[DataAgents/知识库/智能客服] 智能客服 + 知识库的开源项目调研

1 概述：智能客服 + 知识库 的开源项目调研

分类：RAG知识库问答平台（偏AI知识库，可快速搭建客服）、完整智能客服系统（对话引擎+坐席+知识库）、底层框架/组件（二次开发）；覆盖开源协议、核心能力、适用场景、优缺点。

RAG知识库平台（最常用，零代码即可做AI客服）

这类项目自带WebUI、文档解析、向量库、对话组件，嵌入网页/企微/钉钉即可对外提供智能客服能力。

项目	开源协议	核心定位	核心能力	适合场景	优缺点
MaxKB: ⭐22.7k	GPL‑v3	企业知识库问答，轻量化智能客服	多知识库管理；混合检索；网页挂件；多模型；工作流；API接口；Docker一键部署	中小企业客服、内部问答、帮助中心	✅部署简单，UI友好，面向客服场景优化 ❌复杂Agent能力弱；GPL协议修改需要开源
FastGPT: ⭐29.6k	Apache‑2.0	知识库+工作流AI应用平台	文档分块、混合检索、重排；可视化工作流；知识库API；多渠道接入；引用溯源	中小智能客服、FAQ机器人、业务问答	✅知识库能力成熟，国内社区活跃 ❌高级编排复杂场景能力弱于Dify
Dify: ⭐155k	Apache‑2.0	全能LLM应用开发平台	RAG完整策略、Agent、Workflow/Chatflow；丰富工具调用；企业权限；外部数据源接入；多渠道发布	复杂客服、多轮业务对话、客服Agent	✅扩展性最强，可做复杂业务流转 ❌配置项多，简单客服场景上手较重
RagFlow: ⭐90.2k	Apache‑2.0	专业文档RAG平台	深度文档解析(PDF/表格/OCR)；细粒度切片；多种检索策略；知识库评测；文档质量分析	文档密集型客服（合同、手册、说明书）	✅文档理解能力强，RAG调优工具完善 ❌资源消耗高，客服坐席原生能力缺失
ChatWiki: ⭐2.1k	AGPL‑3.0	私有化AI知识库&客服机器人	多格式文档上传；RAG；网页挂件；企微/公众号接入；简易人工转接；Docker部署	面向网页、私域渠道轻量客服	✅面向国内生态，开箱即用 ❌社区规模相对小
Anything‑LLM: ⭐65.8k	MIT	轻量私有化RAG	对接几乎所有向量库；多模型；简单聊天窗口；网页嵌入；本地优先部署	个人/小团队内部客服、简单问答	✅部署极简，资源占用低 ❌企业权限、工作流能力薄弱
KoalaQA: ⭐552	AGPL‑3.0	AI原生售后服务系统	RAG知识库、对话会话、知识缺口挖掘；AI转人工；权限板块管理；客服运营统计	售后客服、用户社区问答	✅原生客服运营能力，知识自动迭代 ❌生态体量小于Dify/FastGPT

完整的开源智能客服系统（含对话引擎、坐席工单、知识库模块）

不止RAG问答，包含会话管理、人工坐席、工单、多渠道接入、对话流程编排，贴近真实客服平台。

1. Chatwoot : ⭐ 36.6k

   • URL: https://github.com/chatwoot/chatwoot / https://www.chatwoot.com/
   • 协议：AGPL‑3.0
   • 定位：开源全渠道客服套件（对标Zendesk）
   • 能力：网页、公众号、邮件等多渠道；人工坐席；工单；内置知识库帮助中心；可对接外部RAG作为AI机器人；报表统计。
   • 场景：需要人工+AI混合客服完整平台；已有知识库对接AI。
   • 特点：成熟生产级；AI能力需要对接外部RAG框架，原生RAG弱。

2. LibreDesk : ⭐ 2.9k

   • URL: https://github.com/abhinavxd/libredesk / https://libredesk.io/
   • 协议：AGPL‑3.0
   • 定位：轻量自托管客服工单系统（Go开发）
   • 能力：在线聊天、工单、知识库帮助中心；支持对接AI Agent；单二进制部署。
   • 场景：轻量化私有化客服中台。

3. Rasa : ⭐ 21.3k

   • URL: https://github.com/RasaHQ/rasa
   • 协议：Apache‑2.0
   • 定位：传统对话机器人NLU引擎（老牌）
   • 能力：意图识别、实体抽取、故事流程；可对接外部知识库/RAG；多channel通道；高度自定义。
   • 场景：复杂流程型客服，需要深度定制对话逻辑。
   • 缺点：没有开箱WebUI知识库，需要自己开发RAG层；维护成本高，适合有算法团队。

4. Botpress : ⭐ 14.9k

   • URL : https://github.com/botpress/botpress
   • 协议：AGPL‑3.0（核心开源）
   • 定位：低代码对话机器人平台
   • 能力：可视化拖拽对话流；内置NLU；知识库模块；人工转接；多渠道。
   • 场景：流程驱动客服，低代码搭建机器人。
   • 缺点：国内社区较弱，资源消耗大。

底层二次开发组件（不提供完整UI，适合自研）

适合开发团队基于LangChain/LlamaIndex自行封装客服知识库。

1. LangChain / LlamaIndex：RAG、对话链基础库，需要自己实现前端、会话管理、权限、文档管理。
2. customer‑service‑RAG‑pipeline：GitHub开源客服RAG流水线；混合检索、PII脱敏、置信度判断自动转人工；FastAPI+pgvector；适合参考架构二次开发。

选型参考建议

场景1：快速上线AI客服，少量开发

优先：MaxKB > ChatWiki > FastGPT；开箱网页挂件，知识库直接导入PDF/FAQ，几分钟对外提供服务。

场景2：客服不仅问答，还有业务流程、表单、工具调用

优先：Dify，Chatflow做客服对话流，可调用业务API，AI判断后跳转人工。

场景3：完整客服中台（AI机器人 + 人工坐席 + 工单 + 多渠道）

优先：Chatwoot做客服中台；对接MaxKB/FastGPT作为AI知识库后端。

场景4：文档质量要求极高（PDF扫描件、表格、复杂手册）

优先：RagFlow做知识库，对外API输出给客服前端。

场景5：传统意图+流程对话为主，知识库为辅

优先：Botpress / Rasa，适合强业务流程约束的客服。

关键风险点提醒

1. 开源协议：GPL‑v3、AGPL‑3.0项目，如果对外提供SaaS服务，需要开源修改后的代码；Apache‑2.0商业友好，修改不需要开源。
2. 原生能力边界：大部分RAG平台没有人工坐席、工单系统，只解决AI问答；需要人工介入的场景要搭配Chatwoot等客服系统。
3. 向量库部署：生产环境建议使用Milvus、PGVector，不要使用Chroma等嵌入式向量库。

Y 推荐文献

• 智能客服 RAG 搭建：技术要点、选型与常见问题 - CSDN

X 参考文献