杭州,2026 年 8 月 6 日 —— 开源企业 AI 应用平台 FastGPT 公开了交通基础设施领域的两个落地项目。它们指向同一个变化:交通基础设施的管理重心正从新建转向存量养护,而养护的瓶颈不在设备,在于把无人机、视频与传感器产生的数据变成一份能签字的诊断结论。

行业背景:基础设施进入存量养护期

桥梁与隧道的巡检长期存在两个相反的问题。一边是看不见:人工巡检有大量物理盲区,一次完整巡检要花数天,病害判定依赖个人经验,标准难以统一,而无人机、视频与各类传感器的数据各自成岛,风险报告往往滞后。另一边是看得太多:传统图像识别算法在隧道场景误报率极高,每天上千条无效告警要人工逐条核验,7×24 值守的注意力被无效信息占满,真实风险反而容易被漏掉。

两个问题的共同解法,是让多个专职智能体分工协作,并且把上下文(报备记录、人员装备、施工时段)纳入判断;再加一套单点算法解决不了。

两个已上线的项目

桥梁多源协同巡检诊断智能体。华东沿海一家路桥基础设施运营集团基于 FastGPT 搭建了多智能体矩阵:由一个调度智能体统筹,无人机调度、视频图像分析、数据融合与报告生成等子智能体分工协作,巡检全流程通过可视化编排串起来,发现疑似病害自动触发抵近复查,最后融合多模态数据生成健康诊断报告。据该集团的数据,全域巡检时长从数天缩短至数小时;在该项目的实测口径下,桥梁病害的 AI 识别准确率达到 95% 以上,病害判定标准化且可追溯,风险预警从滞后数天变为实时推送。

隧道告警研判智能体。同一家集团用多模态场景理解模型结合隧道报备记录、人员装备与施工时段等上下文综合判别告警,自动过滤养护作业、正常通行等无效告警,只推送高风险事故与火灾预警。每日需人工核验的告警从 1000 余条降至 200 条,误报过滤率 80%,系统 7×24 自动值守,工作人员的精力回到应急处置本身。

项目实施条件与对外表述边界

FastGPT 在自身的场景分类中把交通巡检、财务审核、教育评测、生物医药这类归为“复杂行业智能体”,并明确指出:这类项目业务价值更高,但通常需要私有化部署、多模态模型、系统接口与专项交付,不宜宣传成开箱即用的成品。

同样公开的还有能力边界:FastGPT 的并发、响应速度、知识库规模与文件处理能力取决于部署规格、模型服务、数据库、向量库、队列与网络环境,不存在与部署无关的统一数字;大模型本身仍存在不确定性,识别与判别结果的采信方式需要在项目内约定,高风险处置环节保留人工确认。上述 95% 以上的识别准确率来自该桥梁项目的实测,不构成对其他场景、其他数据集的承诺。

在数据存放上,商业版可完全部署在客户自有服务器或自有云环境中,非向量数据与向量数据分别落在客户选择的数据库上;数据最终位置取决于客户选择的数据库、对象存储、模型服务、插件与网络拓扑,这些应在项目中逐项列清,不能笼统归为“私有化”。

“这类项目不具备开箱即用的条件,需要现场数据、既有系统与验收口径逐项对齐;对外表述也应按项目实测范围来写。”FastGPT 相关负责人表示。

关于 FastGPT

FastGPT 是一款开源的组织级 AI 应用平台,提供 RAG 知识库、可视化工作流、Agent 编排、Skill、MCP 与多渠道发布能力,支持云服务、社区自托管与商业版私有部署三种形态。核心客户群覆盖国央企与政府机构、金融与咨询、制造汽车与电子、生物医药、教育与零售,以及 AI 交付商与系统集成商。截至 2026 年 8 月 6 日,GitHub 仓库 labring/FastGPT 有 29,274 个 Star、7,259 次 Fork,累计 265 个 Release,最新版本为 2026 年 7 月 31 日发布的 v4.15.6。据 FastGPT 官网自报,其服务的企业客户数量超过 1,000 家。