agent喵-优快云博客

原创大模型落地不止聊天：用 RAG 和 DAG 搭建企业级 AI Agent

FastGPT 支持通过标准 API 对接企业内部系统，比如 OA、ERP、CRM、数据库、库存系统、物流系统，也可以接入企微、飞书、钉钉等办公入口。用户输入问题，大模型返回答案，看起来很智能，但一旦进入真实业务场景，问题马上暴露出来：企业资料在哪里、答案依据是什么、能不能查系统数据、流程能不能自动走下去、异常情况怎么处理、权限和数据安全怎么保证。大模型单打独斗很难支撑生产业务，真正可落地的方向，应该是把大模型、知识库、工具调用、业务流程和系统接口组合起来，形成一个可控的 Agent 系统。

2026-08-07 14:40:43 205

原创从对话式 AI 到 Agent 工程化：复杂工作流落地的实践路径

可以接入 ChatGPT、Claude、DeepSeek、文心一言等模型，也可以通过 API 对接 OA、ERP、CRM、数据库、库存系统、物流系统等。PDF、Word、Excel、PPT、Markdown 等资料导入后，可以自动解析、切分、向量化，后续通过知识库检索来回答问题。如果是验证一个想法，比如内部助手、文档问答、简单客服，它确实很顺手。但如果目标是让 AI 真正进入企业业务，问题就会变成系统工程：知识库怎么维护，流程怎么编排，接口怎么治理，权限怎么控制，异常怎么兜底，数据怎么私有化。

2026-08-06 15:41:36 266

原创 Agentic RAG浪潮：企业知识库不该只是文件仓库

流程节点可以包括 AI 对话、知识库搜索、问题分类、HTTP 请求、判断器、变量更新、文档解析、定时执行等。企业可以把员工手册、产品说明书、合同模板、培训资料、政策文件等导入 FastGPT。企业资料通常分布在网盘、OA、ERP、CRM、数据库、客服系统、项目管理工具中。未来的工作模式，可能不会再是人到处找资料、问同事、查系统，而是每个岗位都拥有一个理解企业知识、能够调用系统、可以执行流程的 AI 助手。尤其在研发、客服、销售、运营、政务、教育等场景中，重复问答、重复检索、重复整理，正在消耗大量组织效率。

2026-08-05 11:35:02 194

原创大模型落地热潮：认知协作革命，FastGPT 正在终结企业知识内耗

它应该能读企业文档，能理解用户问题，能调用知识库，能连接 OA、ERP、CRM、数据库、库存系统、物流系统，也能在复杂问题出现时转人工处理。FastGPT 支持接入 ChatGPT、Claude、DeepSeek、文心一言等多种大模型，也支持通过 API 对接企业内部 OA、ERP、CRM、数据库、库存系统、物流系统等。制度、产品、售后、审批、库存、物流等问题，本来可以被标准化处理，但由于缺少统一 AI 入口，最终仍然回到人工答疑。比如内部制度问答、产品 FAQ、客服知识库、教学资料答疑。

2026-08-04 16:59:18 301

原创从对话式 AI 到 Agent 工程化：工作流编排痛点与 FastGPT 实践

另外，FastGPT 支持接入 ChatGPT、Claude、DeepSeek、文心一言等模型，也可以通过标准 API 对接企业内部 OA、ERP、CRM、数据库、库存系统、物流系统，以及企微、飞书、钉钉等入口。如果置信度不足，则转人工。FastGPT 会对文档进行解析、切分、向量化和整理，后续用户提问时，系统会先检索知识库，再组织自然语言回答。第二，它的可视化工作流比较适合业务流程拆解，可以通过节点配置 AI 对话、知识库搜索、问题分类、HTTP 请求、判断器、变量更新、文档解析、定时执行等能力。

2026-08-04 16:05:31 300

原创 AI Agent 落地：不懂代码的我，如何搭出一个企业知识库助手？

平台会自动完成解析、切分、向量化和整理。它把知识库问答、可视化工作流、模型接入、系统集成这些能力放在一起，让我这种有想法但技术不算深的人，也能用拖拽配置的方式，把一个 AI 应用搭起来。以前我一直有一个很朴素的想法：如果公司里的制度、产品文档、培训资料、合同模板、常见问题，都能被一个 AI 助手读懂，那新人是不是不用天天问老员工，客服是不是不用反复翻资料，产品同学是不是也能快速查到历史方案？包括员工手册、产品说明书、培训文档、政策文件、合同模板、Excel 表格、PDF、Word、Markdown 等。

