FlowHunt 2.6.12：Slack集成、意图分类及更多新功能
FlowHunt 2.6.12引入了Slack集成、意图分类和Gemini模型，增强了AI聊天机器人的功能、客户洞察和团队工作流程。
1 分钟阅读
FlowHunt
AI Chatbot
+5
将任意 AI 模型接入 Slack — 一个流程，覆盖全部 LLM
过去要在 Slack 中加入 AI 助手，往往意味着选择一家供应商、编写集成代码，并在六个月后出现更好的模型时再次重写一切。借助 FlowHunt，集成与模型解耦：你只需构建一次 Slack 流程，再插入你想用的 LLM —— Claude、GPT、Gemini、Grok、Llama、Mistral —— 之后随时替换，无需触动其他部分。
本指南将带你完成完整搭建。前半部分对所有模型一致；后半部分逐一介绍各 LLM 系列的适用场景与注意事项。你可以直接跳到与你技术栈相符的章节，也可以从零开始通读。
为什么要在 Slack 中放一个 AI 智能体
Slack 是团队提问的地方。常驻其中的 AI 智能体能即时给出答案 —— 无需切换到其他聊天工具、仪表盘或知识库。常见部署：
- 内部问答：基于公司知识库回答 HR、IT 或产品类问题
- 客户支持分流：分派工单、起草回复、上报特殊情况
- 研究助理：摘要分享的 URL、执行网页搜索、按需提取数据
- 工作流自动化：触发计划任务、查询数据库、发布状态更新
- 入职助手：引导新员工完成流程、推送相关文档
机器人就在 Slack 中，因此采用是自然而然的 —— 没人需要学习新工具。
使用 FlowHunt 的 Slack 分步搭建
无论选用哪个 AI 模型，搭建过程都是相同的。模型在第 4 步选择，其余步骤保持一致。
1. 将 Slack 连接到 FlowHunt
登录你的 FlowHunt 账号并打开 Integrations 标签。选择 Slack，点击 Connect，并在 Slack 的 OAuth 页面授权该应用。授予 FlowHunt 请求的读写权限 —— 这些权限允许机器人在你的工作区中接收消息和发送回复。
你的工作区 URL 显示在 Slack 桌面或网页应用的左上角 —— 如果 FlowHunt 询问，从那里复制即可。授权完成后，Slack 即已连接，可在任意流程中使用。
2. 创建新流程并添加 Slack Message Received 模块
在 FlowHunt 流程构建器中，将 Slack Message Received 组件拖到画布上。该模块会监听传入的 Slack 消息，并触发其余流程。
需配置两项：
- 频道与工作区：选择已连接的工作区，并指定整个工作区或某个具体频道。一个专用的
#ai-assistant频道是最干净的方案。 - Only Trigger on Mention：启用此项后，机器人只在被 @ 时才会触发。否则频道内的每条消息都会触发流程。
3. 添加 AI Agent 组件
AI Agent 模块是机器人的推理层。它接收用户消息，决定使用哪些工具，并生成回复。
- Backstory：对机器人角色与范围的简短描述，例如：“你是工程团队的有用 Slack 助手。”
- Goal：机器人的主要目标，例如：“使用所有可用工具和知识源准确回答问题。在相关时引用来源。”
4. 添加 LLM 组件并选择模型
将一个 LLM 组件连接到 AI Agent。这里你将选择驱动机器人的 AI 模型。FlowHunt 为每家提供商准备了独立的 LLM 组件 —— LLM OpenAI、LLM Anthropic、LLM Google、LLM Meta、LLM Mistral、LLM xAI —— 在每个组件内再选择具体的模型变体。
这是因模型而异的唯一一步。比较与各系列说明请跳转到下文 选择适合 Slack 的 AI 模型 。
5. 添加工具（可选但推荐）
当 AI Agent 能够使用工具时，其能力会显著提升。常用工具：
- Google Search Tool —— 用于实时信息的在线网页搜索
- URL Retriever —— 抓取并摘要 Slack 中分享的任意 URL
- Document Retriever —— 在你自己的知识库（Notion、Confluence、Google Drive、文件上传）上进行 RAG
- 自定义 API 工具 —— 调用任何接受 HTTP 的内部服务
工具与模型无关。第 4 步选择的任意 LLM 都能使用任何已接入的工具。
6. 添加 Slack Send Message 模块并测试
