
企业要上AI知识问答?Coze、FastGPT、工作流、SKILL,一次给你讲透
最近很多企业老板问我:"凡达恩,我们想搞个工厂知识问答Bot,设备手册、SOP、故障代码那么多,AI能不能帮我管起来?"
能。但怎么搭、用什么工具、工作流和智能体到底什么关系,这里面坑不少。
今天这篇文章,把我们FDE团队在工厂一线踩过的坑、验证过的路径,从头到尾给你讲透。
一、Coze vs FastGPT:先选对工具
这两个是当前做知识问答Bot的主流方案,但定位完全不同。
Coze(扣子) 是字节跳动的SaaS平台,零代码拖拽,开箱即用。上传文档、设个知识库、挂到Bot上就能跑。适合快速验证,数据量不大、不涉密的场景。
FastGPT 是开源项目,Docker私有化部署,数据完全留在企业内网。需要自己接模型API(DeepSeek、通义千问都行),但胜在数据安全、可深度定制。涉及工艺参数、产线数据,客户大概率要求私有化。
一句话选型:不涉密的快速验证用Coze,正式交付涉及保密数据的用FastGPT私有化部署。
我们FDE驻场落地的标准路径是——先Coze做3天POC验证可行性,确认效果后用FastGPT私有化部署做正式交付,数据不出厂。
二、搭建步骤:从0到1
Coze方案(5步搞定)
- 创建Bot
登录coze.cn,创建Bot,命名(如"XX工厂设备运维助手") - 建知识库
上传PDF/Word/TXT,工业文档建议用混合检索(全文+向量),准确率最高 - 挂载到Bot
配置召回数量3-5条,最小相关度0.3-0.5 - 写人设Prompt
核心是"优先基于知识库回答""找不到就说找不到""涉及安全操作加提示" - 测试发布
调试确认后发布到飞书/微信/网页/API
FastGPT方案(6步搞定)
- 环境准备
Linux服务器,最低4核8G,装Docker - 部署FastGPT
拉官方docker-compose文件,一条命令启动 - 配置模型
Chat模型(推荐DeepSeek)+ Embedding模型(text-embedding-3-small或智谱/百度embedding) - 创建知识库
工艺手册建议用QA拆分模式,让AI自动提取问答对;Chunk大小150-300字 - 创建应用
关联知识库,开启引用追溯(工业场景合规必需) - 对外集成
API对齐OpenAI接口,直接接企业微信/飞书/MES系统/工位机
数据准备的实操建议
数据准备是关键,工具只是载体:
设备SOP、点检表、故障代码手册 → CSV结构化导入效果最好 工艺规程、作业指导书 → PDF直接分段,注意表格抽取质量 历史维修工单 → 做成QA问答对导入,复用价值最高
典型坑点:工业文档大量含表格和参数,Coze和FastGPT对复杂表格的解析都有损失。建议先用OCR工具(如TextIn)预处理成Markdown再导入。另外一定要设置置信度兜底——低于阈值回答"未找到相关资料,请联系技术工程师",避免产线误操作。
三、智能体这么强,工作流还有必要吗?
这是被问最多的问题。
智能体的本质是让模型自己决定下一步做什么——动态规划、自主调用工具、链式推理。听起来很强,但这恰恰是工业现场最忌惮的东西。
四个理由,工作流在工业场景不可替代:
1. 流程本身就是确定的。 查知识库→检索→生成→标注引用→置信度兜底,这条路是固定的。让智能体每次重新"思考"要不要查知识库,纯属浪费且引入不确定性。
2. 合规和追责要求。 工业现场一条错误指令可能导致设备损坏或安全事故。出了问题你要能回答:AI走了哪条路径?检索了哪些文档?工作流每个节点的输入输出都有记录,智能体的推理链很难作为合规依据。
3. 成本可控。 智能体每次对话都消耗额外token做规划决策。工厂产线上一个Bot日均上千次调用,工作流固定路径的token消耗是可预测的。
4. 客户信任。 跟工厂IT负责人说"AI会自己决定怎么处理你的问题",对方大概率不接受。说"我们预设了固定流程,每一步可控可审计",这才能签合同。
最佳实践是两者结合:用工作流做骨架,固定主流程确保确定性和可审计;在特定节点内嵌智能体能力,比如"未命中知识库"的分支里让Agent做一轮开放式关联推理或转人工判断。Coze 2.5和FastGPT的Flow编排都支持这种混合模式。
四、SKILL能替代工作流吗?
不能。SKILL和工作流是能力与编排的关系,不是同一层面。
SKILL是智能体可以调用的原子能力单元——"搜索知识库""查设备台账""调MES接口"。工作流是把这些能力按固定顺序、条件分支、数据传递规则编排起来的骨架。
打个比方:SKILL是工人会的手艺(会焊接、会编程、会巡检),工作流是SOP工艺单(先做什么、再做什么、什么情况走哪条线)。手艺再全,没有工艺单就是一盘散沙。
三个核心原因:
1. 调用决策权归属不同。 用户问"3号产线设备故障代码E-204怎么处理"——你需要的是必定先查故障代码库,必定关联SOP,必定标注安全提示,必定记录工单。这个"必定"只能由工作流保证,不能交给智能体去"判断要不要查"。
2. SKILL之间没有显式数据流。 SKILL A查到设备编号,SKILL B需要用这个编号查故障手册。纯智能体模式下,数据传递靠模型在上下文里"记住"再"传过去"——对话变长或中间插了别的问题,就可能丢失或传错。工作流里每个节点的输入输出是显式绑定的结构化管道。
3. 事务性和可审计性。 工业场景要求整个流程要么全部成功,要么有明确的失败记录和回滚逻辑。工作流天然支持事务概念——第3步失败了走兜底分支,记录失败原因,通知人工。SKILL各自独立,没有全局事务管理。
正确关系:SKILL是工作流的节点。 先画工作流骨架,再往每个节点填对应的SKILL,这才是正确的交付顺序。SKILL越丰富,工作流能编排的场景就越强——两者是乘法关系,不是替代关系。
写在最后
工业AI落地,不在于用多前沿的技术,而在于用最可控的方式解决实际问题。
Coze还是FastGPT、工作流还是智能体、SKILL还是工作流——这些不是选择题,而是搭积木。先搞清楚你的场景需要什么,再把合适的工具组合起来。
扎根现场,产出实效。
这是FDE团队一直坚持的交付哲学。如果你也在做工厂AI落地,欢迎交流。
凡达恩FDE — 工业AI落地服务商
主营:工业大模型私有化部署、工厂知识库、产线数字化改造全流程服务
三大配套:标手Top(投标AI)| GEO(品牌心智)| OPC(单人创业赋能)
Deal Onsite, Deliver Real Value

如果觉得有用,欢迎分享给更多人 🎉
- END -