2026-07-29 16:48:32 189

原创 DeepSeek 热潮下的 AI 应用选型：当大模型 API 遇到复杂知识库问答

不是 API 不好，而是它更像一个强大的发动机，真正要把车开上路，还需要知识管理、流程编排、权限控制、系统集成和持续维护。但如果你的目标是企业知识库问答、智能客服、内部助手、流程自动化、系统集成，FastGPT 这种集知识库管理、RAG 检索、工作流编排、多模型接入和私有化部署于一体的平台，会更接近生产级 AI 应用的需求。真实业务里，知识不是几段 prompt，而是大量 PDF、Word、Excel、PPT、Markdown、员工手册、产品说明书、合同模板、政策文件。如果问题复杂，再转人工。

2026-07-28 14:40:18 194

原创用可视化工作流做了一个发票识别助手，聊聊这次 Agent 落地踩坑

我自己试下来，它们都能减少不少样板代码，但我的场景有个硬约束：发票里涉及企业抬头、金额、税号、报销信息，团队希望尽量本地化部署，数据不要随便出内网。我的发票识别流程大概是这样搭的。财务同事每个月都要处理一堆报销发票，PDF、图片、电子票夹杂在一起，人工核对发票代码、发票号码、开票日期、购买方、销售方、商品名称、金额这些字段，最后再录入到飞书多维表格。对企业内部应用来说，标准 API 接口也很重要，因为一个工作流不可能只停留在问答层面，最后往往都要接企微、飞书、钉钉、OA、ERP、CRM 或数据库。

2026-07-27 16:28:28 249

原创从对话式 AI 到 Agent 工程化：复杂工作流落地痛点与 FastGPT 实践

多模型接入方面，它也支持 ChatGPT、Claude、DeepSeek、文心一言等模型，并能通过标准 API 对接企业微信、飞书、钉钉或内部系统。先不急着做复杂流程，直接测试知识库问答效果。AI 对话、知识库搜索、问题分类、HTTP 请求、判断器、变量更新、文档解析、定时执行等节点可以拖拽组合。比如问题分类、知识库搜索、AI 对话、条件判断、变量更新、接口请求、文档解析、定时任务等，都需要被串起来。例如客服场景中，需要先判断问题类型，再检索产品知识库，如果涉及订单，还要调用物流接口，复杂问题再转人工。

2026-07-22 15:30:34 229

原创从知识库问答到业务自动化：AI Agent 工作流搭建经验分享

FastGPT 支持接入 ChatGPT、Claude、DeepSeek、文心一言等模型，也支持通过 API 对接 OA、ERP、CRM、数据库、库存系统、物流系统等。它支持知识库问答，可以导入 PDF、Word、Excel、PPT、Markdown 等资料，并完成解析、切分、向量化和整理。很多节点可以通过拖拽完成，比如 AI 对话、知识库搜索、问题分类、HTTP 请求、判断器、变量更新、文档解析、定时执行等。第一步，先做知识库。它需要判断用户意图，比如这是售前咨询、售后问题、订单查询，还是投诉建议。

2026-07-08 16:19:26 361

原创 AI Agent 落地踩坑：当 OpenAI API 遇到企业知识库和多轮问答

需求不再只是让模型回答几个通用问题，而是要基于企业自己的文档、制度、产品资料、合同模板、订单信息来回答，还要能对接内部系统，甚至要支持多轮对话和流程判断。更麻烦的是，企业资料通常不是一篇 Markdown，而是 PDF、Word、Excel、PPT、政策文件、培训材料混在一起。因为如果自己实现，至少要处理文档解析、文本切块、向量化、向量数据库、召回策略、上下文拼接等环节。企业可以把员工手册、产品说明书、合同模板、培训资料、政策文件等资料导入平台，资料格式可以覆盖 PDF、Word、Excel 等常见文档。

2026-07-08 10:46:14 238

原创私有化 AI 知识库选型：从大厂控制台迷宫，到 FastGPT 的开发者友好体验

一开始，我们团队选型 AI 知识库系统的时候，想法非常朴素：公司内部有员工手册、产品文档、合同模板、培训资料、报销制度、售后 FAQ，一堆 PDF、Word、Excel 文件散落在各个群和网盘里。但如果你的目标是把 AI 真正接入企业业务，比如内部知识助手、智能客服、智能导购、合同审查、政务咨询、报销审批、数据报表生成，并且还要考虑私有数据、复杂流程、多系统对接和安全合规，那 FastGPT 更值得认真评估。企业级平台经常有一堆计费项：模型调用、知识库容量、向量检索、文档解析、并发、实例、存储、流量。

