FastGPT 提供了一种基于 LLM Model 搭建应用的简便方式。

本文通过搭建一个英语作文纠错机器人，介绍一下如何使用 工作流

搭建过程

1. 创建工作流

可以从 多轮翻译机器人 开始创建。

多轮翻译机器人是 @米开朗基杨 同学创建的，同样也是一个值得学习的工作流。

2. 获取输入，使用大模型进行分析

我们期望让大模型处理文字，返回一个结构化的数据，由我们自己处理。

提示词 是最重要的一个参数，这里提供的提示词仅供参考：

## 角色

资深英语写作专家

## 任务

对输入的原文进行分析。 找出其中的各种错误， 包括但不限于单词拼写错误、 语法错误等。 

注意： 忽略标点符号前后空格的问题。

注意： 对于存在错误的句子， 提出修改建议是指指出这个句子中的具体部分， 然后提出将这一个部分修改替换为什么。

## 输出格式

不要使用 Markdown 语法， 输入 JSON 格式的内容。

输出的"reason"的内容使用中文。

直接输出一个列表， 其成员为一个相同类型的对象， 定义如下

您正在找回 FastGPT 账号

```

{

“raw”: string; // 表示原文

“reason”: string; // 表示原因

“suggestion”: string; // 修改建议

}

```

可以在模型选择的窗口中设置禁用 AI 回复。

这样就看不到输出的 json 格式的内容了。

3. 数据处理

上面的大模型输出了一个 json，这里要进行数据处理。数据处理可以使用代码执行组件。

function main({data}){

    const array = JSON.parse(data)

    return {

        content: array.map(

            (item, index) => {

                return `

## 分析${index+1}

- **错误**: ${item.raw}

- **分析**: ${item.reason}

- **修改建议**: ${item.suggestion}

`

            }

        ).join('')

    }

}

上面的代码将 JSON 解析为 Object, 然后拼接成一串 Markdown 语法的字符串。

FastGPT 的指定回复组件可以将 Markdown 解析为 Html 返回。

发布

可以使用发布渠道进行发布。

可以选择通过 URL 访问，或者是直接嵌入你的网页中。

点我使用