An AI-agent-first customer support system that unifies live chat, knowledge retrieval, ticketing, and seamless human handoff.
贝壳AI客服是一个以 AI Agent 为核心 的智能客服系统,面向需要同时处理在线咨询、知识库问答、人工接管和工单流转的团队。
它不是一个简单的聊天机器人,而是一套围绕客服场景设计的完整系统:
- AI Agent 先接待,优先处理常见问题与标准流程
- 知识库检索驱动回答,并通过 Answerability Gate 防止超出知识库范围时乱答
- 知识库无法支撑回答时返回兜底提示,并建议用户联系人工客服
- 后台可管理会话、工单、客服组、知识库、AI 配置、Skills 和 MCP
- 提供管理后台、客服工作台与客户侧 Web 接入入口
- AI-first 客服流程:AI Agent 优先接待,支持自动回复、兜底与人工协同
- 在线会话系统:支持访客会话、会话分配、转接、关闭、未读状态与实时消息
- 知识库 RAG:支持知识库、文档、切片、检索日志与检索质量分析
- 工单系统:支持会话转工单、工单分类、状态流转与处理闭环
- 客服组织管理:支持客服档案、客服组、排班与分配能力
- AI 扩展能力:支持 Skills、MCP 调试与外部能力接入
- 统一前端工程:管理后台、客服工作台、客户侧 Web 接入页与嵌入式 SDK 统一放在
web目录
flowchart TD
A[用户发起咨询<br/>Web 客服入口 / Open API] --> B[创建或匹配会话]
B --> C[客户发送消息]
C --> D[触发 AI Reply Runtime]
D --> E[加载会话历史 / AI 配置]
E --> F[按绑定知识库执行检索]
F --> G{知识片段是否足以回答?}
G -- 否 --> Z[返回知识库兜底提示<br/>并建议联系人工客服]
G -- 是 --> H[准备 Skills / MCP Tools]
H --> I[将可信知识上下文交给 Agent]
I --> J{直接回复?}
J -- 是 --> K[LLM 基于知识生成回复并返回用户]
K --> L{问题是否结束?}
L -- 否 --> C
L -- 是 --> M[结束会话或沉淀数据]
J -- 否 --> N{是否调用 Graph / MCP Tool?}
N -- 是 --> O[执行 Skill / Graph / MCP Tool]
O --> P{需要用户确认?}
P -- 否 --> I
P -- 是 --> Q[向用户发起确认]
Q --> R{用户确认结果}
R -- 取消 --> K
R -- 确认转人工 --> S[会话转人工并进入待接入池]
S --> T[按客服组/排班自动分配或人工分配]
T --> U[客服工作台接管]
U --> V{是否需要工单跟踪?}
V -- 是 --> W[人工处理中创建/关联工单]
V -- 否 --> X[人工继续处理]
W --> X
X --> Y[问题解决并关闭]
R -- 确认建单 --> AA[从当前会话创建工单]
AA --> I
N -- 否 --> K
flowchart TD
A[用户进入 Web 客服入口 / Open IM] --> B[创建或匹配会话]
B --> C[客户发送消息]
C --> D[写入 message / 更新 conversation]
D --> E{当前是否允许 AI 回复?}
E -- 是 --> F[异步触发 AI Reply]
E -- 否 --> G[等待人工处理]
F --> H[AI 回复消息写回会话]
H --> I{用户是否继续追问?}
I -- 是 --> C
I -- 否 --> J[会话关闭或保持待处理]
G --> K[客服接管 / 回复 / 转接 / 关闭]
K --> J
flowchart TD
A[AI 判断需人工介入] --> B[发起转人工确认]
B --> C{用户是否确认?}
C -- 否 --> D[继续 AI 对话]
C -- 是 --> E[会话状态置为 pending]
E --> F[记录 handoffAt / handoffReason]
F --> G[按 AI Agent 绑定客服组尝试自动分配]
G --> H{是否分配成功?}
H -- 是 --> I[进入客服工作台 Active 会话]
H -- 否 --> J[留在待接入池]
J --> K[主管或客服手动分配]
K --> I
I --> L[客服处理、转接或关闭]
flowchart TD
A[会话中出现投诉 / 售后 / 报障诉求] --> B{由 AI 还是人工发起?}
B -- AI --> C[Graph Tool 整理工单草稿]
C --> D[发起建单确认]
D --> E{用户是否确认?}
E -- 否 --> F[继续对话或补充信息]
E -- 是 --> G[从当前会话创建工单]
B -- 人工 --> H[客服工作台发起从会话建单]
H --> G
G --> I[写入 ticket / event log]
I --> J[回写会话事件]
J --> K[进入工单指派与状态流转]
K --> L[工单处理完成并关闭]
flowchart TD
A[后台创建知识库] --> B[新增文档 / FAQ]
B --> C[文档清洗与切片]
C --> D[写入向量索引]
D --> E[AI Agent 绑定知识库]
E --> F[用户提问触发 AI Runtime]
F --> G[按知识库配置执行检索]
G --> H[Answerability Gate 判定知识是否足以回答]
H --> I{可被知识片段支撑?}
I -- 是 --> J[将可信知识片段注入运行时上下文]
J --> K[Agent 基于知识生成回复]
I -- 否 --> L[返回知识库 fallback 文案<br/>并建议联系人工客服]
