FastGPT : construire des agents IA d'entreprise avec des workflows visuels et des bases RAG

FastGPT s'attaque à un écart très concret : l'entreprise stocke déjà ses politiques, manuels produit et tickets sous forme de documents, mais celui qui cherche une phrase ouvre encore des dossiers, interroge un collègue ou fait confiance à une recherche par mots-clés. La plateforme transforme d'abord ces documents en base interrogeable, enchaîne recherche, raisonnement et réponse dans un workflow visuel, puis publie ce flux comme un point d'entrée que les gens ouvrent réellement. L'assemblage se fait surtout à la souris.

Trois pièces partagent une même interface. La base de connaissances prépare documents, enregistrements de bases de données et données d'API comme matériau consultable. Le workflow décide du traitement d'une question : classer l'intention, chercher, juger si un humain doit prendre le relais, répondre. La couche modèle transforme les extraits trouvés en texte. Comme les responsabilités sont séparées, une erreur se rattache à une étape précise au lieu d'être imputée au modèle.

Le positionnement est celui d'un outil interne, pas d'un jouet de démonstration. Espaces d'équipe, workflows partagés et gestion centralisée des bases et des variables paraissent ternes, mais conditionnent le passage du prototype à l'outil de service : qui a modifié un flux, quelles applications utilisent une base, où une variable est réutilisée. La page source ne précise ni tarifs, ni quotas par offre, ni localisation des données : à vérifier auprès de l'éditeur.

Fonctions principales

Workflows visuels

Glisser des nœuds et tracer des liens pour construire des flux de données et automatiser des tâches sans écrire de code. Adapté aux logiques en plusieurs étapes, comme chercher la matière, classer la demande puis répondre depuis un gabarit ; l'équipe lit le schéma sans ouvrir d'éditeur.

Base de connaissances avec RAG

Documents internes, bases de données et API deviennent une base qui fonde les réponses. La recherche fait pointer la réponse vers du matériau réel plutôt que vers la seule mémoire du modèle, mais le découpage et la qualité des documents déterminent le résultat : prévoyez des réglages.

Plusieurs fournisseurs de modèles

ChatGPT, Claude, DeepSeek et ERNIE de Baidu sont cités. Choisir par tâche permet de garder des modèles légers pour les questions courantes et d'en réserver de plus puissants aux étapes de raisonnement.

Composants IA prêts à l'emploi

Conversation, recherche dans la base, classification de questions et analyse de documents arrivent en nœuds prêts. Empaqueter le courant réduit l'assemblage répétitif et permet à des profils non techniques de participer à la conception.

Intégrations à l'écosystème

Connexion à Feishu, DingTalk, WeCom et à diverses bases de données pour que l'assistant vive là où l'équipe travaille déjà. Intégrer revient surtout à réduire le coût d'ouverture, et l'usage suit ce coût.

Routage d'intention en conversation

Le chatbot oriente chaque intention vers un workflow différent, échange en cours de route, demande confirmation et prévoit un repli quand l'intention reste floue. Quand plusieurs métiers partagent une même entrée, cette étape décide si l'utilisateur atterrit dans le bon flux.

Collecte et traitement de contenus

Extraction de pages web, conversion Markdown en fichier, récupération de listes de tendances, extraction de texte et encodage Base64 forment une chaîne unique. Utile pour des revues de presse ou une veille concurrentielle alimentée en continu.

Boîte à outils et extension MCP

Exécution de code, requêtes HTTP, conditions et traitement par lots sont inclus, et des capacités maison s'ajoutent via des protocoles comme MCP. C'est la sortie de secours quand aucun nœud standard ne couvre le besoin.

Collaboration et actifs

Espaces d'équipe, workflows partagés et gestion centralisée des bases et variables soutiennent la collaboration et l'exploitation automatisée. Quand plusieurs personnes modifient un flux, des frontières claires comptent plus que le nombre de fonctions.

Prise en main

1. Ouvrir le site de FastGPT, s'inscrire et se connecter pour atteindre l'espace de travail.
2. Aller dans la base de connaissances, importer les documents préparés et attendre la fin de l'analyse et de l'indexation.
3. Dans l'espace de travail, créer un workflow et le nommer ; un canevas vide apparaît.
4. Ajouter un nœud de recherche dans la base et le pointer vers la base importée, puis ajouter un nœud de conversation, relier les deux et configurer modèle et consigne.
5. Lancer l'aperçu et poser ses propres questions pour vérifier que les extraits trouvés et la réponse finale concordent.
6. Publier ensuite en page sans connexion, API, bot Feishu ou DingTalk, ou compte officiel WeChat.

Pour qui

• Administration et RH qui transforment politiques, notes de frais et guides d'intégration en point d'interrogation.
• Opérations et support qui capitalisent scripts et historique de tickets pour des réponses guidées, un aiguillage et des alertes de ton.
• Développeurs qui empaquettent enchaînements d'API, nettoyage de données et rapports en flux réutilisables.
• E-commerce et formation confrontés à un fort volume de questions sur commandes, stocks et cours.

Limites

• La page source ne précise ni tarifs, ni quota gratuit, ni différences entre offres, ni localisation des données ; à confirmer auprès de l'éditeur.
• La qualité dépend fortement du découpage des documents et de leur fréquence de mise à jour ; un document périmé produit une erreur affirmée avec assurance.
• La recherche garantit qu'un extrait est trouvé, pas que la conclusion est juste ; finance, juridique et santé exigent encore une relecture humaine.
• Les scénarios cités restent larges et aucune étude de cas chiffrée par secteur n'est publiée.
• Les appels à des modèles tiers ajoutent coûts et revue de conformité, y compris sur les transferts de données hors du pays.

Questions fréquentes

Faut-il savoir coder ?

Pas pour les flux de base : le glisser-déposer couvre les questions sur la base et le routage d'intention. L'exécution de code, les requêtes HTTP et la gestion de paramètres propres supposent en revanche une culture technique.

Quelle différence avec un appel direct au modèle ?

Un appel direct s'appuie sur la mémoire du modèle. FastGPT insère une étape de recherche pour fonder la réponse sur vos documents, et la couche workflow pilote une logique multi-étapes, des branchements et des appels à des systèmes externes.

Quels modèles sont pris en charge ?

ChatGPT, Claude, DeepSeek et ERNIE de Baidu figurent parmi les options. La disponibilité réelle, les paramètres et la facturation dépendent de la configuration de la plateforme.

Où publier l'agent terminé ?

En page sans connexion, API, ou bot dans Feishu, DingTalk ou un compte officiel WeChat, pour que l'équipe interroge depuis ses outils habituels.

Quelles sources la base accepte-t-elle ?

Documents, bases de données et API sont mentionnés. Les formats pris en charge et la taille maximale par fichier ne sont pas détaillés sur la page source.