Botpress 是一个以可视化 Flow 画布为核心的低代码聊天机器人构建平台，2016 年以开源项目起步，2019 年发布 v12 重写版，2023 年起将主力转向云平台 Botpress Cloud。它解决的问题很直接：团队无需从零搭建 NLU（自然语言理解）、状态机和多通道适配，就能在数小时内上线一个能回答业务问题、接入 WhatsApp/Web Chat 等渠道、并支持人工接管的生产级机器人。平台内置 LLM 对话、知识库（RAG）、变量系统、多渠道集成与日志分析，适合客服、销售线索、内部流程辅助等场景。与 Voiceflow、Dialogflow、Rasa 相比，Botpress 的特点是「LLM 原生 + 可视化为先 + 开源基因」。本篇按「速览 → 安装 → 上手 → 核心能力 → 部署 → 选型」的顺序，给出可直接照做的操作路径与避坑要点。
Botpress 是验证对话式 AI 想法最快、门槛最低的工具之一，也是 AI 从业者理解对话状态机、RAG 与多渠道落地的低成本练习场。
目录
速览卡是工具类内容的固定首屏模块：30 秒判断「这工具是什么、能不能商用、适不适合我」。
为什么需要 Botpress：用画布而非代码搞定对话机器人
传统做法是选一套对话框架自己拼装：用 Rasa 写 NLU pipeline 和 dialogue policy，或直接用 LangChain 编排 LLM，再为每个渠道（网页、WhatsApp、Telegram）分别做适配层。这条路对团队要求高：NLU 数据标注、状态管理、会话上下文、渠道 webhook 调试，每一项都是独立的工程量，MVP 往往要几周。Dialogflow 这类企业平台又偏重强意图建模，自由文本回复和 LLM 接入并不顺畅。
Botpress 把上述能力打包成「Flow 画布 + 内置 LLM + 知识库 + 官方渠道集成」。对话逻辑用节点连线表达，NLU 由平台内置的 LLM 引擎承担，无需自己训练意图模型；你要做的只是画流程、传文档、配渠道。一个带 FAQ 知识库的客服机器人在数小时内即可跑通，且 Web Chat 是一条嵌入脚本，WhatsApp/Telegram 等渠道在界面里点选配置即可。
与同类相比，Botpress 的气质差异在于「LLM 原生」：它不把对话拆成严格的意图/槽位，而是允许自由文本回复并由 LLM 结合知识库生成答案；Voiceflow 同样低代码但偏 Agent 设计，Rasa 更适合需要深度定制、数据自持的团队。选 Botpress 的典型判断是：要快速验证对话式 AI 效果、又不愿意在 NLU 工程上投入太多。
安装与环境配置：云平台三步就绪（自托管一条命令）
Botpress Cloud 是 SaaS，无需安装，按以下三步完成准备：
1. 打开 [botpress.com](https://botpress.com)，用邮箱或 Google 账号注册，进入工作区。
2. 点击「Create Bot」，从模板库选择 Blank Bot（空白流程）或某个官方模板（如 FAQ、客服），完成创建。
3. 在右上角「Preview」面板发送任意消息验证对话可用；此时已完成最小环境配置，无需本地环境。
需要自托管基础设施的团队，可选用开源版 v12（注意：v12 是 2019—2023 年维护的旧架构，不含 Cloud 的 LLM 知识库功能）。官方提供 Docker 镜像，一条命令即可启动，生产环境建议外挂 PostgreSQL 并做好数据卷持久化：
验证方式：Cloud 版直接在预览窗发消息；自托管版浏览器访问 http://localhost:3000，首次启动会引导创建管理员账号并初始化数据库。
# 方式一（推荐）：云端无需安装，浏览器访问 https://botpress.com 注册即可 # 方式二：自托管 OSS v12，仅适合自管基础设施的团队docker run -it -p 3000:3000 botpress/server:v12_29_4
快速上手：10 分钟跑通第一个问答机器人
最小可用流程是：注册 → 创建空白机器人 → 加一句欢迎语 → 配置好「机器人指令（Instruction）」 → 上传 FAQ 文档 → 发布并嵌入网页。核心思路是先用内置 LLM 让机器人「能聊」，再用知识库让它「答得准」，最后用渠道让用户「够得着」。
1. 在工作区点「Create Bot」→ 选择 Blank Bot，进入 Flow 编辑器，画布上已有 start（开始）节点。
2. 在 start 节点后拖入一个「Say」（回复消息）卡片，写入欢迎语，例如「您好，我是售前助手，可以问我关于产品的问题」。
