ChatKB 是一个基于大模型的知识库问答系统，能够通过自然语言与各种大模型、知识库对话，旨在成为企业应用的AI大脑。

ChatKB特点

• 开箱即用：支持直接上传文档、文件自动拆分、向量化、RAG（检索增强），智能问答准确性高，体验感好；

• 安全可控：可本地部署离线大模型，数据不上网；也可在线对接国内大模型，数据不出境；

• 可编排工作流：内置工作流引擎，可灵活编排 AI Agent，满足复杂业务场景下的需求；

• 无缝嵌入：支持零编码快速嵌入到第三方业务系统，让已有系统快速拥有智能问答能力；

ChatKB的能力

专属 AI 问答客服

通过导入文档或已有问答集进行训练，让 AI 模型能根据你的文档以交互式对话方式回答问题。

可视化AI应用设计

采用直观的可视化界面，为设计AI问答提供简洁易懂的设置提示，通过简单操作步骤，即可完成 AI问答机器人的创建和训练流程。

自动知识库预处理

提供直接分段、问答拆分和 自定义等多种数据导入方式，支持 PDF、WORD、Markdown 和 CSV 等多种文档格式，自动对数据进行预处理、向量化和 QA 分割，节省手动训练时间，提升效能。

工作流编排

内置强大的工作流引擎，可以帮助你设计更加复杂的问答流程。例如查询数据库、调用外部函数等。

无缝 API 集成

支持零编码快速嵌入到第三方业务系统，让已有系统快速拥有智能问答能力，提高用户满意度。

快速上手

快速体验 ChatKB 基础功能

知识库

开始前，请准备一份测试电子文档，WORD，PDF，TXT，excel，markdown 都可以，比如公司休假制度，不涉密的产品知识等。

首先需要创建一个知识库。

知识库创建完之后我们需要上传一点内容。

上传内容这里有3种模式：

• 手动数据集：手动输入问答对，让AI自动生成问答对

• 文本数据集：选择文本文件，直接将文本分段处理

• 表格数据集导入：批量导入问答对

这里以选择文本数据集中的本地文件来源为例：

上传后我们用默认处理模式，等待数据处理完成，等到上传的文件状态为可用。

应用

点击「应用」按钮来新建一个应用，这里有四个模板，我们选择「知识库 + 对话引导」。

选择使用的AI模型，点击确认

在AI配置页找到「关联知识库」模块，选择已创建的知识库。

配置知识库搜索模式、搜索过滤以及问题优化选项，点击完成

完成后点击【发布】即保存配置。然后就可以愉快的聊天啦

高级编排功能，结合问题分类、文本内容提取和HTTP请求

要想使用AI对接自己的系统实现业务，根本逻辑就是让AI从用户输入的指令中，提取出我们想要的参数，并且转成对应的字段，调用我们自己的http接口，AI收到接口返回的数据之后，再让AI进行学习分析结合用户的问题给出答案。

其中最重要的就是“问题分类”和“文本内容提取”两个模块，需要确保使用的AI模型支持function_call功能，如果使用了不支持function_call的模型的话，到也不会报错，只是永远都会走你配置的最后一个节点或提取的内容永远是空。无法实现正确的业务逻辑。

业务准备

首先准备好自己的业务系统，我准备了一个巡检系统的例子，提供了两个个方法，一个是获取所有的巡检列表数据

接口结果大概就是这样的

另一个是修改巡检数据

我期望的需求是，在AI中查询指令能给我返回我需要的结果，包括各种筛选条件，并且能进行修改指定的数据 高级编排 创建一个新应用，然后点击左侧的【高级编排】，即可进入高级编排涉及界面

可以看到默认已经存在了一个流程，这个流程就是一个普通的对话流程，它的含义就是用户输入指令从【流程开始】模块，将指令传到【AI对话】模块，然后在【AI对话】模块给出答案，这样一个完整的对话流程就结束了。

目前自己的系统有两个接口，一个查询接口一个修改接口，首先得要AI知道去调用哪个接口，也就是说得让AI知道用户的指令是“查询”还是“修改”，【问题分类】模块正是解决这个问题的。 首先把原来的【AI对话】模块删除掉，左上角点击【+】号，找到【问题分类】拖入面板中，然后将【流程开始】模块和【问题分类】模块使用连接线连起来。完成后界面是这样的：

配置【问题分类】模块： AI模型：选择自己想要的模型; 背景知识：写一段描述文字，帮助AI更好的理解，从而分析出属于哪种分类; 用户问题：选择变量引用 → 流程开始 → 用户问题; 分类123：填写自己期望的分类描述，我填写了3个，查询、修改、其他;

这时可以测试一下，三个分类则会有三个输出节点，每一个输出节点连接一个【指定回复】模块，这样能测试出问题分类有没有效果，面板右上角点击“调试按钮”进行对话测试，如下图

查询功能 先做查询的功能，知道属于“查询”分类后，就知道该调用哪个接口地址了。把“查询”的【指定回复】模块删掉，增加进来一个【Http请求】模块，并将“查询”的输出与【Http请求】模块连接，填写相关信息，比如请求方式get/post，请求地址就是查询的接口地址，请求参数和请求头根据自己的情况填写，我这个查询接口不需要任何参数，这样一个【Http请求】节点就配置好了。

【Http请求】模块的输出就是自己接口的返回结果，现在需要拿返回结果做为AI的知识库进行回答问题。在面板中添加【文本加工】模块，如下图：

【文本加工】模块需要拿到上一步接口的返回信息，还有用户的问题。在输入一栏点击“新增”，要新增两个变量，名字随便起，这里我新增了“response”和“q”，变量值如下图配置，然后在文本中输入以下内容（参考官方模板）：

请使用下面<data></data>中的数据作为你的知识。请直接输出答案，不要提及你是从<data></data>中获取的知识。<data> {{response}} </data> 问题："""{{q}}"""

【文本加工】这一模块配置好后，下一步就该让AI进行输出答案了，在面板中添加【AI对话】模块，修改相关配置，注意这里的用户问题要选择上一步【文本加工】输出的text变量，如下图：

到此一个完整的AI查询功能就做好了，现在可以点击右上角的调试按钮测试：

修改功能 从【问题分类】模块，分出了查询、修改、其他三个分支。查询分支的第一步是进行http调用，因为不需要传任何参数，所以可以直接调用。修改的话我需要知道修改的巡检任务的主键id，和巡检结果，所以我需要先拿到这两个参数后才可以进行http调用，那么可以使用【文本内容提取】这个模块。新建一个【文本内容提取】模块，与【问题分类】的“修改”输出节点连接（先把之前测试的【指定回复】删掉）：

进行配置：主要是增加两个自己需要的字段，给出描述

拿到需要的两个字段后，就可以进行http调用了，增加【Http请求】模块，并配置输入参数、请求方法、请求地址、和请求参数，注意请求参数中使用变量的写法：

修改操作的回复，无非就是修改成功还是修改失败，这个我们自己回复就行，不需要使用AI回复了。添加一个【指定回复】模块，回复内容选择变量引用，选择http调用的原始响应：

修改功能就也做好了，现在把查询和修改结合起来测试一下：

至此一个完整的AI巡检查询修改系统就完成了。高级编排很强大，可以随意组合你想要的流程，发挥想象，比如可以增加一个【判断器】，来做修改任务时的字段验证：

问题补充 一般自己的服务都需要在请求头传一个token，那么这个token可以当作一个全局变量传到api接口里，然后在【Http请求】模块中使用这个全局变量。