推荐语
从70%到99%准确率，揭秘FastGPT薪资计算助手的循环体优化技巧，让HR工作更高效精准！
核心内容：
1. 原有工作流在计件单价查询中的痛点分析
2. 循环体优化的具体实现步骤与代码示例
3. 优化前后准确率对比及实际应用效果
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
在上一篇文章《【实战】手把手教你用FastGPT搭建薪资计算助手，HR看了都想学！》实践中，我们使用 FastGPT 搭建工作流，实现了多工种的薪资计算：按照绩效计算“技术研发人员”的薪资，以及按照生产计件计算的“生产线工人”的薪资。
在文章末尾，提到了一个优化点：查询计件单价时，可以使用循环体，逐个查询每一个零件的价格，再进行汇总计算整体薪资。
启迪实践之后，也觉得循环体的这种方式运行很稳，对工作流优化很大。这不，第一时间分享给大家。
下图是优化之后的工作流全景，截图可能不够清晰，可以找我免费获取配置文件。
原先的工作流，在查询计件单价时，把多个品类的名称全部送到知识库查询，我发现查出来的结果不正确，因为知识库把查询内容整体作为查询条件，并没有分词分段。
比如，把 ["轴套-不锈钢","连接杆-加长"] 作为输入问题时，知识库直接把这句话作为查询内容，召回的结果很难准确，可能只会返回"轴套-不锈钢"的单价。
现在，我来做一下优化，把多个零件名称拆成一个个零件名称，循环地输入给知识库，每一次只查询一个零件的价格。果然，计算结果的准确性提升了一个档次。
优化后的分支，如下图所示。
我们从「问题分类」插件开始优化。
Step 1：「AI 对话」插件，调整提示词的输出格式。在解析用户问题之后，将零件名称以列表形式输出。
比如，用户问题为：“启迪本月加工生产不锈钢的轴套 50 个，连接杆 加长 100 个”。则插件应该解析并输出内容为：["轴套-不锈钢","连接杆-加长"]。
提示词如下：
# 角色
制造业数据提取专员，擅长从各类生产相关文本中精准提取所需信息。
# 目标
1. 从给定文本中准确提取计件零件名称及对应规格。
2. 仅输出零件名称及规格。
# 技能
1. 具备良好的文本理解能力。
2. 能够快速识别零件名称相关词汇。
# 工作流程
1. 仔细阅读输入的文本。
2. 标记出文本中可能是计件零件名称以及对应的规格的词汇。
3. 对标记的词汇进行筛选，确定为计件零件名称。
4. 输出确定的零件名称及规格。
# 约束
1. 必须准确提取计件零件名称。
2. 禁止输出除零件名称之外的任何内容。
# 输出格式
以简洁、专业的风格，直接列出提取到的计件零件名称，并以JSON格式的列表方式输出。
# 示例
示例1：
输入：“本次生产任务中，加工法兰盘 小型 32件 ”
输出：
["法兰盘-小型"]
示例2：
输入：“法兰盘 小型 32件，接杆 普通 45件 ，轴承座 普通 18件”
输出：
["法兰盘-小型","接杆-普通","轴承座-普通"]
Step 2：增加「代码执行插件」，将字符串转换为对象。
增加「代码执行插件」，与上一步「AI 对话」插件相连。这一步的目的是将字符串转换为对象。这样就可以把列表作为参数输入给下一步的循环体。配置如下图所示。
需要注意的是：
- 1. 输出的 result 的数据类型为 Array<string>。
- 2. 代码返回的结构是字典，key 为“result”。
python3 代码如下：
def main(data1):
import json
import re
pattern = r'```json\s*(.*?)\s*```'
matches = re.findall(pattern, data1, re.DOTALL)
jsonstr=''
if matches:
# 如果找到匹配，返回所有匹配的内容（合并成一个字符串）
jsonstr='\n'.join(matches)
else:
# 如果没有找到匹配，返回原文本
jsonstr=data1
result=json.loads(jsonstr)
return {"result": result}
Step 3：增加循环体。
增加「批量执行」插件，这个插件就是我们所说的“循环体”。与上一次「代码执行」插件相连。配置如下图所示，三处需要注意的地方用箭头标注了。
我来拆解一下。
1、「批量执行」插件，输入选择上一步「代码执行」插件的输出内容。
2、在「批量执行」插件中，增加「知识库搜索」插件，做好连线：
- 用户问题：选择“开始-数组元素”。循环体把列表内的元素一个个地输入给知识库进行召回。