3. 在左侧导航进入「Assistant / Agent」相关设置（不同版本入口名为 LLM 或 Assistant），填写 Instruction：告诉模型你的业务背景、回复风格和兜底话术。
4. 进入「Knowledge Base」，点击新建知识库，上传 FAQ 文档（支持 txt、md、pdf、docx 及网页链接），系统自动分块并建立向量索引。
5. 回到预览窗提问「你们的退货政策是什么」，验证 LLM 能基于知识库内容回答。
6. 点击「Publish」发布，然后在渠道页复制 Web Chat 的注入脚本，粘贴到任意 HTML 页面底部即可上线。
7. 若要接入 WhatsApp/Telegram 等渠道，在 Channels 页选择渠道、按引导完成账号授权即可，无需写 adapter 代码。
Web Chat 嵌入脚本（发布后从平台复制，把 Bot ID 替换为你自己的）：
进阶：若要把机器人接进自研 App，使用官方 Converse API 发送消息并拿到回复：
<script src="https://cdn.botpress.cloud/webchat/v1/inject.js"></script><script src="https://media.botpress.cloud/你的BOT_ID/webchat/inject.js"></script>
curl -X POST "https://media.botpress.cloud/{BOT_ID}/api/v1/chat/messages" \ -H "Authorization: Bearer {BOT_TOKEN}" \ -H "Content-Type: application/json" \ -d '{"userId":"user-123","type":"text","text":"你好"}'
核心能力详解：5 大支柱
支柱一·可视化 Flow 编排。 对话逻辑以流程图画布为主交互：节点包括回复消息（Say）、提问（Question）、条件判断、发起调用（Execute Code）、转人工（HITL）等，用连线定义跳转；复杂逻辑可拆分子 Flow 复用。相比手写状态机，Flow 把「多轮对话的状态转移」变成可读的拓扑图，业务人员能直接参与维护。
支柱二·LLM 原生的对话引擎。 平台内置 LLM 对话层，机器人除走 Flow 分支外，还能对任意自由文本生成回复；通过 Instruction 指令控制语气与边界，并支持 OpenAI、Claude、Gemini 等模型选择。这意味着「闲聊兜底」和「未建模问题的弹性回答」不需要写规则，是 Botpress 与传统意图型平台最核心的差异。
支柱三·知识库 RAG。 知识库支持上传本地文件或抓取网页，系统自动切分文档、向量化并建立索引；对话时 LLM 先检索相关片段再生成答案，实现开箱即用的文档问答。适合 FAQ、产品手册、政策文件等场景。注意索引不是实时重建，文档更新后需手动同步。
支柱四·多渠道与集成生态。 一个 Bot 可同时发布到 Web Chat、WhatsApp、Facebook Messenger、Instagram、Telegram、Slack、Microsoft Teams 及 Shopify、Stripe、HubSpot 等平台，各渠道共用同一套对话逻辑。此外提供 Webhook、Converse API 和管理 API，可把机器人消息实时推送至自有系统。
支柱五·生产级平台设施。 内置变量系统（bot / user / session / temp 四级作用域）、会话记忆、HITL 人工接管、多语言回复、日志与数据分析、团队协作与权限管理。需要定制业务逻辑时可使用 Code 卡片写 JavaScript，但运行在平台沙箱中，复杂计算建议通过 Webhook 交给自己的后端。
生产部署与监控：从上线到运维
云平台部署。 机器人流程设计完成后点 Publish 即生效，基础设施由官方托管，无需服务器运维。需要上线的渠道在 Channels 页统一管理；WhatsApp 等渠道需要 Meta 企业认证与消息模板审核，要预留至少数天的审核周期。上线后每个渠道的流量共用同一个 Bot 实例，消息、变量、知识库全局一致。
自托管部署。 仅适用于 OSS v12 分支：用 docker-compose 编排 botpress/server 与外置 PostgreSQL，配置数据卷持久化与备份策略；NLU 模型与对话记录都存在本机数据库，适合数据合规要求高的团队。代价是 v12 没有 Cloud 的 LLM 知识库、Assistant 等新能力，需要自行接入模型 API。
