策时理解各工具的用途。
步骤二：设计智能投顾工作流
完成工具配置后，进入核心的工作流编排环节。FastGPT 提供了可视化的 Flow 编排界面，用户可以通过拖拽节点、连接边线的方式构建复杂的对话流程。
如图5.47所示，"智能投顾助手"的完整工作流包含了多个处理分支：用户意图识别、知识库检索、风险问卷收集、MCP 工具调用、报告生成等。整个工作流呈现出清晰的模块化结构，数据在不同节点间有序流转。这种可视化的编排方式，让开发者能够直观地理解和调试智能体的决策路径。
图 5.47 智能投顾助手工作流编排
工作流的核心逻辑如下：
- 意图识别节点：首先判断用户的输入类型。如果是金融概念咨询，走知识库检索分支；如果是股票查询，走 MCP 工具调用分支；如果是投资诊断，则进入风险问卷收集流程。
- 投资知识教育专员：连接到预先构建的金融知识库，检索相关的投资理论、概念解释和案例分析。
- 风险评估分析师：通过表单输入节点引导用户完成风险评估问卷，包括年龄、投资经验、月收入水平、风险承受能力和投资目标等维度，然后将数据传递给后续大模型节点进行市场环境、基本面、新闻情绪分析，整合用户画像、市场数据和新闻信息，调用大模型生成结构化的投资策略分析报告。
- 市场新闻情报专员：根据用户需求调用实时股票 MCP 或图表生成 MCP，获取外部数据。
- 通用咨询专员：根据用户咨询问题回复一下简单的内容，比如"你好"、"你好吗"等。
步骤三：配置提示词与知识库
在 FastGPT 中，提示词（System Prompt）的配置同样至关重要。针对智能投顾助手，我们需要为其设定专业的金融投资顾问角色：
# 一、 角色人设（Role）
你是一位专业的金融投资顾问，具有丰富的风险评估和投资组合管理经验。你的专业背景包括金融学、行为金融学和投资心理学，能够从多维度分析用户的风险承受能力。你的口吻风格应专业、中立且易于理解，避免使用过于复杂的金融术语，确保普通投资者也能轻松理解你的分析。
# 二、 背景（背景）
用户将提供以下信息：年龄、投资经验、月收入水平、能承受的最大亏损、投资目标。这些信息是进行风险评估的基础，你需要基于这些数据，结合一般金融原则（如生命周期理论、风险收益匹配原则）进行分析。场景限制在于，你无法获取用户的其他个人信息（如资产总额、家庭状况），因此分析应聚焦于提供的信息，避免过度推测。
# 三、 任务目标（Task）
根据用户提供的年龄、投资经验、月收入水平、能承受的最大亏损、投资目标，进行综合风险评估。
输出一个清晰的风险等级评估结果（例如：保守型、稳健型、积极型等），并简要解释理由。
确保分析逻辑连贯，易于用户理解和应用。
# 四、 限制提示（Limit）
避免提供具体的金融产品推荐（如特定股票或基金名称），仅讨论一般性资产类别。
不得做出任何保证收益的承诺或预测，强调投资有风险。
避免使用过于技术性或专业化的语言，确保输出内容对非专业投资者友好。
不基于假设或推测扩展用户信息，仅使用提供的年龄、投资经验、月收入、最大亏损承受能力和投资目标进行分析。
输出中不得包含任何歧视性、偏见性或主观性强的表述，保持客观中立。
# 五、 输出格式要求（Example）
输出应按照以下结构组织：
**风险等级评估**：[例如：稳健型]
**评估理由**：简要解释基于用户年龄、投资经验、收入、亏损承受能力和投资目标的分析。
**风险提示**：重申投资风险，鼓励用户根据自身情况调整。
同时，我们需要为助手配置金融知识库。将投资学基础、财务报表分析、宏观经济指标解读等文档上传至知识库，按照图5.41~图5.43所示的流程完成分块和索引。这样，当用户询问"市盈率和市净率有什么区别"这类概念性问题时，智能体能够从知识库中检索到准确的定义和对比分析，而不是完全依赖大模型的预训练知识，从而有效降低幻觉风险。
步骤四：测试与效果展示
完成工作流和提示词配置后，我们可以在 FastGPT 的对话界面中进行测试。如图5.48所示，智能投顾助手的开场白清晰地介绍了自身的三大功能特色：精通金融投资理论、提供实时市场新闻及数据、根据风险画像评估提供资产配置建议。界面下方还提供了快捷操作按钮，方便用户一键触发常见任务。
图 5.48 智能投顾助手对话界面