用 Slack Send Message 组件收尾，配置为与第 2 步相同的频道和工作区。保存流程，打开 Slack，在测试频道中 @ 机器人。机器人应使用第 4 步所选模型作出响应。
整个搭建到此结束。后续切换模型只是第 4 步中的一次点击 —— 无需修改代码，也无需重建流程。
选择适合 Slack 的 AI 模型
每个主流 LLM 系列都能在 FlowHunt 的 Slack 流程中运行。差异主要体现在成本、延迟、上下文窗口、推理深度以及工具调用质量上。先用表格筛选候选，再阅读对应系列的搭建说明。
| 模型系列 | 适用场景 | 延迟 | 成本 | 备注 |
|---|---|---|---|---|
| Claude (Anthropic) | 长上下文分析、严谨推理、代码评审 | 中等 | 中—高 | 善于遵循细致指令；非常适合基于文档的内部问答 |
| GPT / o 系列 (OpenAI) | 通用、最广的工具生态、多模态 | 低—中 | 低（mini）—高（o 系列） | GPT-4o Mini 是默认甜点；难推理用 o1 / o3 |
| Gemini (Google) | 超大上下文窗口、多模态快速、搜索接地 | 低 | 低—中 | 1.5 Pro 可处理超过 100 万 tokens；非常适合整文档 Slack 问答 |
| Grok (xAI) | 实时/新闻类查询、X（Twitter）数据、随性语气 | 低 | 中 | 当机器人需要时事感知时最佳 |
| Llama (Meta) | 自托管/私有部署、对成本敏感的工作负载 | 取决于宿主 | 低（自托管） | 开源权重 —— 关注数据驻留时使用 |
| Mistral | 开源权重、成本/质量平衡、欧盟友好托管 | 低 | 低—中 | Mistral Large 以更低成本与 GPT-4o 竞争 |
挑一个先开始。在 FlowHunt 中切换模型只是 LLM 组件中的一次点击，因此不必过度纠结初次选择 —— 用一个合理的默认值上线，在真实 Slack 流量上测量质量，然后迭代。
加入我们的新闻通讯
免费获取最新提示、趋势和优惠。
各系列搭建说明
下方各节相互独立。挑选你要接入的模型系列对应的章节，按其说明操作即可。
Anthropic Claude
Claude 是 Anthropic 的 LLM 系列，非常适合处理细腻的内部问答、文档摘要、代码评审与严谨指令遵循的 Slackbot。要将 Claude 接入 Slack，第 4 步拖入 LLM Anthropic 组件并选择变体：
- Claude 3 Haiku —— 最快、最便宜，适合大批量 FAQ 应答
- Claude 3.5 Sonnet —— 主力：推理强、上下文大、性价比好
- Claude 4.5 Sonnet / Opus —— 顶级，处理最难的推理、代码与长文档分析
- 较旧变体（Claude 2、Claude 3 基础版）仍可使用，但已被 Sonnet 3.5+ 超越
对于基于 Notion 或 Confluence 的内部知识 Slackbot，Claude 3.5 Sonnet 加 Document Retriever 是最可靠的起点。
OpenAI GPT 与 o 系列
OpenAI 的 GPT 与 o 系列是 Slack 的最广选择 —— 强大的通用性能、最成熟的工具调用以及多模态输入（视觉、音频）。第 4 步拖入 LLM OpenAI 组件并选择变体：
- GPT-4o Mini —— 默认值。快速、便宜，覆盖 95% 的 Slack 用例
- GPT-4o —— 当你需要更高质量、图像理解或更长上下文时
- GPT-4 Vision Preview —— 当机器人需要解读 Slack 中分享的图片（在很大程度上已被 GPT-4o 替代）
- o1 Mini / o1 Preview / o3 —— 用于困难分析任务的推理模型（更慢、更贵；少量使用）
- GPT-5 —— 在可用之处的前沿等级
大多数团队从 GPT-4o Mini 开始即可。仅在用户抱怨答复质量的流程中升级到 GPT-4o 或 o1。
Google Gemini
当上下文窗口很重要时，Google Gemini 是最强选择 —— Gemini 1.5 Pro 可处理超 100 万 tokens，足以将整份代码库或文档集放进单条 Slack 查询。第 4 步拖入 LLM Google 组件并选择变体：
- Gemini 1.5 Flash / Flash 8B —— 快速便宜；适合大流量 Slack 频道
