Botpress 教程：构建与部署 AI 聊天机器人

企业正加速用 AI 代理自动化客服、线索筛选和内部流程。技术已经足够成熟，实用价值凸显。但如果从零开始搭建聊天机器人，您需要拼装 LangChain 等框架并调试各类 API 集成。虽然可行且有其优点，但开发迭代会比较慢。 

像 Botpress 这样的平台提供了另一种工作流。您可以使用可视化工具设计对话流程。底层所用的 AI 模型可以相同，但用于构建、测试与部署的基础设施已就绪。

本文将带您用 Botpress 构建 AI 代理。您将了解平台架构，创建第一个机器人，将其连接到真实服务，并部署到生产环境。我还会分享一些在平台上实践得到的技巧与最佳实践，帮助您节省时间。

什么是 Botpress？

Botpress 是一个用于构建 AI 代理的平台，能够与用户进行对话、根据用户表述触发操作，并连接到 Shopify、Google Sheets 或您自有的 REST API 等工具。竞品包括 Dialogflow、Rasa、Microsoft Bot Framework 和 Amazon Lex。

平台概览

Botpress 同时提供可视化开发环境（Botpress Studio）和通过 API 的编程化控制。可视化界面便于非技术成员设计对话流程，而开发者可以编写代码。一些平台如 Rasa 更偏向代码优先，如果您是熟悉 YAML 与 Python 的独立开发者，可能会更直接。

在 Botpress 中，您需要定义机器人应做什么（指令与工作流）、知道什么（知识库与表格），以及可以采取哪些动作（集成与自定义代码）。平台负责基础设施：托管、扩展与编排。

Botpress 的架构与分层。作者供图

与基于 LangChain 等框架从零搭建相比，Botpress 为您提供可直接用于生产的组件。与纯无代码平台相比，当预构建的可视化工具无法满足需求时，它也支持您编写真实代码。

谁在使用 Botpress？

该平台服务对象广泛：从构建首个聊天机器人的独立开发者，到在多渠道部署代理的企业。常见场景包括客服自动化、线索筛选、预约安排，以及内部服务台系统。

根据一则 Botpress 客户案例，Ruby Labs 报告的结案率达 98%。这些数字来自厂商案例研究，需要结合背景理解。

设置 Botpress

下面演示如何设置 Botpress，这里指配置 Botpress CLI 与 SDK，以便采用“将机器人作为代码”的工作流。

安装

开始之前，您需要：

• Node.js 18 或更高版本（建议 LTS）

• 包管理器： npm、pnpm 或 yarn

• 代码编辑器。推荐使用 VS Code 或 Cursor 以获得良好的 TypeScript 支持

安装步骤如下：

1. 打开终端或命令提示符

2. 使用 npm 全局安装 Botpress CLI：

npm install -g @botpress/cli技术支持

3. 通过查看版本验证安装：

bp --version技术支持

建议在 WSL2（Windows Subsystem for Linux） 中运行 Node.js 与 Botpress CLI，以避免常见的 Windows 路径与权限问题。

如果在 PowerShell 中运行 bp 出现错误，可能需要调整执行策略。以管理员身份运行 PowerShell 并执行： Set-ExecutionPolicy RemoteSigned。

本地开发

本地开发便于使用 GitHub 进行版本控制、使用 TypeScript 提升类型安全，并借助 GitHub Copilot 等工具自动生成代码。这种做法将聊天机器人视为常规软件项目。

