2. FastGPT中的工作流
那么这一章是对上一章的一个延续
主要是说明在Dify和FastGPT之间的工作流编排的区别。
在FastGPT之中，仍然具有直接创建机器人和工作流两种方式
对于工作流的话，使用起来和Dify大致相似。只是编排的形式不一样。
具有一个额外的系统配置节点，可以在这个配置节点中配置整个工作流的详情。
其节点和节点的配置方式也是类似。
接下来是两者之间的详细节点对比
- 对于AI对话节点，基本相同
同样支持书写提示词，当中插入变量，设置知识库引用。
- 对于知识库集成，提供了更强的能力
首先最直观的就是支持配置问题优化
因为很多用户的问题往往表达性不好,因此引入一个大模型进行问题优化是有必要的
- 工具调用节点
对于FastGPT中的工具调用，提供了额外的搭配节点，即工具调用终止节点。
可以结束本次调用，接在某个工具后，当工作流执行到这个节点的时候，会直接结束这个工具调用，
自定义工具变量，也就是预设变量，方便工具的使用。
- 问题分类节点
在这个节点中，额外提供了背景知识这个概念
也就是在让LLM进行问题分类的同时，可以通过阅读背景知识来增强选择。
- 文本内容提取
官方提供的一个变量提取器，可以和变量更新节点配合使用
通过声明目标字段来进行提取字段
可以通过这些判断来决定是否开启下一阶段。
变量节点如下
选择一个引用变量，并设置其的新值。
- 用户交互
在FastGPT中，提供了两种用户交互方式，一种是用户的选择，一种是用户的输入
对于用户的选择，则可以配置多种选项
由用户选择获得下文变量
除此外就是表单输入
输入说明文字，告知用户为什么需要填写
以及新增表单配置，来增加部分的参数
让用户选择给予一些上下文信息，类似Dify的开始变量，只不过这是一种固定的选择。
- 文本拼接
对某些文本类型的变量进行加工，这也是一个不错的创新，这里可以注意，用户问题也是一种问题类型。
- 代码执行
这里需要注意，FastGPT仅仅支持js类型的代码，但是因为和Dify一样，代码最终运行在沙盒之中，无法进行网络请求和异步操作。
其中输入类似Dify，声明变量名一致即可
对于输出，则是需要返回一个Object对象
根据变量名来获取到object中的key
- 知识库结果合并
可以将多个知识库的结果合并为一个结果进行输出，通过RRF进行重新排序，并且支持通过token数量来进行过滤。
这也是一个非常优秀的优化点。
导入Gapier的Agent工具
FastGPT支持导入别人开发的Agent Tools，但是由于是使用Function Call来调用的工具，因此需要模型支持Function Call功能，这一点可以在模型配置中看到。