可观测性。 平台提供对话日志（每轮完整 transcript 可回放）、消息量与活跃用户分析、以及 credits 消耗情况；可在日志中检索异常会话定位问题。需要自有监控时，将 Webhook 挂到机器人事件上，把关键事件（转人工、错误、超时）转发到内部日志系统或 IM 群。上线前建议先做一轮「口径测试」：把常见问题与困难问题的期望答案写成用例，逐条在预览窗验证，避免把知识库的偏差带到生产。
<p class="para-label">避坑清单：</p>
<ul class="dash-list"><li>生产环境务必监控 credits 用量：LLM 对话与知识库检索按 token 计费，免费额度只够原型验证，上线前升级套餐并设置用量告警。</li><li>知识库不是传一次永久生效：文档更新后需要重新同步索引，且长文档分段直接影响召回质量，建议一份文档一个主题。</li><li>不要用 v12 旧教程套 Cloud：两者画布、API、渠道配置完全不同，网上大量 v12 时代的教程（模块、bpfs、ngrok 流程）已不适用。</li><li>Code 卡片在平台沙箱运行，无法访问文件系统、不能装依赖、外网请求受限，重逻辑请走 Webhook 交给自建后端。</li><li>WhatsApp/Meta 渠道需企业认证与模板审核，别到上线当天才提交；先接 Web Chat 验证流程，再补渠道。</li></ul>
| 维度 | Botpress Cloud | Voiceflow | Dialogflow CX | Rasa Pro |
|---|---|---|---|---|
| 定位 | 低代码 LLM 聊天机器人平台 | 低代码对话式 AI Agent 平台 | 企业级 NLU 对话/语音平台 | 开源对话式 AI 开发框架 |
| 编排范式 | 可视化 Flow + Code 卡片 | 可视化画布 + Agent 节点 | 意图/实体 + 状态机 | Python 代码定义 NLU 与对话 |
| 类型约束 | 半结构化（Flow + 自由文本） | 半结构化 | 强类型（意图/槽位/参数） | 强类型（意图/实体） |
| 学习曲线 | 低 | 低 | 中高 | 高 |
| 生态集成 | 官方渠道多（IM/CRM） | 渠道较多 + API | Google 生态 + 电话语音 | 需自建渠道适配 |
| 生产部署 | SaaS 托管；自托管仅旧版 | SaaS 托管为主 | GCP 托管 | 自托管 Docker/K8s |
| License | SaaS 订阅 + 源码可用 | 商业 SaaS | 商业 SaaS 按量计费 | AGPL-3.0 + 企业版 |
| 适合谁 | 产品/运营快速上线客服销售 Bot | 无代码团队做 Agent 原型 | 大企业复杂 IVR/多语言 | 强定制、数据自持的 AI 团队 |
选型建议：想用最少工程投入上线客服/销售机器人并接 WhatsApp、Web Chat，首选 Botpress Cloud，其内置 LLM 与知识库能省掉大多数 NLU 工作。需要电话/语音渠道与强意图建模的企业场景选 Dialogflow CX；数据必须自持、要深度定制 NLU 的团队选 Rasa。Voiceflow 适合已有 Agent 设计习惯、偏好完全无代码的团队，但自托管和开源能力弱于 Botpress。
版本迭代
Botpress 2016 年以开源 Node.js 机器人框架起步；2019 年 v12 大改版引入新 NLU 引擎并把可视化 Flow 作为主交互，许可证由 Apache-2.0 改为 AGPL-3.0；2023 年起官方重心转向 Botpress Cloud，内置 LLM 对话并按 credits 计费；2024 年后 Cloud 持续上线知识库（RAG）、Assistant 会话层与更多渠道/CRM 集成，v12 开源线停止主推。（截至 2025，Cloud 为唯一主推产品线）
| 版本 | 时间 | 变化 | 提升 |
|---|---|---|---|
| v11.x | 2018 | 模块化机器人框架 + 插件生态 | 面向开发者的 Node 框架，Apache-2.0 可商用 |
| v12 | 2019 | 全新 NLU 引擎与可视化 Flow 编辑器 | 交互从纯代码转向画布编排，协议改为 AGPL-3.0 |
| v12.29/v12.30 | 2022–2023 | OSS 线最后稳定版系列 | 支持 Docker 自托管与 PostgreSQL，官方转向云产品 |
| Botpress Cloud | 2023 | 低代码 SaaS 平台，内置 LLM 对话 | 免安装、免费额度 + 订阅制，面向非开发者 |
