FastGPT: 비주얼 워크플로와 RAG 지식 베이스로 기업용 AI 에이전트 구축

FastGPT가 메우려는 틈은 아주 구체적입니다. 기업은 이미 규정, 제품 매뉴얼, 문의 이력을 문서로 쌓아 두었지만, 문장 하나가 필요한 직원은 여전히 폴더를 뒤지고 동료에게 묻고 키워드 검색 결과를 믿어야 합니다. 플랫폼은 먼저 그 문서를 검색 가능한 지식 베이스로 바꾸고, 검색과 판단과 응답을 하나의 비주얼 워크플로로 엮은 다음, 그 흐름을 사람들이 실제로 여는 진입점으로 배포합니다. 조립의 대부분은 노드를 끌어다 놓는 작업입니다.

세 요소가 같은 화면에 있습니다. 지식 베이스는 문서, 데이터베이스 레코드, API 데이터를 검색 가능한 재료로 정리합니다. 워크플로는 질문 하나가 어떤 단계를 거칠지 정합니다. 의도를 분류하고, 검색하고, 사람에게 넘길지 판단하고, 답합니다. 모델 계층은 검색된 구절을 문장으로 만듭니다. 역할이 나뉘어 있어 오류가 났을 때 모델 탓으로 돌리는 대신 어느 단계에서 어긋났는지 추적할 수 있습니다.

지향점은 시연용 장난감이 아니라 사내 도구입니다. 팀 공간, 공유 워크플로, 지식 베이스와 변수의 통합 관리는 눈에 띄지 않지만, 시제품이 부서의 도구가 되기 위한 전제 조건입니다. 누가 흐름을 고쳤는지, 어떤 앱이 어떤 지식 베이스를 참조하는지, 변수가 어디서 재사용되는지를 확인할 곳이 필요합니다. 원문 페이지에는 요금, 요금제별 한도, 데이터 저장 지역이 나와 있지 않으므로 도입 전에 제공사에 확인해야 합니다.

주요 기능

비주얼 워크플로 구성

노드를 끌어다 놓고 선을 그어 데이터 흐름과 업무 자동화를 만듭니다. 코드를 쓰지 않아도 됩니다. 자료를 찾고 요청을 분류한 뒤 템플릿으로 답하는 여러 단계 논리에 알맞고, 동료가 편집기를 열지 않고도 그림만 보고 흐름을 이해할 수 있습니다.

RAG 지식 베이스

사내 문서, 데이터베이스, API를 지식 베이스로 정리해 답변의 근거로 삼습니다. 검색 단계를 두면 모델 기억에만 의존하지 않고 실제 자료에 기반한 답이 나옵니다. 다만 문서 분할 방식과 품질이 결과를 좌우하므로 조정이 필요합니다.

여러 모델 연결

ChatGPT, Claude, DeepSeek, Baidu ERNIE 등이 지원 대상으로 제시됩니다. 작업별로 나눠 쓰면 흔한 질문에는 가벼운 모델을, 추론이 무거운 단계에는 더 강한 모델을 배치할 수 있습니다.

AI 구성 요소 기본 제공

대화, 지식 베이스 검색, 질문 분류, 문서 파싱이 바로 쓰는 노드로 제공됩니다. 흔한 기능을 부품화하면 반복 조립이 줄고 비개발 직군도 설계에 참여할 수 있습니다.

외부 서비스 연동

Feishu, DingTalk, WeCom, 각종 데이터베이스에 연결해 임직원이 이미 쓰는 공간에 질문 창구를 둡니다. 연동의 본질은 도구를 여는 비용을 낮추는 일이며, 사용률은 그 비용을 따라갑니다.

대화 내 의도 라우팅

챗봇이 의도별로 다른 워크플로로 보내고, 대화 중간에 사용자와 주고받고, 확인을 요청하며, 의도가 불분명할 때를 대비한 대체 경로를 둘 수 있습니다. 여러 업무가 하나의 진입점을 공유할 때 이 단계가 올바른 흐름으로 안내하는지를 결정합니다.

콘텐츠 수집과 가공

웹 페이지 수집, Markdown 파일 변환, 인기 목록 조회, 텍스트 추출, Base64 인코딩을 하나의 흐름으로 제공합니다. 계속 데이터를 모아야 하는 뉴스 요약이나 경쟁사 모니터링에 적합합니다.