- Gemini 2.0 Flash / 2.5 Flash —— 更新的 Flash 系列，比 1.5 更快更聪明
- Gemini 1.5 Pro / 2.5 Pro —— 拥有超大上下文的顶级；最适合整文档问答
- Gemini 3 Flash —— 最新的快速模型
如果你的 Slackbot 需要在一次推理中跑完整个知识库（无检索步骤），Gemini Pro 的上下文窗口是最干净的答案。
xAI Grok
xAI Grok 与其他模型一样接入 FlowHunt 的 Slack 流程 —— 拖入 LLM xAI 组件（或根据你的 FlowHunt 版本，使用指向 Grok 端点的 LLM OpenAI 组件），并选择 Grok 变体。Grok 的特色是实时感知 —— 它可以访问实时信息，包括 X（Twitter）数据，因此当 Slackbot 需要时事上下文（新闻、市场数据、突发事件）时是最佳选择。搭配 Google Search Tool 可获得更广的网络访问。
Meta Llama
Meta 的 Llama 系列是开源权重选项 —— 当数据驻留、自托管或单 token 成本排除托管 API 时使用。第 4 步拖入 LLM Meta 组件并选择变体：
- Llama 3.2 1B / 3B —— 小、快，可在普通硬件上运行
- Llama 3.3 Versatile —— 当前旗舰，在许多任务上可与 GPT-4o 相提并论
- Llama 4（在可用之处）—— 新一代
当安全或合规团队要求模型运行在你能控制的基础设施上，或当大量消息使托管 API 成本过高时，Llama 是正确答案。
Mistral
Mistral 是欧洲的开源权重劲敌 —— 强大的模型、欧盟友好的托管以及良好的性价比。第 4 步拖入 LLM Mistral 组件并选择变体：
- Mistral 7B —— 小而快，运行于普通硬件
- Mistral 8x7B (Mixtral) —— 专家混合，强大的通用性能
- Mistral Large —— 旗舰，以更低价格与 GPT-4o 在质量上竞争
当欧盟数据驻留重要，或你想要在某些基准上比 Llama 3.x 更接近前沿质量的开源权重灵活性时，选择 Mistral。
常见 Slackbot 模式
三种流程模式可覆盖大多数 Slack 部署。在以上搭建之上，通过调整 AI Agent 的工具与 prompt 即可构建任一模式：
- 知识库助手 —— 添加指向 Notion / Confluence / Google Drive / 文件上传的 Document Retriever。机器人在回答时引用内部来源。
- 网络研究助手 —— 添加 Google Search Tool 与 URL Retriever。机器人拉取实时网页上下文并摘要团队分享的 URL。
- 工作流智能体 —— 添加调用内部服务的自定义 API 工具。机器人按需触发任务、查询仪表盘、发布状态更新。
这些模式可以叠加：单个 Slack 流程可同时融合知识库检索、实时网页搜索与内部 API 调用，由 LLM 在每次查询时选择合适的工具。
故障排查
机器人不响应消息。 检查 ‘Only Trigger on Mention’ 是否与你的测试方式一致 —— 启用时必须 @ 机器人。确认 Slack Message Received 中的频道与你发帖的频道一致。
机器人有响应但答复质量差。 先迭代 AI Agent 的 backstory 与 goal —— 它们的影响比换模型更大。如果在 prompt 迭代之后质量仍不理想，再在 LLM 组件中升级到更强的模型（Mini → 标准 → 顶级）。
Slack 授权后出现权限错误。 在 FlowHunt 的 Integrations 标签中重新连接 Slack 集成并重新授予权限。Slack 偶尔会在工作区所有者变更后使令牌失效。
长回复在 Slack 中被截断。 Slack 对单条消息有字符上限。在流程中加入对长响应进行拆分的后处理步骤，或在 AI Agent 的 goal 中要求其在向 Slack 发送时将回复保持在 3,000 字符以内。
上线你的 AI Slackbot
整个搭建 —— 连接 Slack、构建流程、选择模型 —— 在 FlowHunt 中是一个晚上即可完成的项目。今天构建的流程对未来任何模型都适用：当 GPT-6 或 Claude 5 发布时，你只需替换 LLM 组件，流程其余部分继续运行。
从 FlowHunt 的免费方案 开始，连接 Slack，在午餐前上线一个可用的 AI Slackbot。
