这个行业做这件事，卡在哪
制造企业的报告与报表覆盖质检、供应商评估、生产与设备周期性统计等多个场景，数据来源分散存储于MES系统、ERP系统、QMS系统、离线Excel表格及纸质单据中，跨系统调取需人工操作。不同业务线的报表口径由各部门分别制定，未形成统一标准，需人工核对数据计算规则。多级审核流程需线下流转纸质文件或线上邮件传递，审批周期较长。周期性报表需每月、每季度重复整理相同维度的数据，重复工作量大。当报告中出现异常数据时，需回溯原始单据与系统日志，耗时较长。制造行业已有企业完成类似场景的落地，延锋国际曾搭建供应商智能推荐系统，将供应商初筛周期从数天压缩至几分钟。
动手之前要先确认的五件事
- 已明确所有报表的统一口径，包括数据来源、计算规则、输出格式。确认不了会导致生成的报表数据不一致，无法被业务部门认可。
- 已梳理清楚所有需要接入的数据源，包括系统接口、本地文件、纸质单据扫描件的可获取路径。确认不了会导致工作流无法获取完整数据，无法生成完整报表。
- 已明确报表的审核流程与责任人，包括各级审核的触发条件、驳回后的处理规则。确认不了会导致生成的报表无法进入正常审核环节，无法落地使用。
- 已确认所有涉及的数据的合规性，包括数据隐私保护要求、内部数据使用权限。确认不了会导致违反数据合规规定，引发合规风险。
- 已明确报表生成后的分发渠道与接收对象，包括自动推送还是手动下载。确认不了会导致生成的报表无法送达需求方，失去使用价值。
怎么搭：四段工作流
以下方案组合 FastGPT 工作流节点与企业已有系统；接口、业务规则、人工审核和通知需按实际环境接入，并通过样本验收。节点口径对应 FastGPT v4.16.2，模型定义对应 fastgpt-plugin v1.1.2，部署时应核对所用版本。
| 阶段 | 这一段做什么 | 用到的节点 | 配置要点 |
|---|---|---|---|
| 数据采集与预处理 | 从各业务系统、本地文件中提取所需的原始数据，清洗无效数据 | HTTP请求、文本内容提取、代码运行、循环节点 | HTTP请求节点配置各业务系统的接口地址与认证参数；支持解析pdf、doc、docx、xlsx、pptx、md、txt、html格式的文件，可直接导入本地文件作为数据源；代码运行节点配置数据清洗的逻辑，去除重复值、补全缺失字段；循环节点配置遍历多批次的原始数据文件 |
| 数据整合与校验 | 将不同来源的数据按照统一口径进行整合，验证数据的合理性与完整性 | 知识库搜索引用合并、判断器、文本拼接 | 通过知识库搜索节点检索统一口径规则，多路检索时合并引用；判断器节点配置数据合理性校验条件，比如数值范围、逻辑关系；文本拼接节点将整合后的数据按字段顺序拼接 |
| 报告生成与格式调整 | 基于整合后的数据生成报告内容，调整报告的格式与排版 | Agent、AI对话、指定回复、表单输入 | Agent节点配置报告生成的提示词，明确报告的结构与内容要求；AI对话节点调用大模型生成报告的文字内容；指定回复节点配置报告的固定开头与结尾；表单输入节点配置报告的自定义标题与生成时间 |
| 报告分发与归档 | 将生成的报告推送至指定接收方，归档至指定存储位置 | HTTP请求、结束、插件输出 | HTTP请求节点配置邮件或企业IM的推送接口；通过 HTTP 接口写入目标归档系统，使用插件输出返回归档结果或访问地址；结束节点标记工作流执行完成 |
