FastGPT: Unternehmens-AI-Agenten mit visuellen Workflows und RAG-Wissensbasis bauen

FastGPT schließt eine sehr konkrete Lücke: Richtlinien, Produkthandbücher und Ticketverläufe liegen längst als Dokumente vor, doch wer einen einzigen Satz braucht, klickt weiter durch Ordner, fragt Kolleginnen und Kollegen oder verlässt sich auf eine Stichwortsuche. Die Plattform macht aus diesen Dokumenten zuerst eine durchsuchbare Wissensbasis, verkettet Abruf, Bewertung und Antwort in einem visuellen Workflow und veröffentlicht diesen Ablauf als Einstiegspunkt, den Menschen tatsächlich öffnen. Der Zusammenbau läuft überwiegend per Drag-and-drop.

Drei Teile teilen sich eine Oberfläche. Die Wissensbasis bereitet Dokumente, Datenbanksätze und API-Daten als abrufbares Material auf. Der Workflow entscheidet, was mit einer Frage geschieht: Absicht klassifizieren, abrufen, prüfen ob ein Mensch übernehmen muss, antworten. Die Modellebene formt die gefundenen Passagen zu Text. Weil die Zuständigkeiten getrennt sind, lässt sich ein Fehler auf eine bestimmte Stufe zurückführen, statt ihn dem Modell anzulasten.

Die Ausrichtung ist internes Werkzeug, nicht Demo-Spielzeug. Teamräume, geteilte Workflows und zentrale Verwaltung von Wissensbasen und Variablen wirken unspektakulär, sind aber die Voraussetzung dafür, dass aus einem Prototyp ein Abteilungswerkzeug wird: wer einen Ablauf geändert hat, welche Anwendungen eine Wissensbasis nutzen, wo eine Variable wiederverwendet wird. Die Quellseite nennt keine Preise, keine Kontingente je Tarif und keine Angabe zum Speicherort der Daten, das sollte vor der Entscheidung beim Anbieter geklärt werden.

Hauptfunktionen

Visueller Workflow

Knoten ziehen und verbinden, um Datenflüsse und Aufgaben automatisch ablaufen zu lassen, ohne Code zu schreiben. Geeignet für mehrstufige Logik wie Material suchen, Anfrage klassifizieren, aus einer Vorlage antworten; das Team versteht das Diagramm ohne Editor.

Wissensbasis mit RAG

Interne Dokumente, Datenbanken und APIs werden zu einer Wissensbasis, auf der Antworten fußen. Der Abruf sorgt dafür, dass Antworten auf echtes Material zeigen, statt allein aus dem Modellgedächtnis zu kommen. Allerdings entscheiden Aufteilung und Dokumentqualität über das Ergebnis, Nachjustieren ist einzuplanen.

Mehrere Modellanbieter

ChatGPT, Claude, DeepSeek und Baidu ERNIE werden als unterstützte Modelle genannt. Wer nach Aufgabe wählt, kann leichte Modelle für häufige Fragen behalten und stärkere für Schlussfolgerungen einsetzen.

Vorgefertigte KI-Bausteine

Dialog, Wissenssuche, Fragenklassifikation und Dokumentenanalyse kommen als fertige Knoten. Verpackte Standardfunktionen verringern wiederholtes Bauen und erlauben auch nicht-technischen Rollen, Abläufe mitzugestalten.

Anbindung an bestehende Systeme

Feishu, DingTalk, WeCom und verschiedene Datenbanken lassen sich verbinden, damit der Assistent dort lebt, wo das Team ohnehin arbeitet. Integration senkt vor allem die Kosten des Öffnens, und die Nutzung folgt diesen Kosten.

Absichtserkennung im Dialog

Der Chatbot leitet unterschiedliche Absichten in verschiedene Workflows, interagiert mitten im Gespräch, fragt nach Bestätigung und hat einen Rückfallpfad, wenn die Absicht unklar bleibt. Teilen sich mehrere Bereiche einen Einstieg, entscheidet diese Stufe darüber, ob Nutzer im richtigen Ablauf landen.

Inhalte sammeln und aufbereiten

Webseiten abrufen, Markdown in Dateien wandeln, Trendlisten holen, Text extrahieren und Base64 kodieren bilden eine durchgehende Kette. Nützlich für Nachrichtenzusammenfassungen oder Wettbewerbsbeobachtung mit laufender Datenzufuhr.

