1.FastGPT是什么

FastGPT 是一个基于大语言模型的知识库问答系统，它将智能对话与可视化工作流编排深度融合，极大降低了 AI 应用的开发门槛。无论是专业开发者还是业务人员，都可以通过拖拽式配置，快速构建属于自己的 AI 助手。

2.RAG的定义

RAG是是一种将信息检索与生成式模型结合的混合架构。其核心流程分为两步：

• 检索阶段：系统从外部知识库或文档集中，快速定位与用户问题最相关的内容片段；

• 生成阶段：大模型基于这些检索到的片段，生成自然语言回答。

这种机制确保了输出内容既有事实依据，又具备上下文相关性，有效缓解了大模型“幻觉”问题

3.RAG的工作流程
 

一个标准的RAG流程可拆解为四个环节：

1. 输入查询：用户提出问题，系统将其转化为向量表示（embedding）。

2. 文档检索：检索器从知识库中提取最相关的文档片段。常用方法包括：

   • 向量检索（基于语义相似度）

   • 关键词检索（如 BM25）

   • 混合检索（两者结合，效果最优）

3. 生成答案：大模型将检索到的片段与原始问题一同输入，生成最终回答。

4. 输出结果：将答案返回给用户，整个过程通常在数秒内完成。

4.知识库是什么

知识库是AI智能体的“长期记忆”与“可信知识源”。它是一个结构化数据库，专门用于存储、管理和检索特定领域的知识，目的是解决大模型“不知道”或“胡编乱造”的问题。

知识库的本质：AI的“外挂大脑”

你可以把知识库想象成给大模型配发的一本专属操作手册或企业内部维基百科。

• 大模型：擅长理解与推理，但训练数据通用、有滞后性，且可能包含错误信息。

• 知识库：存储你提供的私有、准确、最新的信息（如公司制度、产品手册、技术文档）。

• 协作方式：用户提问 → 系统从知识库检索相关内容 → 大模型“阅读理解”后生成答案——这正是RAG的核心逻辑。

知识库的三大核心组成部分

一个完整的知识库不仅仅是“一堆文档”，而是由三个层面构成：

层级	内容	作用	类比
1. 原始数据​	文档（PDF/Word）、网页、数据库、FAQ	知识的原材料	图书馆里的书
2. 向量索引​	文本被切分、编码成的数学向量	实现快速语义搜索	书的索引目录
3. 检索逻辑​	相似度算法、关键词匹配、重排序	决定如何找到最相关内容	图书管理员的找书规则

实战落地：搭建一个测试用例生成智能体

前面讲完了理论，接下来我们动手搭建一个真实可用的智能体——测试用例生成机器人。

Step 1：访问 FastGPT 平台并新建应用

 

进入 FastGPT 工作台，点击「创建应用」。你会看到两种主要模式：对话Agent​ 和 工作流。整体界面风格偏“工程师友好型”——左侧是导航栏，中间是主操作区。

我们这次选择「工作流」，因为它更适合复杂的多步骤任务。

Step 2：起名  +  选择模板

将应用命名为「测试用例生成」，点击创建。你也可以选择一个相近的模板作为起点，不过从空白开始更能理解每个节点的作用。

Step 3：工作流搭建界面

整个画布采用节点式设计：

• 左侧：组件库，包含 LLM、知识库、AI对话、条件判断等模块

• 中间：画布，用于拖拽和连线

• 右侧：节点配置面板

就像搭乐高一样，把需要的组件拖到画布上，连上线，一个智能体就初具雏形了。

Step 4：工作流编排

这是最核心的一步。我们先看整体的流程思路：
用户输入问题 → 知识库内容匹配 → AI对话 → AI回复
接下来逐一配置各节点。

系统配置内容

在系统提示词中输入以下内容，用于定义机器人的开场引导：

### 测试用例生成机器人

你好，我是测试用例生成机器人。请在下面输入框输入你的需求，然后点击开始对话完成初始化。

#### 使用步骤
1. 输入需求
2. 点击开始对话完成初始化
3. 点击下方链接选择生成用例的类型，快速生成用例
4. 如果需要更多用例，点击继续生成

#### 注意事项
1. 使用AI用例生成机器人时，未发送对话一旦离开这个对话页面，填写的需求内容会被全部清空
2. 建议先在本地写好需求的细节要求，再粘贴上去

[基于前端UI测试规范，生成用例]
[基于后端接口测试规范，生成用例]
[基于安全测试规范，生成用例]
[基于性能测试规范，生成用例]
[基于稳定性测试规范，生成用例]
[继续补充]

 

知识库配置

上传一份测试用例规范文档（如 PDF 或 Word），作为知识库的数据源。这是智能体生成高质用例的基础素材。

AI对话配置

这是最关键的部分，需要编写两条提示词，分别控制用例生成和格式输出两个环节。

第一条提示词：用例生成

# Role
你是一个软件测试专家，擅长根据软件的<需求>描述设计用例，设计用例过程中会运用测试用例的设计方法（比如：等价类、边界值、因果图、状态机等），并参考输入的质量要求和测试规范。

# Task
参考输入的<质量规范>，基于<需求>，运用测试设计方法生成测试用例。

# 思考步骤
Let's think step by step.
1. 深入理解需求，从软件测试角度分析，找出测试场景，确保测试场景能够覆盖需求的所有功能点和潜在问题。
2. 仔细阅读输入的<质量规范>，充分理解规范，特别是那些对测试用例设计有直接影响的规范，如界面显示、数据格式等。
3. 仔细思考测试方法：包括但不限于等价类划分、边界值分析、因果图、状态机、错误推测法等，根据需求特点选择合适的测试方法。
4. 仔细思考测试用例设计：根据需求，通过测试理论，设计各种正常、异常和边缘测试场景，确保测试用例能够全面覆盖需求的各种情况。
5. 结合前4步的内容，独立思考并输出测试用例。
6. Review输出的测试用例，确保输出用例的全面性，覆盖正向场景、反向场景和异常场景。

# 要求
1. 以JSON格式输出，json有一个字段是"testcases"，它的值是一个列表，里面包括以下对象："case"、"precondition"、"module"、"steps"、"Use case level"。
2. "module"字段的值直接赋值为需求名称。
3. "case"需要体现出关键的测试场景。
4. "Use case level"有5级，用P0到P4来表示。
5. "steps"字段内有以下对象："step"、"expected_result"。step需要体现测试的主要操作步骤，expected_result需要描述具体检查内容。

第二条提示词：格式转换
 

# Role
你是一个文本编辑专家，擅长Markdown、JSON等各种文本格式。

# Task
根据已输出的用例，以文本格式输出。

# 要求
- 输出语言为中文
- 仅输出文本格式，不输出思考步骤
- 文本格式要求示例如下：
  case：用例
  
  前置条件：前置条件
  
  所属模块：未规划用例
  
  标签：
  
  备注：备注信息
  
  用例等级：P0
  
  步骤描述
  
  步骤：步骤描述
  
  预期结果：预期结果
- 输出的结果展示所有缩进
- 生成的用例之间不要有空行

Step 5：运行测试并应用发布

点击右上角的「运行」按钮，输入一段需求描述进行调试。确认输出符合预期后，点击「保存并发布」。

至此，你的第一个FastGPT智能体就正式上线了。

写在最后

本文从RAG的理论基础出发，逐步深入到FastGPT的实际搭建，最终落地为一个可运行的测试用例生成智能体。希望这套从原理到实战的路径，能帮助你快速上手FastGPT，并在自己的业务场景中落地应用。

智能体体验链接：测试用例生成