初始配置

安装 CLI 后，需要将本地环境与您的 Botpress Cloud 账号连接。

1. 认证

登录账号以绑定您的 CLI 密钥。

bp login技术支持

这会打开浏览器窗口以授权 CLI。

2. 初始化项目 

为您的机器人创建一个新目录并初始化项目结构。

mkdir my-first-bot
cd my-first-bot
bp init技术支持

按提示选择 TypeScript 模板。

3. 配置环境变量 

在项目根目录创建 .env 文件以存放敏感密钥（如数据库凭据或第三方 API 密钥）。切勿将该文件提交到 Git。

4. 部署到测试环境 

将本地机器人推送到云端，在 Studio 中进行测试。

bp deploy技术支持

开始使用 Botpress Studio

Botpress Studio 是实际构建机器人的地方。 

可视化开发环境

Studio 打开后会显示画布，其中呈现机器人的对话流程。节点代表对话中的步骤，节点之间的连线展示用户在机器人中的流转方式。右键点击画布任意位置即可创建新节点。

左侧边栏显示工作流、系统流、变量与模式。右侧边栏为选中节点的检查器，可在此配置指令及附加动作。使用底部的模拟器可实时测试机器人。

Botpress 模板

在 Botpress Hub 中，您可以找到适用于客服、预约安排、线索筛选等场景的生产级模板。Kitchen Sink 模板演示了用户数据加载、工作流路由与人工坐席接管等高级概念。您只需自定义指令、替换为自己的知识库，然后部署即可。

创建您的第一个机器人

我们来构建一个简单的客服机器人。创建一个新机器人并命名为 "support-bot"。跳过向导，直接进入 Studio。

在 Home 选项卡中（如果不可见，请将起始节点连接到新的自治节点），添加指令：

You are a helpful customer support agent. Answer questions about our products and services using the knowledge base. Be friendly, concise, and professional. If you can't answer a question, offer to connect the user with a human agent.技术支持

现在添加一个知识库。点击左侧边栏中的 Knowledge Bases，然后选择 Create Knowledge Base。选择 Website 作为来源类型，并输入公司网站 URL。Botpress 会抓取站点并提取信息。

回到 Home 选项卡，滚动到 Knowledge Bases，打开刚创建的知识库开关。这样自治节点就能访问这些信息。

在模拟器中测试。询问 “你们的营业时间是什么时候？” 或 “如何退货？” 机器人会搜索您的知识库并给出相关回复。

在 Botpress 模拟器中实时测试客服机器人

这个基础机器人已经能处理相当多的客服工作。它能回答网站上的问题、保持对话上下文，并自然回应。整个搭建大约只需五分钟。

自然语言理解

如果您在 2023 年之前构建过聊天机器人，可能会注意到一个不同点：您并未像传统 NLU 系统（LLM 之前）那样训练意图分类器或编写实体抽取规则。（如果您对此较新，只需要知道旧平台通常要求大量前期训练工作，而 Botpress 完全免去了这一步。）

其原理是：Botpress 使用大型语言模型进行自然语言理解。您只需编写说明机器人应做什么的指令，LLM 会在运行时处理意图识别、实体抽取与语境理解。

这也改变了实际需要配置的内容。日期、时间和联系方式等常见实体可以直接使用，因为 LLM 已经理解这些模式。领域特定的实体则需要不同处理：您在指令中描述需求，并可选地定义模式（schema）。LLM 会像处理其他内容一样解读这些要求。

构建高级对话逻辑

简单机器人负责答疑。高级机器人会决策并与外部系统集成。Botpress 提供了构建两者的工具，但我认为多数组队在早期往往过度复杂化。在验证基础的问答确实有效之前，您通常并不需要工作流逻辑。

工作流架构

工作流将机器人的逻辑组织为可管理的模块。主工作流处理主要对话流，子工作流处理特定任务，例如预约安排或退货处理。

工作流中的节点表示明确步骤。标准节点自上而下执行一系列动作；自治节点使用 LLM 决定要执行的动作及顺序。入口与出口节点标记用户进入与离开子工作流的位置。

Botpress 模块化工作流架构。作者供图

模块化对话逻辑意味着将复杂任务拆解为更小、可复用的单元。一次性构建收集支付信息的工作流，随后在结账、订阅与捐赠流程中复用。这样能减少重复，并便于维护。

路由器模式会根据用户需求将其引导至合适的工作流。在初次问候后，先分类用户意图，再路由到正确的子工作流。这样可让每个工作流专注于单一任务。

对话设计最佳实践

语言理解的突破是真实存在的，但它无法修复结构不佳的机器人。仍然需要清晰的对话流程与有意图的设计。真正的区别在于，您在更高层面进行设计：定义机器人应做什么，而不是训练它去识别特定短语。

从清晰的问候开始，设定预期。先设计“快乐路径”，再补充错误处理。让自治节点聚焦于一个概念性任务。对支付等重要操作使用确认步骤。在构建工作流之前先绘制用户旅程，以识别决策点与所需信息。

