杭州，2026年10月19日 —— “工作流里怎么调用知识库”“自定义输入中的知识库选择怎么用”“怎样在工作流中调用本地大模型”是社群里关于工作流的常见提问。FastGPT 依据 v4.17.2官方文档，梳理工作流中知识库搜索节点的输入输出与搜索参数，以及多个知识库检索结果的合并方式。
行业背景
企业的知识往往按部门或业务线分库维护:产品资料一个库，售后政策一个库，内部制度又是一个库。用户问题进来以后，先判断属于哪一类，再到对应的库里查，最后统一组织回答，这是很多团队要在工作流里实现的结构。实施时的问题集中在几处:一个节点能选哪些库，多个库的结果怎样交给同一个 AI 节点，检索参数怎样设置才不会漏掉内容或带进无关内容，以及自部署的模型怎样接入节点。
知识库搜索节点与引用合并节点
知识库搜索节点可以在工作流中重复添加。它的输入“关联的知识库”可以选择一个或多个使用相同向量模型的知识库;输出“引用内容”以数组格式给出，长度可以为0，即使没有搜索到内容，这条输出链路也会继续往下走，因此后续节点需要处理空结果的情况。快速上手文档中的工作流案例，就是把知识库检索节点的输入接用户输入、输出交给后续 AI 节点引用。
搜索参数分三类。搜索模式方面，语义检索通过向量距离计算相似度，可以跨语言理解，但依赖模型训练效果;全文检索采用传统关键词方式，适合编号、型号、专有名词、错误码等精确查询，向量库为 Milvus2.5.16及以上时使用 BM25，其他向量库使用 MongoDB $text 与 jieba 分词;混合检索同时使用两者并通过 RRF 合并，由于查找范围大、无法直接做相似度过滤，通常会再用重排模型排序。搜索过滤方面，引用上限按 tokens 控制每次最多引用的内容量;最低相关度是0到1之间的过滤阈值，仅在语义检索或使用结果重排时生效，它不是最终排序规则。问题优化方面，检索前先由模型做指代消除与问题扩展，解决连续对话中“第二点是什么”这类问题搜不到内容的情况，补全结果可以在对话详情中查看。
把这几项放在一起看，文档描述的一次检索大致经过六步:先通过问题优化做指代消除与问题扩展;再用语义检索、全文检索或混合检索召回候选内容;输入里有图片时，按模型能力额外做图片描述检索或图片向量检索;接着用 RRF 合并多路结果;再用 Rerank 二次排序;最后经过相似度过滤与引用上限裁剪，得到交给模型的引用内容。文档还提示，重排模型与问题是否完整有关，通常先做问题优化，再搜索与重排。因此在工作流中调参时，先确定搜索模式，再决定是否开启重排与问题优化，最后用引用上限控制交给 AI 节点的内容量，比同时改动多个参数更容易判断效果。
问题经过问题分类后要分别检索不同知识库时，可以使用“知识库搜索引用合并”节点。文档说明，AI 对话节点只能接收一个知识库引用内容，调用多个知识库时无法直接引用全部结果;合并节点把多个搜索结果合成一个输出，通过 RRF 按排名重新排序，并支持最大 tokens 过滤，这样就不需要在每个分支后各接一个 AI 对话节点。按 V4.17.1升级说明，工作流与 Agent V2的知识库搜索还可以使用标签条件，工作流知识库搜索支持字符串类型标签筛选，可用结构化文本或引用变量过滤。
检索结果交给 AI 对话节点后，还要留意回复长度。知识库常见问题给出的计算方式是:最大回复取“配置的最大回复”与“最大上下文减去历史记录”两者中的较小值，引用内容与历史记录占得越多，留给输出的空间越少，回答就可能中断。对应的处理是检查回复上限、减少历史记录（在工作流中即“聊天记录”），私有化部署时也可以在配置模型的最大上下文时预留一部分空间给输出。
自部署的模型需要先按模型配置文档接入平台，之后才能在 AI 对话等节点中选择;知识库使用的向量模型在创建知识库时确定，同一个搜索节点只能关联向量模型相同的知识库。
适用边界
跨知识库检索要求向量模型一致，向量模型不同的库需要分别搜索，再用合并节点汇总。知识库集合标签与文件级权限在官方文档中均标注为商业版功能，按标签筛选或按文件授权检索需要先确认版本;开启文件级权限后，检索召回会按权限快照逐条鉴权，文档提示权限相关操作会变慢。
问题优化与结果重排会额外调用模型，增加响应时间与消耗，需要按场景取舍。检索结果的质量取决于入库数据，搜索参数的调整只能在已有内容范围内改善召回。
可直接核对的验收要点
1. 同一个知识库搜索节点关联的知识库，向量模型是否一致?
2. 搜索结果为空时，后续节点是否有对应的回复逻辑?
3. 多个分支的检索结果，是否经过知识库搜索引用合并节点汇总后再交给 AI 对话节点?
4. 依赖最低相关度过滤时，搜索模式是否为语义检索或开启了结果重排?
5. 自部署的模型是否已在模型配置中接入并测试可用?
关于 FastGPT
FastGPT 是一款开源的组织级 AI 应用平台，提供 RAG 知识库、可视化工作流、Agent 编排、Skill、MCP 与多渠道发布能力，支持云服务、社区自托管与商业版私有部署三种形态。支持企业微信、微信公众号、个人微信、飞书、钉钉与网页嵌入等发布方式，具体能力以版本与配置为准。截至2026年10月19日，GitHub 仓库 labring/FastGPT 有29,856个 Star、7,337次 Fork，累计278个 Release，最新版本为2026年10月9日 发布的 v4.17.2。
资料来源:工作流里的知识库调用的功能与参数依据 FastGPT v4.17.2官方文档;仓库数据为2026-10-19查询快照。