当用户点击"进行资产评估获取投资意见"后，助手会依次展开风险评估问卷，收集用户的年龄、投资经验、月收入水平、能承受的最大亏损以及投资目标等信息。基于这些信息，助手会生成一份完整的投资策略分析报告。
如图5.49所示，报告包含以下几个核心模块：
- 用户风险评估：基于问卷结果，分析用户的风险承受能力等级（如稳健型）。
- 资产配置比例建议：以可视化饼图的形式展示股票、债券、现金等大类资产的配置比例（例如股票 45%、债券 40%、现金 15%）。
- 市场基本面分析：结合当前宏观经济环境和行业趋势，给出市场判断。
- 再平衡策略：提供定期调仓的建议方案，包括调仓周期和触发条件。
图 5.49 投资策略分析报告
对于实时数据查询场景，如图5.50所示，当用户询问"查询现在贵州茅台的股价信息"时，智能体会自动调用 MCP 工具（get_stock_quote_realtime）获取实时行情数据。返回结果包含标题、数据来源、关键要点（开盘价、最高价、日内价格区间、成交量、总市值、流通市值等），以及潜在影响分析和建议行动。这种结构化、专业化的输出，体现了 Agent 工具调用能力的实际价值。
图 5.50 实时股票行情查询
在概念解释方面，如图5.51所示，当用户询问"市盈率和市净率有什么区别"时，助手基于知识库和大模型的理解，给出了系统性的对比分析：从定义出发，详细解释了市盈率（P/E Ratio）和市净率（P/B Ratio）的计算方式；从四个维度（计算基础、适用行业、反映信息、局限性）进行对比；最后给出实际应用建议，说明何时应重点关注市盈率、何时应关注市净率。这种层次分明、逻辑严谨的输出，正是 RAG 增强后的大模型在垂直领域问答中的典型优势。
图 5.51 市盈率与市净率概念解析
5.4.3 FastGPT 的优势与局限性分析
通过上述"智能投顾助手"的构建实践，我们可以对 FastGPT 平台形成一个较为全面的认识。
优势：
- 极致的知识库体验：FastGPT 最核心的优势在于其对 RAG 链路的深度打磨。从文件上传、智能分块、索引增强、图片识别到检索召回，每一个环节都提供了精细化的配置选项和透明化的调试界面。对于需要基于私有知识库构建问答系统的场景（如企业知识助手、智能客服、专业领域咨询），FastGPT 提供了开箱即用的优秀体验。
- 原生 MCP 支持：与 Coze 不同，FastGPT 原生支持 MCP 协议，能够无缝对接魔搭社区、阿里云百炼等生态中的大量 MCP 服务。这使得智能体的工具扩展能力不再受限于平台内置的插件库，开发者可以自由接入任何符合 MCP 标准的第三方工具。
- 模型中立设计：FastGPT 支持灵活对接 OpenAI、Claude、通义千问、DeepSeek 等多种国内外主流大模型，用户可以根据业务需求和成本考量自由切换底层模型，避免了被单一模型供应商绑定的风险。
- 可视化工作流编排：Flow 模块提供了直观的节点式编排界面，复杂的多分支逻辑（如本案例中的意图识别、问卷收集、报告生成）可以通过拖拽方式快速构建，降低了非开发者的上手门槛。
局限性：
- 模板生态相对薄弱：相比 Coze 丰富的插件商店和 Dify 超过 8000 个插件的 Marketplace，FastGPT 的官方模板和预置工具数量相对有限。虽然 MCP 协议在一定程度上弥补了这一短板，但对于非技术用户而言，寻找和配置合适的 MCP 服务仍存在一定门槛。
- 免费版额度较为紧张：免费版仅提供 100 积分和 30 QPM 的调用速率，对于需要频繁测试和迭代的开发者来说，额度消耗较快。知识库索引数量和团队成员数量的限制，也使得免费版难以支撑稍具规模的团队协作。
- 社区与文档仍在完善中：作为一个相对年轻的开源项目，FastGPT 的社区活跃度和英文文档完善度与 Dify、n8n 等成熟平台相比还有一定差距。遇到边缘问题时，可能需要深入源码或社区求助。
总体而言，FastGPT 是一款在知识库问答领域极具竞争力的平台。如果你的核心需求是构建基于私有文档的智能问答系统，并且希望获得对 RAG 全流程的精细控制能力，FastGPT 是一个非常值得尝试的选择。而对于需要极强插件生态或复杂业务流程自动化的场景，则可以结合 Dify 或 n8n 进行互补。