| Cloud 持续迭代 | 2024–2025 | 知识库（RAG）、Assistant 会话层、渠道集成扩充 | SaaS 按月更新；新能力不向自托管版开放 |
Botpress 的演进主线是「从开发者框架 → 可视化编排 → LLM 原生 SaaS」，每一代都在降低对话机器人的搭建门槛。平台型产品没有公开的模型基准分数可横向对比（它不发布 MMLU 类评测），选型时建议以实际对话质量、渠道覆盖与 credits 成本为准，重点关注知识库召回效果与 LLM 兜底表现。
AI 应用场景
企业客服问答机器人（知识库 RAG）
阶段：RAG 管道构建 / 文档智能
解决的问题：客服团队靠人肉翻 FAQ 与工单系统，重复咨询占用大量人力，节假日无人值守。Botpress 将售后政策、商品说明上传知识库后，LLM 自动检索并作答，解决不了的问题经输出卡片一键转人工。
具体案例：某电商团队把退换货政策、物流时效等 50 篇文档接入知识库，上线后约 60% 的重复咨询由机器人直接解决，人工会话量下降约一半，夜间时段也能即时响应。典型配置为「知识库 + Instruction 兜底话术 + HITL 转人工」。
多渠道销售线索获取（WhatsApp / Instagram）
阶段：Agent 编排 / 渠道分发
解决的问题：社媒私信询价响应慢、线索跟进靠手工复制粘贴。Botpress 把 Instagram DMs 和 WhatsApp 接入同一 Bot，自动回答产品咨询、发送报价卡片，并把用户意向通过 Webhook 同步到 CRM。
具体案例：某消费品牌将 Instagram 私信接入 Botpress，询问「价格/库存」的会话由机器人秒回，线索响应时间从天级降到秒级，表单收集率明显提升；结合 HubSpot 集成实现线索自动建档与跟进提醒。
内部 IT/HR 工单收集与引导
阶段：多轮对话 / 流程引导
解决的问题：内部工单表填写率低、信息残缺导致来回澄清。用 Botpress 设计引导式多轮对话，逐项收集设备型号、问题描述、紧急程度，再通过 Webhook 写入工单系统。
具体案例：某公司 IT 支持机器人上线后，工单关键字段（设备型号、发生时间）完整率显著提升，机器人完成信息收集后自动建单，人工坐席不再需要追问基础信息，平均处理时长随之缩短。
常见误区
误区我在 GitHub 上看到 botpress/botpress 开源仓库，那 Botpress 就是可以随意部署的免费开源框架，直接用 v12 的教程搭建就行。
正解Botpress 现在的旗舰产品是 Cloud SaaS，主推内置 LLM、知识库与免费额度；开源的 v12 是 2023 年前的老架构，已停止主推，其画布、API、模块系统与 Cloud 完全不兼容，网上多数 v12 教程无法在 Cloud 上复现。
为何常见：官方 GitHub 仓库长期存在 + 「开源」标签深入人心，但产品重心迁移后，旧仓库容易误导新用户把老版本当当前版本。
误区既然是 LLM 原生平台，我把节点连好、传几个文档，机器人就能准确回答所有业务问题。
正解对话质量取决于 Instruction 指令、知识库内容和模型选择三个要素。不写清楚业务边界与兜底话术，机器人会在知识库查不到时胡编；知识库文件杂乱、分段不合理会直接拉低召回准确率。上线前必须做一轮用例测试。
为何常见：低代码和 LLM 能力让「零配置」的预期变高，但 RAG 系统本身的检索质量工程依然存在，只是被平台掩盖了部分复杂度。
误区平台有免费版还能用 GPT 级别的模型，我直接拿免费额度上线，省掉服务器费用。
正解免费额度以 credits 计算，LLM 对话、知识库检索每次交互都会扣减；真实用户日活稍高，免费额度几天就会耗尽，额度耗尽后机器人会停止智能回复。生产环境应升级付费档位并设置用量监控。
为何常见：SaaS 免费策略常见，但 credits 是 token 级消耗，与「消息条数」的直觉差异很大，容易低估真实成本。
误区我把文档传进知识库，答案就永远准确；改文档也不用管平台。
正解知识库在文档上传时建立索引，业务文档更新后必须手动触发重新同步，否则模型仍会检索到旧内容；同时不同格式文档的分段效果不同，PDF 扫描件、表格类内容检索质量往往较差。
为何常见：把知识库类比成「搜索引擎」——用户只看到上传动作，看不到背后的索引与分段机制，自然以为内容即时、永久生效。
面试题
Q1. Botpress Cloud 构建对话机器人的主要交互方式是什么？
- A.可视化 Flow 画布编排节点← 正确答案
- B.纯 Python 脚本编写逻辑
- C.正则表达式规则引擎
- D.自训练视觉模型识别