最容易出错的配置点之一是HTTP请求节点的超时时间设置。该参数需根据数据源的响应速度调整，建议设置为30秒至60秒，避免因系统响应缓慢导致工作流中断。若数据源为本地文件或响应速度较快的内部系统，可适当缩短超时时间至10秒至20秒。 其次，判断器节点的校验条件配置需结合业务规则明确。例如，质检合格率的取值范围应为0至1，设备稼动率的取值范围也应为0至1，若校验条件未明确设置，可能导致生成的报告中出现不合理的数值。判断器节点可配置多个校验条件，按逻辑关系组合，确保数据的合理性。 第三，Agent节点的提示词配置需精准匹配业务需求。提示词应明确报告的章节结构、内容重点与输出格式，例如“请生成包含质检合格率、缺陷类型分布、整改建议三个章节的质检报告，输出格式为Markdown”。若提示词未明确要求，生成的报告可能偏离业务需求，需多次调整才能符合要求。
知识库与检索怎么配
该场景的知识库主要用于存储统一的报表口径规则、历史报表数据与业务参考标准。切分策略需根据数据类型调整：对于结构化数据，比如Excel中的质检报表，按工作表或行进行切分，每个切分单元不超过1000字符；对于非结构化数据，比如设备日志，按时间段或设备ID进行切分，每个切分单元包含完整的单设备单日日志。索引方式可选择Milvus、OceanBase、openGauss、PostgreSQL(pgvector)作为向量库，其中PostgreSQL(pgvector)支持结构化数据与非结构化数据的混合索引，适配该场景的多类型数据需求。通过检索模式、相似度阈值、引用上限与重排设置控制返回结果，并使用业务样本检查实际返回片段的覆盖度与相关性。分别用单批次质检和月度生产报告样本验证引用覆盖情况。重排模型的启用与否需结合业务对报告准确性的要求：当需要确保召回数据的相关性时，启用fastgpt-plugin v1.1.2版本提供的重排模型，配置重排模型与引用上限，通过测试检查返回片段的相关性和覆盖度；当对响应速度要求较高时，可关闭重排，直接使用向量召回的结果，该版本提供8个重排模型，可根据业务需求选择合适的模型。
验收怎么做
验收需选取连续3至5个周期的历史报表数据作为测试样本，包括正常数据与包含异常值的样本。需查看的核心指标包括：报告数据与原始数据的一致性，报告格式与需求的匹配度，异常数据的识别与标注准确性，审核流程的触发是否正确。判合格的口径由业务负责人与技术负责人共同确定，先通过小范围测试验证报告的可用性，再逐步推广至全量场景。阈值的标定需结合业务的实际需求与历史数据的分布情况，例如异常数据的识别阈值需根据历史异常数据的占比确定，确保既不会遗漏真实异常，也不会误判正常数据。
这个行业容易踩的坑
- 现象：生成的报表数据与原始数据不一致。原因：未统一数据口径，或数据清洗逻辑存在漏洞，未处理异常值与缺失值。
- 现象：工作流频繁中断。原因：未配置超时重试机制，或数据源接口的稳定性不足，未设置合理的超时时间。
- 现象：报告内容偏离业务需求。原因：Agent节点的提示词未明确指定报告的结构与内容要求，或未结合业务知识库的规则。
- 现象：报告的响应速度过慢。原因：引用上限过高，或未合理配置重排模型，导致数据处理量过大。
- 现象：数据合规性问题。原因：未确认数据的使用权限，或未对敏感数据进行脱敏处理，导致数据泄露风险。
什么情况下先不要做
当未明确统一的数据口径与审核流程时，不宜搭建该场景。当数据源无法通过接口或自动化方式获取，需大量手动录入数据时，不宜搭建该场景。当业务部门未明确报表的需求与验收标准时，不宜搭建该场景。当数据合规性要求未明确，无法确保数据使用符合相关规定时，不宜搭建该场景。当业务场景的需求频繁变动，无法提前明确报告的结构与内容要求时，不宜搭建该场景。
参考资料
相关阅读
- AI Agent 能实现智能报告生成吗？ - FastGPT
- AI Agent 能否自动上报重大数据泄露事件？ - FastGPT
- AI 能自动生成客服工作报告吗？ - FastGPT
- AI 能自动生成数据安全报告吗？ - FastGPT
- AI 能否自动生成行业趋势分析报告？ - FastGPT
- AI 能自动生成用户体验报告吗？ - FastGPT