我也读到过这样的观点：过多“您确定吗？”这类提示会让用户形成不加思索就点过的习惯。“当每一步都需要确认时，任何确认都不再有效”，可作为一个不错的经验法则。将确认保留给真正不可逆的操作：支付、账户删除、数据丢失。

工作流自动化

除本文覆盖的基础之外，Botpress 支持用于生命周期自动化的钩子（在会话开始、发送消息等时机运行代码），以及用于预约提醒等重复任务的计划工作流。这些功能非常强大，但也最容易迅速变得复杂。

集成与插件生态

当 Botpress 机器人连接外部服务时，其能力会成倍增强。Botpress Hub 提供常用工具的预构建集成，您也可以为专有系统构建自定义集成。

预构建集成

Hub 中包含消息平台（WhatsApp、Slack、Microsoft Teams、Telegram）、CRM（HubSpot、Salesforce）、效率工具（Google Calendar、Google Drive、SharePoint）和支付处理（Stripe）等集成。如果您需要连接热门服务，通常都已有可用集成。

安装一个集成会在卡片面板中新增卡片。例如，CRM 集成会提供创建联系人、更新交易、搜索记录等卡片。将这些卡片拖入工作流即可连接机器人与外部服务。

配置在集成设置中完成。您需要提供 API 凭据，选择可访问的数据，并将机器人变量映射到外部字段。集成会处理身份验证、限流与错误恢复。

自定义集成

对于专有系统或独特需求，可使用集成 SDK 构建自定义集成。定义集成接口、实现连接逻辑并处理认证。SDK 提供 OAuth 流程与 Webhook 处理的辅助工具。使用内置工具在本地测试后再部署。将凭据存放于配置变量中，验证所有输入，并实现完善的错误处理。

定价模式与部署选项

Botpress 的定价围绕 AI 使用量而非按消息或按会话收费。是否昂贵取决于您的量级与用例。我们之前构建的简单客服机器人——基于知识库的问答——每条用户消息触发一到两次 LLM 调用，成本极低，这并不意外，因为我们构建很快，而且只是示例。 

更复杂的机器人如果还要搜索您的 CRM、检查库存并计算运费，就会为处理这些数据额外发起 LLM 调用，AI 成本将按比例增加。平台按供应商标准费率转嫁 AI 成本，不加价。因此您的实际支出取决于每次对话需要多少次 LLM 调用以及所选模型。

定价结构

Botpress 提供多种订阅方案，具有不同功能与适用场景。

我之前构建的餐厅机器人使用的是免费层。按量计费模式让您无需月费即可试验，只有当机器人实际处理对话时才开始产生成本。

部署与扩展

随着流量增长，Botpress 会自动扩展，稳定处理 10 或 10,000 次对话。附加组件可通过增加存储、提升配额与提供高级集成来扩展功能。企业功能包括 SSO、审计日志、基于角色的访问控制与专属支持。

社区与支持

请查阅官方文档，其中包含代码示例、视频教程与参考资料。 

Botpress Discord 服务器拥有超过 30,000 名成员，大家在此提问、分享机器人，并相互学习。Botpress 团队积极参与。GitHub 讨论区用于功能请求与缺陷报告。您还会发现社区构建的模板，覆盖常见用例，因此不必每次都从零开始。

结语

我们构建的餐厅机器人很简单，但相同方法同样适用于更复杂的项目。可视化工作流编辑器与集成体系，无论用于基础 FAQ 机器人还是更复杂的方案，都能很好扩展。

关键在于小步起步。先构建一个把一件事做好 的机器人，部署、基于真实使用反馈迭代，再逐步扩展。不要试图一次性自动化所有事情。聚焦以最小复杂度创造最大价值的任务。

想要提升您的 AI 与聊天机器人技能，可查看我们的 Building Chatbots in Python 课程与 ChatGPT Fundamentals 学习路径。若需改进机器人回复的提示工程技巧，请参阅 Understanding Prompt Engineering。如需探索超越聊天机器人的工作流自动化与 AI 代理，请阅读 n8n: A Guide With Practical Examples 教程与 Building Your First AI Agent with n8n 实战演练。