历经FastGPT搭建、Ollama容器、BGE-M3模型与8G内存驯服国产大模型DeepSeek的技术长征，今天我们用FastGPT+DeepSeek工作流编排，搭建一个自动化的快递查询小助手！用户只需输入单号，AI自动解析、调用接口、返回物流路由详情，全程无需人工干预！

👀一张图看懂智能工作流

先上干货！快递查询小助手的工作流逻辑已为你梳理清晰👇

创建工作流

✅进入FastGPT后台→左侧工作台→[新建]→选择[工作流]

✅填写工作流名称→选择[空白工作流]模板→点击[创建]按钮进入绘制界面

配置详解：分步拆解核心节点

🚀我们将从****提取关键词、调用快递接口、处理返回数据到最终回复用户，手把手拆解每个节点的参数配置与逻辑衔接方法。

✅提取关键词，拖动左侧****面板中的[文本内容提取]至画布 → 进入配置界面****

1.配置AI模型：在模型选择区域→从下拉列表选择AI模型（如DeepSeek-chat）（避坑指南：需提前在模型提供商模块完成接口配置）

2.设置提取指令：在提取要求描述区域→输入提取指令

3.设置要提取的文本：在需要提取的下拉框，选择[流程开始>用户问题]路径

4.定义输出字段：在变量存储区域→点击目标字段右上角的[+新增字段]→依次输入变量名、字段描述及关联数据类型（避坑指南：变量命名建议采用业务属性_数据类别格式）

✅调用快递接口，**拖动左侧面板中的[HPPT请求**]至画布 → 进入配置界面****

---

1.定义输入变量：在自定义输入区域→点击[+新增]，输入数据类型、字段名，用于接收前序节点的输出值（避坑指南：数据类型需与上一节点输出值保持一致）

2.配置请求接口：在请求配置区域 → 选择请求类型（GET/POST）、填写API地址(需提前完成接口申请)→ 在[请求参数]表格中，输入参数名与参数值的映射关系（避坑指南：参数名需与接口文档完全一致）

3.定义输出变量：在自定义输出区域→点击[+新增]，设置变量名及数据类型，必须与接口响应字段的结构完全匹配

✅处理返回数据，拖动左侧面板中的[代码运行]至画布 → 进入配置界面********

1.定义输入变量：在自定义输入区域→点击[+新增]，输入数据类型、字段名，用于接收前序节点的输出值
2.处理请求数据：在JavaScript代码区域→编写代码解析API响应直接操作原始返回结果

function main({data}){
    console.log(data);
    let resList = data.data.list;
    //lef resList = data.data.list;
    let resStr = "";
    if(resList.length>0){
        let index = resList.length;
        for(let i = 0 ; i<resList.length; i++){
            let e = resList[i];
            resStr = resStr+"("+index +")  "+"到达节点时间："
            +e.datetime+"\r\n快件状态："+e.remark+"\r\n\r\n";
            index--;
        }
    }
    
    return {
        
        result: resStr
    }
}

3.定义输出变量：在自定义输出区域→点击[+新增]，设置变量名及数据类型，必须与JavaScript返回值类型完全匹配（例如代码返回字符串则变量类型选String）

✅最终回复用户，拖动左侧面板中的[指定回复**]至画布→进入配置界面******

实测效果演示

✅完成所有配置后，最终运行效果演示，右上角 点击[运行]按钮

✅在运行预览面板输入“SF31536124078**，请帮忙查一下”，⌛️输出结果

✅系统自动解析用户问题中物流路由信息，代表物流查货助手全流程闭环验证成功

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​