도구 상자와 MCP 확장

코드 실행, HTTP 요청, 조건 분기, 일괄 실행을 내장하고 MCP 같은 프로토콜로 자체 기능을 추가할 수 있습니다. 표준 노드로 요구를 채울 수 없을 때의 출구입니다.

협업과 자산 관리

팀 공간, 공유 워크플로, 지식 베이스와 변수의 통합 관리가 협업과 자동 운영을 뒷받침합니다. 여러 사람이 같은 흐름을 고칠 때는 기능 수보다 자산 경계가 중요합니다.

사용 방법

1. FastGPT 공식 사이트에 접속해 가입하고 로그인한 뒤 작업 화면으로 들어갑니다.
2. 지식 베이스를 열고 준비한 전자 문서를 가져온 뒤 파싱과 색인 완료를 기다립니다.
3. 워크스페이스에서 새 워크플로를 만들고 이름을 붙이면 빈 캔버스가 나타납니다.
4. 지식 베이스 검색 노드를 추가해 방금 가져온 지식 베이스를 지정하고, AI 대화 노드를 추가해 두 노드를 연결한 뒤 모델과 지시문을 설정합니다.
5. 실행을 눌러 미리보기에서 직접 질문하고 검색된 구절과 최종 답변이 맞물리는지 확인합니다.
6. 문제가 없으면 로그인 없는 페이지, API, Feishu나 DingTalk 봇, WeChat 공식 계정으로 배포합니다.

적합한 사용자

• 총무와 인사: 규정, 경비 처리, 입사 안내를 문답 창구로 만들어 반복 응대를 줄입니다.
• 운영과 고객지원: 응대 스크립트와 문의 이력을 축적해 안내, 배분, 감정 경고에 활용합니다.
• 개발 엔지니어: 반복되는 API 연동, 데이터 정리, 보고서 생성을 재사용 가능한 흐름으로 만듭니다.
• 이커머스와 교육: 주문, 재고, 강좌 문의처럼 정형화된 문의를 대량으로 처리합니다.

한계와 주의점

• 원문 페이지에 요금, 무료 한도, 요금제별 기능 차이, 데이터 저장 지역이 없습니다. 도입 전에 제공사에 확인해야 합니다.
• 답변 품질은 문서 분할 방식과 갱신 주기에 크게 좌우됩니다. 오래된 문서는 자신 있게 틀린 답을 만듭니다.
• 검색은 '찾을 수 있음'을 보장하지만 '맞음'을 보장하지 않습니다. 재무, 법무, 의료 판단은 사람의 검토가 필요합니다.
• 제시된 활용 사례는 폭이 넓고, 업종별 정량 사례는 공개되어 있지 않습니다.
• 외부 모델 호출에는 추가 비용과 컴플라이언스 검토가 따르며, 데이터 국외 이전 규정도 직접 평가해야 합니다.

자주 묻는 질문

코딩이 필요한가요?

기본 흐름은 필요 없습니다. 노드를 끌어다 놓는 것만으로 지식 베이스 문답과 의도 라우팅을 만들 수 있습니다. 다만 코드 실행, HTTP 요청, 자체 파라미터 처리에는 어느 정도 기술 지식이 필요합니다.

모델을 직접 호출하는 것과 무엇이 다른가요?

직접 호출은 모델 자체의 기억에 의존합니다. FastGPT는 검색 단계를 넣어 사내 문서에 근거한 답을 만들고, 워크플로 계층에서 여러 단계 논리와 분기, 외부 시스템 호출을 제어합니다.

어떤 모델을 연결할 수 있나요?

ChatGPT, Claude, DeepSeek, Baidu ERNIE 등이 거론됩니다. 실제 사용 가능 여부와 파라미터, 과금은 플랫폼 설정에 따릅니다.

완성한 에이전트는 어디에 배포하나요?

로그인 없는 페이지, API, Feishu나 DingTalk 봇, WeChat 공식 계정으로 배포해 임직원이 익숙한 도구에서 질문할 수 있습니다.

지식 베이스는 어떤 데이터 원천을 지원하나요?

사내 문서, 데이터베이스, API가 언급됩니다. 지원 파일 형식과 파일당 크기 한도는 원문 페이지에 항목별로 정리되어 있지 않습니다.