TGO：开源 AI Agent 客服平台，让企业拥有"智能体团队"

想象一下：一家中型电商公司，每天要接待上千名用户的咨询——商品查询、订单问题、退换货、政策解答。传统做法是雇十几个客服，人力成本高、排班难、高峰期排队久。但从 2024 年开始，AI 大模型（LLM）让"AI 客服"从科幻走向现实。可现实是，单一 AI 客服的能力有限——它不懂你的商品库、无法处理复杂查询、出了问题还得人工兜底。

TGO（全称 tgoai/tgo）正是为解决这一痛点而生：它不是单个 AI 客服，而是一套让企业能够组建、管理、编排多个 AI Agent 团队的企业级客服平台。2025 年底开源至今，已在 GitHub 获得超过 500 颗 star，成为开源 AI 客服领域的标杆项目之一。

图1：TGO 管理后台暗色模式界面，集成 AI 聊天、智能体管理、知识库等核心功能

背景：从"一个 AI 客服"到"AI 智能体团队"

TGO 的核心理念，可以用"智能体团队"（Agent Team）来类比。传统 AI 客服像一个"全能型销售"，什么都会但什么都不精；TGO 则像一支分工明确的客服团队——有专门负责产品咨询的、有处理售后的、有管物流查询的，还有一个"队长"（Supervisor Agent）负责分诊，判断访客问题该交给谁。每个 Agent 可以调用不同的 LLM（大语言模型），可以接入不同的知识库，还可以调用 MCP 工具（Model Context Protocol）执行实际操作。

这种架构的灵感来自 Anthropic 提出的"Agentic AI"理念——不再是简单的问答，而是让 AI 能够理解、规划、行动。TGO 将这一理念产品化、平台化，让没有 AI 开发能力的中小企业也能快速拥有这套能力。

TGO 由 tgoai 团队维护，官方提供完整文档和商业托管服务（tgo.ai）。项目采用 monorepo 结构，将多个微服务集中在一个代码仓库中，降低了协作和维护成本。

架构解析：10 个微服务如何协同

TGO 采用微服务架构，所有服务包含在一个 monorepo 的 repos/ 目录下，通过 Docker Compose 统一编排。以下是核心服务的职责划分：

tgo-ai（AI 核心引擎）

这是整个平台的"大脑"。tgo-ai 负责 AI Agent 的生命周期管理——创建、配置、绑定工具和知识库。它使用 FastAPI + SQLAlchemy + PostgreSQL，支持 JWT 和 API Key 双重认证，采用 FastAPI 原生的依赖注入机制。Supervisor Agent（总控 Agent）也运行在这里，它根据访客输入动态决定分诊路由。

tgo-ai 的架构采用分层设计：

• app/runtime/supervisor/ — Supervisor Agent 核心，含 Builder（构建）、Runner（执行）和 System Agents（系统级 Agent）
• app/runtime/tools/ — 工具执行层，支持自定义工具（base.py）和 MCP 工具（service.py）
• app/services/ — 业务服务层，含 Agent Service、RAG Service、Workflow Service、LLM Provider Service 等
• app/streaming/ — SSE 流式响应，支持 Server-Sent Events 实时推送 AI 回复给前端

tgo-api（业务逻辑层）

如果说 tgo-ai 是 AI 引擎，tgo-api 就是业务逻辑中枢。它处理所有非 AI 的业务操作：

• 用户管理：客服坐席（Staff）的注册、认证、授权
• 访客管理：访客的追踪、会话分配、属性管理
• 标签系统：对访客和内容打标签，支持分类运营
• 平台集成：多渠道消息的收发路由

tgo-api 采用双端口设计：8000 端口提供需认证的主 API，8001 端口提供内部服务（无认证，供微服务间调用）。数据存储在 PostgreSQL 中，通过 Alembic 管理数据库迁移。