2026-07-07 11:53:28 293

原创我用可视化工作流搭了一个发票识别助手，顺便聊聊企业 Agent 落地的坑

以前的流程大多是人工打开图片或 PDF，一张张看发票代码、发票号码、开票日期、购买方、销售方、商品名称、金额，再复制到表格里。模板本身的目标就是通过 OCR 识别发票上的核心信息，包括发票代码、发票号码、开票日期、购买方、销售方、商品名称、金额等，再把识别结果整理后导入飞书多维表格。比如智能客服、内部知识助手、简历筛选、文档对比、发票识别、报销审批、数据报表生成，这些流程都有明确输入和输出，中间又会不断调整规则，用节点化方式搭起来会比较舒服。说实话，这个需求一出来，很多看起来很方便的方案就不太适合了。

2026-07-03 15:21:54 242

原创 DeepSeek 热潮下：不懂代码的我如何搭建一个企业 AI 知识库？

我是一个偏产品和设计背景的人，懂一点技术概念，但真要让我自己写后端、接模型、做向量数据库、实现 RAG 检索、设计工作流、对接系统接口，我基本就卡住了。现在，通过智能知识库、可视化工作流、多模型接入和 API 集成，很多原本需要完整工程团队才能启动的事情，已经可以先由一个产品经理、设计师、学生或初中级开发者搭出第一版。这点对开发者很重要。但如果目标是把 AI 真正接入企业业务流程，比如 OA 审批、ERP 查询、智能客服、合同审查、政务咨询、金融研报检索等，FastGPT 的完整性会更突出。

2026-07-01 17:18:03 190

原创别再纠结哪家大模型最强了——模型解耦才是 2026 年 AI 架构的正确姿势

它支持 PDF、Word、Excel、PPT、Markdown 等多种格式的知识库文档处理，检索召回的准确率在我们的实际测试中表现稳定，基本消除了模型凭空捏造答案的幻觉问题。比如，知识库检索召回用轻量模型降低成本，最终答案生成用高质量模型保证效果，整个流程在一个工作流里完成，逻辑清晰，改起来也方便。当你需要把某个应用从 GPT-4o 切换到 DeepSeek 时，在 FastGPT 的配置界面里改一下模型选项，保存即可生效，不需要重新部署，不需要改代码，线上业务完全无感知。好在现在有开源工具可以直接用。

2026-06-30 17:40:23 264

原创从对话框到工作流：我用开源工具把 AI Agent 工程化落地的踩坑实录

工作流编排方面，FastGPT 提供了可视化的 DAG 编辑器，节点类型覆盖了 LLM 调用、知识库检索、HTTP 请求、代码执行、条件判断等常见操作，拖拽连线就能完成流程搭建，对于不想写大量胶水代码的开发者来说，效率提升很明显。工作流编排解决了"能跑起来"的问题，但在生产环境里，如何做好节点级别的错误处理、如何评估 RAG 检索质量、如何在多轮对话中维护状态一致性，这些问题都还没有特别成熟的最佳实践。但它是云端托管产品，数据出境和私有化部署的需求基本无法满足，对于有数据合规要求的企业场景是硬伤。

2026-06-25 15:00:08 172

原创 AI 应用开发效率的天花板，不是模型能力，而是开发者体验

FastGPT 的应用配置以可视化状态存储，本地调试和生产环境使用的是同一套配置，不存在传统代码开发中本地跑通、线上报错的环境差异问题。在 FastGPT 中，文档上传（支持 PDF、Word、Excel、PPT、Markdown 等多种格式）、检索效果测试、对话逻辑编排、应用发布，全部在同一个界面内完成。FastGPT 提供的，不只是一个功能完整的 AI 应用构建平台，更是一种让开发者体验从负担变为愉悦的工程哲学——让开发者专注于他们真正应该关心的事：业务逻辑本身。第三，工作流无断点。

