1
TeliChat 用 LLM 理解和生成自然语言，用代码控制业务逻辑和状态，为复杂客服交互构建可靠、可调试的白盒对话 Agent。
对话式 Agent 开发者往往陷入两难：工作流(Workflow)智能体 虽然逻辑严谨但交互僵硬，无法应对自然语言的随意性；而 ReAct 模式的自主智能体 虽然灵活，但却是一个难以控制的 “黑盒”，且响应慢、易产生幻觉。TeliChat 应运而生，它独创 “对话树 + 信息项” 白盒架构，以代码为中心，快速响应，同时保持自然流畅，使其不再是一个简单的聊天机器人框架，而是一个 “确定性业务逻辑” 与 “自然语言交互体验” 的融合引擎。
具体介绍参见：
https://telichat.io/zh-Hans/
https://telichat.io/zh-Hans/docs/next/quick_start
https://telichat.io/zh-Hans/blog
我是TeliChat的主要创建者，使用了 Python、PyTorch、LLM、C/C++、SIP、PJSIP 等技术或组件。
当前，客服对话 AI Agent 的开发者们正深陷一个进退两难的泥沼：
- 要么，你选择 Workflow（工作流）模式，例如常见的 Dify、Coze、LangGraph 等图/流式编排工具，逻辑严丝合缝，但交互极其僵硬。用户只要稍微不按套路出牌——比如插个话、改个之前提供的信息、先回答后面的问题、临时问一句政策——流程就会瞬间崩溃
- 要么，你拥抱 ReAct 模式 的自主智能体（Autonomous Agents），例如 OpenClaw、Claude Code 这类自主 Agent。它足够灵活，但却是一个难以捉摸的 “黑盒”。它响应慢、死贵、动不动就产生幻觉，甚至可能在没得到授权的情况下，自作主张地给客户办了退款。
为了解决这些问题，TeliChat 提出了一个核心理念：让 “代码” 负责业务逻辑，让 “模型” 只负责语言理解和生成。
TeliChat 的核心架构由 “对话树 + 信息项” 构成，且三类能力，精准分工，告别幻觉：
- 对话树：基于有向无环图，精准表达交互逻辑和状态流转。
- LLM：卸下 “做决策” 和 “调工具” 的重担，仅 专注自然语言的理解，包括全局意图识别、信息抽取与自然语言生成。
- Python 代码：在特定节点执行复杂的业务逻辑、权限判断、条件校验和后台 API 编排。
并且通过三重约束死死按住大模型：
- 对话树的拓扑结构：限制对话可以走到哪里。
- 信息项存储的信息状态：决定当前已经知道什么、还缺什么、哪些信息被更新过。
- 集成的Python 代码：负责真正的业务判断、校验和执行。
大模型不再是一个自由发挥的 “业务决策者”，而是一个被清晰约束的 “语言理解器” 和 “表达生成器”。
评论