这个行业做这件事，卡在哪
公文写作，特别是涉及内部通知、制度文稿和对外函件，其核心挑战在于确保内容的准确性、合规性和一致性。材料的来源通常分散在多个内部系统、文档库或历史记录中，需要人工耗时查找和整合。审校环节往往由多级人员参与，每个环节都需要对事实依据、表述规范、法律法规等进行核对，人工审校不仅效率低下，且容易因个人经验差异导致口径不一或遗漏。此外，大量重复性文稿的起草也占据了人员的工作时间，难以将精力投入到更具创造性的工作中。
动手之前要先确认的五件事
- 待整合材料是否具备结构化或半结构化的特征，数据质量是否达到可用标准。确认不了会影响后续抽取与整合的准确性。
- 公文和制度文稿的写作规范、行文风格、审批流程是否已明确成文。确认不了会导致生成的文稿无法通过现有审校流程。
- 文本生成后，最终口径由哪一级人员进行确认，对应的责任归属是否清晰。确认不了会增加潜在的合规风险。
- 自动化生成内容出现事实性错误或表述偏差时，影响的范围和后果能否承受。确认不了可能导致业务中断或法律风险。
- 各类文稿的常用模板和关键信息点是否已明确，并可被系统识别和引用。确认不了会大幅降低自动化生成的效率和质量。
怎么搭：四段工作流
| 阶段 | 这一段做什么 | 用到的节点 | 配置要点 |
|---|---|---|---|
| 信息收集 | 依据用户输入提取关键信息 | 文本内容提取、知识库搜索 | 定义提取实体，配置知识库搜索范围 |
| 初稿生成 | 结合模板和事实源生成文稿初稿 | Agent、AI 对话 | 设置Agent指令，选择合适的模型 |
| 事实核查与修订 | 对初稿进行事实核查和优化 | 知识库搜索引用合并、Agent | 配置知识库检索策略，Agent指令侧重核查和修订逻辑 |
| 合规性审校 | 依据规范对文稿进行最终审校 | Agent、判断器、指定回复 | Agent指令嵌入合规性检查规则，判断器配置审校通过条件 |
配置要点展开：
Agent节点指令： 在“初稿生成”和“合规性审校”阶段，Agent节点的指令设计至关重要。指令应包含明确的写作要求、风格偏好、语气、以及在审校阶段需要遵循的合规性检查点。例如，在初稿生成时，可以指定“请根据以下信息生成一份正式的内部通知，语气需保持中立，段落清晰，核心要点突出”。在合规性审校时，则需明确“请检查文稿中是否存在与公司制度相悖的表述，或遗漏了必要审批流程的提示，并指出具体位置。”指令的清晰度和详尽程度直接影响Agent的输出质量。
知识库搜索引用合并节点： 该节点用于在生成和审校过程中引入外部知识进行事实核查和补充。在配置时，需要设置合适的“匹配度阈值”和“引用条数”。“匹配度阈值”决定了召回知识的关联性，一般建议设置在0.7-0.8之间，过低可能引入无关信息，过高则可能遗漏相关内容。“引用条数”则控制了召回内容的数量，通常设置为3-5条，以避免引入过多冗余信息导致Agent处理负担。
判断器节点： 在“合规性审校”阶段，判断器节点可以用于自动化判断文稿是否符合预设的条件。其配置核心在于“判断条件”。例如，可以配置一个判断条件，检查Agent审校结果中是否明确包含了“不合规”字样，如果包含，则流转到人工复审环节；否则，则认定为通过。判断条件可以是简单的文本匹配，也可以是更复杂的正则表达式，以适应不同程度的合规性检查要求。
知识库与检索怎么配
知识库的切分策略应遵循“细粒度、高关联”原则。对于制度文稿，可将公司章程、各项规章制度、标准流程文件等作为独立文档导入，并以章节或段落为单位进行切分。对于对外函件，可将历史函件范本、法律法规条文、合作伙伴协议等作为切分依据。索引方式建议采用“段落向量索引”，能够捕捉文本的语义信息。召回条数可根据内容的复杂性设置在5-10条之间，以确保覆盖关键信息。重排器（如：fastgpt-plugin v1.1.2 中的重排模型）的使用至关重要，它能对初次召回的文档进行二次排序，将与查询意图最相关的文档置于靠前位置，提高Agent引用的准确性。召回与重排的平衡点在于，在保证查全率的前提下，尽可能提高查准率，减少Agent处理噪音信息的负担。
验收怎么做
验收流程应分阶段进行，以确保系统在不同场景下的表现符合预期。首先，准备一套覆盖内部通知、制度文稿和对外函件的真实历史文稿作为测试样本集，每种类型不少于20份。其次，定义三个关键量化指标：
- 事实准确率：文稿中引用的事实信息与原始资料的一致性。
- 合规性符合度：文稿是否遵守了预设的写作规范、法律法规及公司制度。
- 语言流畅度与可读性：文稿的表达是否自然、逻辑是否清晰、受众能否理解。
判合格的口径由企业的业务负责人和技术负责人共同制定。对于事实准确率，可设定一个百分比阈值，例如95%，即每份文稿的事实性错误不得超过总事实点数的5%。对于合规性符合度，可以建立一个违规项清单，系统生成的文稿中不应出现清单内的违规项。对于语言流畅度与可读性，则需由人工专家进行主观评估，并达成共识。所有阈值的设定都应基于历史人工处理的水平和对风险的容忍度。
这个行业容易踩的坑
- 模型“幻觉”问题：由于大模型本身的局限性，在生成内容时可能出现与事实不符的“幻觉”现象，导致文稿包含错误信息。
- 知识库更新不及时：公司制度、法律法规等变化较快，如果知识库未及时同步更新，则可能导致生成文稿的合规性不足。
- 模板依赖性过强：过度依赖固定模板，可能导致生成的文稿缺乏灵活性，无法适应一些特殊或新兴的业务场景。
- 审校机制不完善：即便引入AI辅助，最终审校责任仍需明确，如果审校流程设计不当，可能导致自动化生成的错误被放大。
- 缺乏明确的责任边界：AI生成内容与人工编辑的责任划分不清晰，一旦出现问题，难以追溯和问责。
什么情况下先不要做
当企业内部的公文写作规范、审批流程和责任归属尚不明确，或原始文档、数据缺乏基本的结构化整理，且数据质量较低时，不建议立即引入AI公文写作方案。此外，如果企业对AI生成的“幻觉”风险缺乏容忍度，或无法投入足够资源进行持续的知识库维护与模型调优，也应暂缓该方案的实施。在基础管理能力不足的情况下强行上线，不仅难以达到预期效果，还可能引入新的管理风险。
相关阅读
- 日志保留时长按部署形态区分，导出需确认 - FastGPT
- AI智能助手如何减少人工合同审核时间？ - FastGPT
- AI Agent 如何确保日志审计的不可篡改性？ - FastGPT
- AI 智能体如何记录和审计运营行为 - FastGPT
需要进一步确认时
- 商务咨询：了解更多合作细节与定制方案。
- 立即开始：注册平台账户，体验FastGPT功能。
- 定价：获取针对企业级应用的详细报价信息。