Werkzeugkasten und MCP-Erweiterung

Codeausführung, HTTP-Anfragen, Bedingungen und Stapelverarbeitung sind enthalten, eigene Fähigkeiten lassen sich über Protokolle wie MCP ergänzen. Das ist der Ausweg, wenn kein Standardknoten eine Anforderung abdeckt.

Zusammenarbeit und Assets

Teamräume, geteilte Workflows und zentrale Verwaltung von Wissensbasen und Variablen tragen Zusammenarbeit und automatisierten Betrieb. Wenn mehrere Personen denselben Ablauf bearbeiten, zählen klare Grenzen mehr als die Zahl der Funktionen.

So funktioniert der Einstieg

1. Die FastGPT-Website aufrufen, registrieren, anmelden und den Arbeitsbereich öffnen.
2. Den Bereich Wissensbasis öffnen, vorbereitete Dokumente importieren und Analyse sowie Indexierung abwarten.
3. Im Arbeitsbereich einen neuen Workflow anlegen und benennen; es erscheint eine leere Leinwand.
4. Einen Knoten für die Wissenssuche hinzufügen und auf die importierte Basis zeigen lassen, dann einen Dialog-Knoten ergänzen, beide verbinden und Modell sowie Anweisung konfigurieren.
5. Die Vorschau starten und eigene Fragen stellen, um zu prüfen, ob gefundene Passagen und endgültige Antwort zusammenpassen.
6. Anschließend als anmeldefreie Seite, API, Feishu- oder DingTalk-Bot oder offizielles WeChat-Konto veröffentlichen.

Für wen geeignet

• Verwaltung und Personalwesen, die Richtlinien, Spesenregeln und Onboarding-Leitfäden in einen Abfragepunkt verwandeln.
• Betrieb und Support, die Gesprächsleitfäden und Tickethistorie für geführte Antworten, Weiterleitung und Tonwarnungen bündeln.
• Entwickler, die wiederkehrende API-Verkettung, Datenbereinigung und Berichte in wiederverwendbare Abläufe packen.
• E-Commerce und Weiterbildung mit vielen standardisierten Fragen zu Bestellungen, Beständen und Kursen.

Grenzen

• Die Quellseite nennt keine Preise, kein kostenloses Kontingent, keine Tarifunterschiede und keinen Speicherort der Daten; vor dem Kauf beim Anbieter klären.
• Die Qualität hängt stark von der Dokumentaufteilung und der Aktualisierungsfrequenz ab; veraltete Dokumente erzeugen selbstsichere Fehlantworten.
• Der Abruf garantiert, dass eine Passage gefunden wird, nicht dass die Schlussfolgerung stimmt; Finanzen, Recht und Medizin brauchen weiterhin menschliche Prüfung.
• Die genannten Szenarien sind breit, öffentliche quantitative Fallstudien für einzelne Branchen fehlen.
• Aufrufe externer Modelle verursachen zusätzliche Kosten und Compliance-Prüfungen, einschließlich Fragen der Datenübermittlung in Drittländer.

Häufige Fragen

Braucht man Programmierkenntnisse?

Für einfache Abläufe nicht. Ziehen und Verbinden reicht für Wissensabfragen und Absichtslenkung. Codeausführung, HTTP-Anfragen und eigene Parameterlogik setzen jedoch technisches Grundwissen voraus.

Worin unterscheidet es sich vom direkten Modellaufruf?

Ein direkter Aufruf stützt sich auf das Gedächtnis des Modells. FastGPT fügt eine Abrufstufe ein, damit Antworten auf eigenen Dokumenten beruhen, und die Workflow-Ebene steuert mehrstufige Logik, Verzweigungen und Aufrufe externer Systeme.

Welche Modelle lassen sich anbinden?

Genannt werden ChatGPT, Claude, DeepSeek und Baidu ERNIE. Verfügbarkeit, Parameter und Abrechnung richten sich nach der Konfiguration der Plattform.

Wo lässt sich ein fertiger Agent veröffentlichen?

Als anmeldefreie Seite, API oder Bot in Feishu, DingTalk oder einem offiziellen WeChat-Konto, damit das Team in vertrauten Werkzeugen fragt.

Welche Datenquellen nimmt die Wissensbasis auf?

Dokumente, Datenbanken und APIs werden erwähnt. Unterstützte Dateiformate und Größengrenzen je Datei sind auf der Quellseite nicht einzeln aufgeführt.