K --> M[记录检索日志 / Answerability Trace / 运行日志]
L --> M
flowchart TD
A[客户消息进入运行时] --> B[装载会话历史]
B --> C[加载 AI Config]
C --> D[按绑定知识库检索]
D --> E{Answerability Gate 是否通过?}
E -- 否 --> F[写回 fallback 回复<br/>并建议联系人工客服]
E -- 是 --> G[加载可用工具并尝试命中 Skill]
G --> H[构造带可信知识的 Agent 输入消息]
H --> I[Agent 执行]
I --> J{输出类型}
J -- 直接回复 --> K[写回 AI 消息]
J -- Tool 调用 --> L[执行 Graph / MCP Tool]
L --> M{是否触发确认中断?}
M -- 否 --> I
M -- 是 --> N[保存 checkpoint / pending interrupt]
N --> O[等待用户回复确认或取消]
O --> P[恢复执行 Resume]
P --> I
- 官网在线客服
- SaaS 产品支持
- AI + 人工混合接待
- 企业内部服务台或运营支持台
- 需要知识库问答与人工协同的客服团队
- Backend: Golang
- Frontend: Next.js 16 + React 19 + shadcn/ui + Tailwind CSS
- Database: SQLite / MySQL
- Vector DB: Qdrant
- AI: OpenAI-compatible LLM / Embedding + RAG + SKILLS + MCP
.
├── cmd/ # server / migration / generator
├── internal/
│ ├── controllers/ # API controllers
│ ├── services/ # business services
│ ├── repositories/ # data access
│ ├── models/ # GORM models
│ ├── migration/ # data migrations
│ └── ai/ # LLM / RAG / MCP related logic
├── web/ # unified Next.js frontend
│ ├── app/dashboard/ # admin dashboard
│ ├── app/kefu/ # customer service entry and chat pages
│ ├── components/ # React components
│ ├── lib/ # API client, SDK source and utilities
│ ├── public/sdk/ # built embeddable SDK assets
│ └── scripts/ # frontend build scripts
├── config/ # config files
└── docs/ # project docs
- Go
1.26+ - Node.js
20+ pnpm- Qdrant
复制示例配置:
cp config/config.example.yaml config/config.yaml默认配置使用:
- SQLite:
data/app.db - Backend:
http://127.0.0.1:8083 - Qdrant gRPC:
127.0.0.1:6334
如果你本地还没有 Qdrant,可以用 Docker 快速启动:
docker run -p 6333:6333 -p 6334:6334 qdrant/qdrantcd web
pnpm install
cd ..同时启动后端和前端:
make run或分别启动:
make run-server
make run-web开发环境默认入口:
- 管理后台:
http://localhost:3000/dashboard - 客服工作台:
http://localhost:3000/dashboard/conversations - 客户侧 Web 接入示例:
http://localhost:3000/kefu - 客户侧聊天页:
http://localhost:3000/kefu/chat
生产构建时,前端统一由 web 工程构建,静态产物输出到 web/out,后端会从 web/out 提供静态资源。
make run # 同时启动后端和前端
make run-server # 启动后端
make run-web # 启动前端
make build # 构建前端静态资源并打包当前平台
make build-web # 构建 web 应用和嵌入式 SDK
make test # 运行 Go 测试
make tidy # go mod tidy
make generator # 执行代码生成
make enums # 生成前端枚举
make migration # 执行 migration- 管理后台:负责 AI Agent、知识库、客服组、工单与运营配置
- 客服工作台:负责接管会话、处理消息与人工服务
- 客户侧 Web 接入:通过
/kefu、/kefu/chat和web/public/sdk中的嵌入式脚本承接用户咨询入口
这使得贝壳AI客服可以同时覆盖:
- AI 接待
- 人工协同
- 知识驱动回答
- 工单追踪闭环
贝壳AI客服适合作为以下方向的开源基础项目:
- AI 客服系统
- AI Helpdesk / AI Support Platform
- RAG 可回答性判定 + Human Handoff 的落地样板
- 面向企业场景的 AI Agent 应用框架
如果你在寻找一个 以 AI Agent 为中心,而不是仅仅把 LLM 嵌进聊天框 的客服系统,这个项目就是为此设计的。