答案：A。Botpress Cloud 以可视化流程画布为核心，拖拽节点连线即可编排多轮对话；纯 Python、正则规则均非其主交互方式，平台也不要求训练自建模型。
Q2. Botpress 中实现「上传文档后让机器人据此回答」应使用哪项能力？
- A.知识库（Knowledge Base）← 正确答案
- B.定时任务（Scheduling）
- C.广播消息（Broadcast）
- D.人工接管（HITL）
答案：A。知识库支持上传 FAQ/产品文档，自动分块向量化，LLM 基于检索结果回答；定时任务、广播用于主动消息，HITL 用于转人工，与文档问答无关。
Q3. 关于 Botpress 开源版 v12，下列说法正确的是？
- A.许可证为 AGPL-3.0，官方已停止主推← 正确答案
- B.与 Cloud 版 API 完全兼容
- C.内置 Cloud 的知识库 RAG 能力
- D.主要面向非技术用户
答案：A。v12 自 2019 年起采用 AGPL-3.0，2023 年后官方重心转向 Cloud 并停止主推；v12 与 Cloud 画布/API 不兼容，也没有内置 LLM 知识库，其定位是面向开发者的框架。
Q4. 以下哪些属于 Botpress 的内置变量作用域？
- A.user（用户级跨会话）← 正确答案
- B.session（会话级临时）← 正确答案
- C.temp（节点内临时）← 正确答案
- D.global（全局配置）
答案：ABC。Botpress 变量分为 bot、user、session、temp 四级作用域，分别对应机器人级、用户级、会话级和节点内临时；不存在 global 作用域，选项 D 为干扰项。
Q5. Converse API 可以用于以下哪些场景？
- A.自研 App/网页接入机器人对话← 正确答案
- B.自动化测试机器人的回复逻辑← 正确答案
- C.替代 Flow 画布做可视化编排
- D.直接替换知识库向量索引
答案：AB。Converse API 是消息收发型 HTTP 接口，可把任意前端接进来，也常用于接口级回归测试；画布编排和知识库索引是平台内部能力，不通过 Converse 暴露，C/D 错误。
Q6. 关于 Botpress 知识库机制，下列说法错误的是？
- A.支持上传 PDF、txt、md 文件
- B.支持抓取网页链接生成索引
- C.文档更新后索引立即自动生效← 正确答案
- D.检索基于向量索引完成
答案：C。文档上传后自动分块建索引，但内容更新后需要手动重新同步，不会秒级自动生效，否则会检索到旧内容；A、B、D 均为知识库的真实能力描述。
Q7. 将 Botpress 机器人投入生产前应完成哪些准备？
- A.监控 credits 消耗并预估成本← 正确答案
- B.提前提交 WhatsApp/Meta 渠道认证← 正确答案
- C.更新知识库文档并重建索引← 正确答案
- D.改用 v12 自托管以免费获取 LLM
答案：ABC。credits 按 token 计费需监控；Meta 渠道认证耗时需提前；文档更新要重建索引。D 错误：v12 不自带 LLM 知识库，自托管仍需自接模型与算力，并非「免费获取 LLM」。
Q8. Botpress Cloud 中「机器人无法回答时转给真人坐席」的功能是？
- A.HITL 人工接管← 正确答案
- B.Webhook 触发
- C.Code 卡片
- D.知识库同步
答案：A。HITL（Human-in-the-loop）即人机协作，机器人通过转人工节点把会话移交给真人，坐席在平台界面实时接管；其余选项与转人工无直接关系。
Q9. 与 Voiceflow 相比，Botpress Cloud 更突出的差异点是？
- A.内置 LLM 对话层与知识库 RAG← 正确答案
- B.只能发布到网页一个渠道
- C.完全无法编写自定义逻辑
- D.仅支持自托管不支持云托管
答案：A。Botpress 以 LLM 原生对话和知识库为核心差异，且支持多渠道、提供 Code 卡片、SaaS 托管；B、C、D 均与事实相反。
Q10. 需要让机器人「跨会话记住用户姓名」，应把变量存入哪种作用域？
- A.user（用户级跨会话保留）← 正确答案
- B.temp（节点内临时存储）
- C.session（仅当前会话有效）
- D.依靠 LLM 自动长期记忆
答案：A。user 作用域存储用户属性并在跨会话间保留；temp 仅流程内生效，session 仅当前会话有效。LLM 记忆有限且不受控，不适合作为持久化方案。
参考来源
- webpageBotpress 官网产品入口、定价与官方模板库