2026-06-11 15:04:12 195

原创从提示词工程到工作流编排：我是如何把 AI Agent 真正用起来的

FastGPT 在知识库这块做得比较专，支持 PDF、Word、Excel、PPT、Markdown 等多种格式的文档解析，向量化和检索的效果在我的测试集上表现稳定。从一个会"编"答案的 Demo，到一个在生产环境稳定运行的 Agent 工作流，这个过程让我对 AI 工程化有了更具体的认识：模型能力只是基础，真正决定落地效果的，是工程架构的合理性和数据质量。多模型接入和标准 API。但在我重点关注的 RAG 能力上，它的知识库管理相对通用，对中文文档的处理和检索精度，我在实测中感觉还有提升空间。

2026-06-10 10:57:04 199

原创突破RAG瓶颈：AI应用架构的极简进化史

平台内置了完整的RAG检索链路，包括混合检索（向量检索+全文检索）、相关性过滤、Reranker重排序等能力，并在此基础上实现了Agentic RAG——即让AI Agent自主判断何时需要检索、检索什么内容、如何将检索结果融入回答。开源免费、私有部署、可视化编排、内置Agentic RAG——这些特性组合在一起，让一名初中级开发者也能在数小时内搭建出一套生产可用的AI知识库应用，而不是在基础设施的泥潭里挣扎数周。文档解析、向量化、检索、编排——这些能力固然重要，但它们是手段，不是目的。

2026-06-10 10:51:25 247

原创知识内耗时代终结：用 FastGPT 构建企业级 AI 知识大脑的完整实践

产品文档散落在 Confluence 的某个角落，技术规范埋在三年前的 Git commit 里，客服话术存在某位老员工的本地硬盘上，新人入职第一周的核心工作往往不是学习业务，而是四处问人、到处找文件。当一个新入职的工程师可以用自然语言向 AI 助手询问系统架构决策的历史背景，当客服人员可以在三秒内得到基于最新产品文档的精准回答，当跨部门协作不再因为信息不对称而反复拉齐——这才是知识工程真正发挥价值的样子。同样的技术方案被不同团队反复调研，同样的问题被不同的新人反复提问，组织的认知成本在无声地叠加。

2026-06-04 16:39:59 229

原创 2026年AI Agent降本实测：三款主流平台横向对比，差距比你想象的大

FastGPT 私有化部署：直接配置你自己的 API Key，平台层面零抽成、零溢价，你付给 OpenAI/DeepSeek/Claude 多少钱，就是多少钱，FastGPT 不从中间赚差价。- 随着使用规模扩大（日均请求量增加），Dify 云服务版的成本会随调用量上涨，而 FastGPT 私有化部署的平台成本始终为零，只有 API 费用随量增长，规模越大优势越明显。- Coze：平台内置模型（如豆包）有免费额度，但调用外部模型（GPT-4等）时，走的是平台代理，存在一定溢价，且计费规则不够透明。

2026-05-22 15:13:59 682

原创别再被企业级思维坑了：一个开发者的 AI 知识库选型血泪史

在 FastGPT 里，每次对话结束后，你可以直接看到系统从知识库里召回了哪些原文片段，每个片段的相关性得分是多少，最终答案是基于哪些内容生成的。没有繁琐的账号体系，没有各种资质审核，clone 仓库，改几行配置，docker-compose up -d，服务就起来了。你只能对着最终答案干瞪眼，然后凭感觉改参数，再试，再等，再瞪眼。另外值得一提的是，FastGPT 提供标准的 API 接口，可以直接对接企业微信、飞书、钉钉等常用协作工具，对于需要快速落地内部系统的团队来说，这个特性非常实用。

2026-05-22 11:13:15 205

原创从厂商锁定到数据自由：我用开源 FastGPT 把 AI 知识库成本砍掉 80%，数据永远留在内网

我曾经是封闭 AI 平台的忠实拥趸说实话，第一次用上某家大厂的云端 AI 知识库服务时，我是真的被惊艳到了。注册账号、上传文档、调一下 API，不到半小时，一个能回答业务问题的智能助手就跑起来了。那种感觉就像第一次用云服务器——原来基础设施可以这么轻盈。那段时间我几乎逢人就推荐：不用自己搭模型，不用懂向量数据库，文档丢进去就能问答，简直是中小团队的福音。但随着业务规模慢慢扩大，我开始感受到一种越来越明显的不适感。那些当初让我觉得"方便"的设计，正在一点一点变成束缚。封闭生态的代价：业务深入后才看清的那些坑