3、「批量执行」插件中，增加「代码执行」插件，做好连线，配置如上图所示。
python3 代码如下：
def main(data1):
try:
# 从data1中提取q和a的值
q_value = data1[0]["q"]
a_value = data1[0]["a"]
# 组成字符串，格式为"q的值，a的值"
result_string = f"{q_value}，{a_value}"
# 返回key-value对象
return {"result": result_string}
except KeyError as e:
# 处理键不存在的情况
return {"result": f"错误：缺少必要的字段 {e}"}
except Exception as e:
# 处理其他异常
return {"result": f"错误：{str(e)}"}
4、结束节点，变量选择上一步「代码执行」的结果。它会自动储存循环体每一次执行的结果。
有人会问，刚刚python的代码是在做什么呢？在调试时，我发现知识库返回的结果（data1）的结果是下面这样的：
"data1": [
{
"id":"688037fddedb4aaaa3586084",
"updateTime":"2025-07-23T01:16:45.686Z",
"q":"轴套-不锈钢",
"a":"计件1.5元/个",
"chunkIndex":2,
"datasetId":"68803643dedb4aaaa358504f",
"collectionId":"688037fbdedb4aaaa3585e5b",
"sourceId":"688037fbdedb4aaaa3585e57",
"sourceName":"计件工资-utf8.csv",
"score":[
{
"type":"embedding",
"value":0.9999998807907104,
"index":0
}
],
"tokens":18
},
{
"id":"688037fddedb4aaaa3586098",
"updateTime":"2025-07-23T01:16:45.778Z",
"q":"不锈钢轴套-普通",
"a":"计件2.5元/个",
"chunkIndex":33,
"datasetId":"68803643dedb4aaaa358504f",
"collectionId":"688037fbdedb4aaaa3585e5b",
"sourceId":"688037fbdedb4aaaa3585e57",
"sourceName":"计件工资-utf8.csv",
"score":[
{
"type":"embedding",
"value":0.8801525235176086,
"index":1
}
],
"tokens":21
}
]
我需要选择第一条记录，并将启中的 q 和 a 对应的值解析出来，拼接在一起，结果就像这样：
{
"result": "轴套-不锈钢，计件1.5元/个"
}
等循环体结束后，输出的结果是这样的：
[
"轴套-不锈钢，计件1.5元/个",
"连接杆-加长，计件1.5元/个"
]
相当于把知识库召回结果中的核心信息取出，传给下一个节点。
写代码也不难，直接把需求发给豆包，输出的 python 代码开箱即用。
Step 4：工具调用部分保持不变。如下图所示：
到此，工作流优化好了。我来测试一下效果：
用户问题：启迪本月加工生产不锈钢的轴套 50 个，连接杆 加长 100 个，端盖-普通 45个。
输出结果如下，结果是正确的。
可以查看详情，详细看一下循环体的三次执行过程：
经常我们编排好工作流，结果并不符合预期，那就需要一步一步调试，找到问题，解决掉。
我测试了很多轮，结果都不错。这条工作流优化完成了！
「批量执行」是经常会用到的插件，比如我们以前实践的《简历打分》工作流，就可以使用循环体重构。
像下图这样，支持一次输入多份简历，在循环体内包含完整的简历处理工作流。
再或者，像我们前段时间实践的“会议记录”工作流，也使用了循环体对每一个部分分别编写。
今天，我带大家体验了FastGPT 的「批量执行」插件，完善了“薪资计算助手”的工作流。工作中的案例远比这个例子复杂，拆解好需求，把工作流搭起来，后续持续优化，做到“先有再好”。
在工作流搭建方面，你有哪些好的实践呢？在评论区期待你的分享！
粤ICP备14082021号
免费POC，
零成本试错
