FastGPT：ビジュアルワークフローとRAG知識ベースで企業向けAIエージェントを構築

FastGPTが埋めようとしているのは、とても具体的な隙間です。社内には規程、製品マニュアル、問い合わせ履歴がすでに文書として蓄積されているのに、必要な一文を探す従業員はフォルダをたどり、同僚に聞き、キーワード検索の結果を信じるしかありません。プラットフォームはまず文書を検索可能な知識ベースに変え、検索・判断・回答をひとつのビジュアルワークフローとしてつなぎ、最後にそのフローを実際に開かれる入口として公開します。組み立てのほとんどはノードをドラッグする作業です。

三つの要素が同じ画面に共存します。知識ベースは文書、データベースのレコード、APIのデータを検索可能な素材として整えます。ワークフローは問い合わせに対して何を行うかを決めます。意図を分類し、検索し、人に渡すべきか判断し、回答する。モデル層は検索で得た断片を文章に変えます。役割が分かれているため、誤りが出たときにモデルのせいにするのではなく、どの段階でずれたかを追えます。

位置づけはデモ用の玩具ではなく社内ツールです。チームスペース、共有ワークフロー、知識ベースと変数の一元管理は地味に見えますが、試作品を部門の道具にするための前提条件です。誰がフローを編集したか、どのアプリがどの知識ベースを参照しているか、変数がどこで再利用されているか。元ページには料金、プランごとの上限、データの保存地域が示されていないため、選定時に提供元へ確認が必要です。

主な機能

ビジュアルワークフロー

ノードをドラッグして線でつなぐだけで、コードを書かずにデータの流れと業務の自動化を組み立てられます。資料を探し、依頼を分類し、テンプレートで回答するといった複数段階の処理に向き、図を見ればチーム全員が流れを把握できます。

RAG知識ベース

社内文書、データベース、APIを知識ベースとしてまとめ、回答の根拠にします。検索を挟むことで、モデルの記憶だけに頼らず実際の資料に基づいた回答になります。ただし分割の仕方と文書の品質が結果を左右するため、調整は前提です。

複数モデルの接続

ChatGPT、Claude、DeepSeek、Baidu ERNIEなどが利用先として挙げられています。作業ごとに使い分ければ、よくある質問には軽いモデル、推論が重い処理には強いモデルを割り当てられます。

AI部品のプリセット

対話、知識ベース検索、質問の分類、文書解析が既成のノードとして用意されています。よくある処理を部品化することで組み立ての重複が減り、非開発職も設計に参加できます。

外部サービス連携

Feishu、DingTalk、WeCom、各種データベースに接続し、従業員が普段使う場所に問い合わせ口を置けます。連携の本質は道具を開くまでの手間を下げることで、利用率はその手間に比例します。

会話内の意図振り分け

チャットボットが意図ごとに別のワークフローへ振り分け、会話の途中で利用者とやり取りし、確認を求め、意図が不明なときの受け皿も用意できます。複数の業務が一つの入口を共有する場合、この段階が正しいフローに案内できるかを決めます。

コンテンツ取得と加工

Webページの取得、Markdownのファイル化、トレンド一覧の取得、テキスト抽出、Base64の変換までを一続きの処理として提供します。継続的にデータを集めるニュース要約や競合調査に向いています。

ツールボックスとMCP拡張

コード実行、HTTPリクエスト、条件分岐、一括実行を内蔵し、MCPなどのプロトコルで独自の機能を追加できます。標準ノードで要件を満たせないときの逃げ道になります。

チーム協業と資産管理

チームスペース、共有ワークフロー、知識ベースや変数の一元管理により、企業規模の協業と自動運用を支えます。複数人が同じフローを編集する場面では、機能の数よりも資産の境界が重要になります。

使い方

1. FastGPTの公式サイトにアクセスし、登録してログインし、作業画面に入ります。
2. 知識ベースを開き、用意した電子文書を読み込んで、解析と索引付けの完了を待ちます。
3. ワークスペースに移動し、新しいワークフローを作成して名前を付けます。空のキャンバスが表示されます。
4. 知識ベース検索のノードを追加して読み込み済みの知識ベースを指定し、AI対話のノードを追加して二つをつなぎ、モデルと指示文を設定します。
5. 実行してプレビュー画面から自分の知識ベースに質問し、検索された断片と最終回答が噛み合っているか確認します。
6. 問題なければ、ログイン不要のページ、API、FeishuやDingTalkのボット、WeChat公式アカウントとして公開します。

向いている利用者

• 総務・人事：規程、経費精算、入社案内を問い合わせ窓口にし、同じ質問への対応を減らす。
• 運用・サポート：対応スクリプトと問い合わせ履歴を蓄積し、案内、振り分け、感情の警告に使う。
• 開発エンジニア：繰り返しのAPI連携、データ整形、レポート作成を使い回せるフローにする。
• EC・教育：注文、在庫、講座の問い合わせなど定型的な件数を大量に処理する。

注意点

• 元ページには料金、無料枠、プラン間の機能差、データの保存地域が示されていません。導入前に提供元へ確認してください。
• 回答の質は文書の分割方法と更新頻度に大きく依存します。古い文書は自信ありげな誤答につながります。
• 検索は「見つかる」ことを保証しますが「正しい」ことは保証しません。財務、法務、医療に関わる結論は人の確認が必要です。
• 示されている活用例は幅広く、業種ごとの定量的な導入事例は公開されていません。
• 外部モデルの呼び出しには追加費用とコンプライアンス確認が必要で、データの越境移転の扱いも自社で評価する必要があります。

よくある質問

プログラミングは必要ですか？

基本的なフローは不要です。ノードのドラッグで知識ベースの質疑応答や意図の振り分けを組み立てられます。ただしコード実行、HTTPリクエスト、独自パラメータの処理には一定の技術知識が要ります。

モデルを直接呼ぶのと何が違いますか？

直接呼び出しはモデル自身の記憶に頼ります。FastGPTは検索の段階を挟み、自社文書に基づいた回答にするとともに、フロー層で複数段階の処理、分岐、外部システム連携を制御します。

どのモデルに接続できますか？

ChatGPT、Claude、DeepSeek、Baidu ERNIEなどが挙げられています。実際の利用可否、パラメータ、課金はプラットフォームの設定によります。

完成したエージェントはどこに公開できますか？

ログイン不要のページ、API、FeishuやDingTalkのボット、WeChat公式アカウントとして公開でき、従業員は普段のツールから質問できます。

知識ベースはどんなデータ源に対応しますか？

社内文書、データベース、APIが挙げられています。対応するファイル形式や1ファイルあたりの上限は元ページに明記されていません。