2026-05-21 16:39:10 303

原创告别手写 Prompt 链：一个开发者的 Agent 工程化演进之路

从最初那个"把文档塞进 Prompt"的粗糙方案，到现在基于 DAG 编排的多节点 Agent 工作流，这个演进过程让我对 AI 工程化有了更具体的认识。大模型本身的能力边界是相对固定的，真正决定系统上限的，是围绕它构建的工程架构。默认的按字数分块在大多数场景下够用，但对于表格密集型文档（比如产品规格表），建议手动调整分块逻辑，否则检索召回的片段可能是残缺的表格行，语义不完整。在 RAG 检索之前加一个意图识别节点，把用户问题先分类，再针对不同类别走不同的检索策略，比直接全库检索的精度高出一个档次。

2026-05-20 17:02:17 203

原创从提示词工程到工作流编排：我是如何把 AI Agent 真正用起来的

另外，如果要接国内的模型服务，网络代理的配置要在 compose 文件里提前处理好，否则会踩很多莫名其妙的连接错误。它支持 PDF、Word、Excel、PPT、Markdown 等多种格式的文档处理，知识库的分块策略、Embedding 模型选择、检索召回逻辑都可以细粒度配置，这对于需要精准问答的企业场景来说差异很大。最后抛一个我最近在思考的问题，欢迎有经验的同学在评论区聊聊：在多 Agent 协作的场景下，你们是怎么处理 Agent 之间的状态同步和错误回滚的？第二，可视化的 DAG 工作流编排。

2026-05-19 15:22:11 243

原创我用可视化工作流搭了一个发票识别助手，顺便聊聊 AI Agent 落地的那些坑

摘要：本文分享了作者利用AI技术优化公司财务发票录入流程的实践。通过尝试OCR识别、AIAgent平台和开源RAG框架FastGPT，最终实现了发票信息的自动识别与结构化处理，并直接同步至飞书表格。该方案解决了手动录入效率低、易出错的问题，同时支持私有化部署确保数据安全。可视化工作流让非技术人员也能参与流程优化，显著提升了迭代效率和团队协作。文章还探讨了可视化工具在业务多变场景的优势，并邀请读者分享RAG应用中的常见挑战。

2026-05-18 17:16:29 216

原创大模型单打独斗已经过时了？聊聊我搭建 AI 工作流的那些踩坑经历

真正花时间的是知识库的准备工作：文档的质量、分块的粒度、Embedding 模型的选择，这些都会直接影响检索效果。我的经验是，分块不要太大（512 token 左右比较合适），同时开启问题优化功能，让模型先对用户问题做改写，再去检索，准确率会有明显提升。官方文档写得比较清楚，但有几个地方需要注意：MongoDB 和 PostgreSQL（用于向量存储）的版本要严格按照文档要求来，我第一次用了更高版本的 PG，向量插件 pgvector 初始化失败，排查了半个多小时才发现是版本兼容问题。

2026-05-14 16:28:21 192

原创我是怎么用可视化工作流把智能客服这件事自动化掉的

摘要：作者分享了搭建智能客服系统的经验。面对客服团队处理大量重复咨询的痛点，尝试了Dify、Coze等平台后，最终选择开源且支持本地部署的FastGPT。通过节点化编排实现了意图识别、知识检索、自动回复等流程，将常见问题解决率提升至70%，显著减轻人工客服负担。文章重点介绍了知识库调优、可视化工作流的优势（如快速迭代、降低沟通成本），以及私有化部署的重要性，同时指出多轮对话管理等待改进的方面。最后探讨了领域专用Agent的发展前景。

2026-05-14 16:07:57 192

原创我是怎么用可视化工作流把简历筛选这件事自动化掉的

摘要：团队HR面临简历筛选效率低下的问题，尝试用Python脚本处理但维护成本高。转向可视化编排工具FastGPT后，通过节点化工作流实现简历自动解析、评分和结构化输出，显著提升效率并降低维护难度。私有化部署解决了数据合规问题，可视化界面也改善了团队沟通。作者认为这类工具适合需求多变、需要业务参与的场景，但复杂逻辑仍需代码实现。最后探讨了RAG/Agent应用可能遇到的问题，如召回率不稳定等。

2026-05-13 16:39:46 412

原创我是怎么用可视化工作流把智能客服这件事自动化掉的

摘要：团队在应对客服咨询量激增时，尝试用AI自动化处理重复问题。初期采用Python脚本方案，但面临维护成本高、灵活性差等问题。后转向可视化工作流工具FastGPT，通过拖拽节点搭建客服流程，实现70%以上自动回复率，响应时间降至秒级。该方案支持私有化部署，确保数据安全，并让非技术人员也能参与流程调整。文章总结了可视化工作流在业务逻辑频繁变化场景的优势，同时指出复杂场景仍需手写代码，并探讨了智能客服领域的通用模板需求。最后邀请读者分享在搭建Agent工作流时遇到的典型问题。

2026-05-11 15:54:22 252

原创我是怎么用可视化工作流把文档对比这件事自动化掉的

文件解析这一层就够折腾的，不同文档的排版差异很大，有些 PDF 是扫描件，有些 Word 里嵌了表格和批注，解析出来的文本乱得一塌糊涂。更头疼的是，每次想调整对比维度或者改一下提示词逻辑，都要重新改代码、重新部署，法务同事根本没办法自己维护，每次有需求都得来找我。我直接拿来改了改，把对比权重按我们的业务场景调整了一下，加了一个输出格式的节点，让结果以结构化表格的形式呈现，差异项按严重程度分级标注。更重要的是，她自己能看懂工作流的逻辑，偶尔想加一个新的对比维度，我给她讲一遍她就能自己改，不用每次都来找我。

2026-05-09 15:24:35 259

原创我是怎么用可视化工作流把简历筛选这件事自动化掉的

摘要：本文分享了作者为HR部门开发AI简历筛选系统的实践过程。最初尝试用Python脚本处理简历，但面临格式多样、维护成本高等问题；后转向可视化编排平台FastGPT，通过私有化部署解决了数据合规问题。该系统将HR简历初筛时间从3-4小时缩短至1小时，并支持非技术人员自主调整评分逻辑。作者认为可视化工作流在业务频繁变化的场景中优势明显，但复杂逻辑仍需代码实现。最后探讨了RAG/Agent应用面临的挑战，如知识库召回率、多轮对话等问题。（149字）

2026-05-09 11:16:38 247

原创我是怎么用可视化工作流把简历筛选这件事自动化掉的

不同岗位的筛选维度不一样，技术岗看技能栈和项目经历，运营岗更看稳定性和行业背景，每次换岗位需求，我就得改 Prompt，改完还要重新测试，部署一次流程大概要折腾半天。整个流程大概是这样的：上传简历文件，触发解析节点，提取候选人的基本信息、教育背景、工作经历、技能证书，然后进入评分节点，按照岗位维度打分，最后输出一份结构化的筛选报告。需求变清晰了，沟通成本也低了。她跟我抱怨过几次，说最烦的不是简历多，而是格式五花八门，有人把工作经历写在最后，有人把技能证书藏在附件里，每次都要翻来翻去找信息，生怕漏掉什么。

2026-05-08 16:39:48 318

原创我是怎么用可视化工作流把简历筛选这件事自动化掉的

文章摘要：作者团队面临简历筛选效率低下的问题，尝试用AI自动化解决方案。最初使用Python脚本处理简历，但修改需求时代码维护成本高。随后尝试Dify和Coze等可视化平台，因数据合规要求转向私有化部署的FastGPT。通过节点化工作流设计，将简历筛选拆分为多个可独立调整的维度，显著提升了HR工作效率。最终实现简历批量自动处理，初筛时间从每份5-10分钟缩短至即时查看结果。文章指出可视化工作流适合需求多变、需非技术人员协作的场景，并展望未来Agent将向细分领域发展。最后邀请读者分享在构建RAG或Agent

2026-05-06 14:58:39 248

原创花半天对两份合同差异后，我找到了更省力的方案

PDF 解析得先过一遍，合同里有水印（比如“Confidential”“仅供内部使用”之类的不相关内容），直接比对会把水印的变动也算成差异，极其误导，必须在差异分析前把这些噪声过滤掉。后来在 GitHub 上翻 RAG 相关项目的时候注意到一个热度挺高的开源平台，社区讨论很活跃，看了一下它的模板市场，意外发现有个“合同对比助手”的工作流模板。目前还有几个没解决的问题想和社区的朋友交流一下：模板里内置的水印关键词是固定的，如果合同里出现其他自定义水印，需要手动修改正则表达式——有没有办法做成动态配置的？

2026-04-30 15:28:06 188

空空如也

空空如也