tgo-rag（知识库检索引擎）

RAG（Retrieval-Augmented Generation）是让 AI "懂"企业私有知识的关键技术。tgo-rag 负责：

• 文档处理：PDF、Word、文本、Markdown、HTML 等多格式文档
• 向量化存储：使用 PostgreSQL + pgvector 存储文本向量
• 混合检索：pgvector 向量相似度搜索 + PostgreSQL 全文搜索，通过 reciprocal rank fusion 算法融合结果
• 嵌入模型：支持 OpenAI Embeddings 和 Qwen3 Embedding（国产替代）
• 异步处理：Celery + Redis 任务队列，支持大规模文档批量处理

tgo-rag 是平台中最接近"AI Native"的服务，也是用户体验差异化的核心——企业上传一份产品手册，AI 就能回答相关问题，无需任何硬编码。

图2：知识库 QA 问答对管理界面，支持批量导入和智能检索配置

tgo-web（管理前台）

tgo-web 是管理员和客服人员使用的 Web 控制台，基于 React 19 + TypeScript + Vite 7 构建，是整个项目中技术栈最现代的前端应用。

核心功能：

• AI Agent 配置：可视化创建和配置多个 AI Agent，绑定 LLM、知识库、MCP 工具
• 实时聊天：基于 WebSocket 与访客通信，SSE 流式接收 AI 回复
• 访客管理：查看在线访客、分配坐席、查看历史会话
• 知识库管理：上传文档、创建 QA 对、配置网站抓取规则
• UI Widget 系统：支持结构化数据卡片（订单、商品、物流等），通过 Action URI 协议实现交互

技术亮点：全量 TypeScript、Zustand 轻量状态管理、Tailwind CSS 4 原子化样式、i18next 国际化（支持简体中文、英文等多语言）。

tgo-cli（命令行工具 + MCP Server）

tgo-cli 让 AI Agent 可以像人一样操作客服系统。它提供两套接口：

• CLI 模式：运维人员可通过命令行管理会话、发送消息、查看访客
• MCP Server 模式：AI Agent（如 Claude）通过 MCP 协议连接，自动执行客服操作——接待访客、查询订单、处理退换货

内置 40+ 工具，覆盖会话管理、消息发送、访客查询、AI Agent 配置等全场景。MCP（Model Context Protocol）是由 Anthropic 主导的 AI 工具调用标准，tgo-cli 的 MCP Server 让任何兼容 MCP 的 AI 都能直接接入 TGO 平台。

tgo-platform（多渠道接入层）

企业客服通常来自多个渠道——网站聊天、微信公众号、邮件、钉钉等。tgo-platform 负责这些渠道的统一接入和消息路由。目前已支持：微信公众平台/小程序、飞书、钉钉、Telegram、Slack、电子邮件等。

所有渠道消息统一汇入 tgo-platform，经路由逻辑转发至对应的 Agent 或人工坐席。用户在一个渠道发起的问题，可以在另一个渠道继续，切换渠道不丢失上下文。

其他微服务

服务	语言	职责
tgo-device-control	Python/FastAPI	远程设备控制服务，TCP/JSON-RPC 管理
tgo-device-agent	Go	部署在受控设备的嵌入式代理，提供文件/Shell 能力
tgo-workflow	Python	AI Agent 工作流执行引擎，支持 DAG 拓扑
tgo-plugin-runtime	Python	插件生命周期管理，支持动态工具同步

图3：MCP 工具商店，支持按需启用和项目级别配置

核心特性：为什么选 TGO？

1. 真正的"智能体团队"而非单一 Bot

大多数 AI 客服产品是"一个 AI 回答所有问题"。TGO 的多 Agent 架构允许企业根据业务场景配置专业 Agent——一个专门处理售前咨询，一个专门处理物流查询，一个专门做情绪安抚（识别访客情绪后转接人工）。Supervisor Agent 充当"分诊台"，根据意图路由到最合适的 Agent。

2. RAG 知识库让 AI 真正"懂"你的业务

通用大模型的训练数据有截止日期，无法回答企业私有问题。TGO 的 RAG 系统支持：

• 文档知识库：直接上传 PDF/Word/Markdown，自动分块、向量化存储
• QA 知识库：批量导入问答对，无需文档即可快速扩充 AI 知识
• 网站知识库：配置抓取规则，定期自动同步网站内容到知识库

AI 回答时，系统会先从知识库中检索相关片段，作为上下文注入 LLM Prompt，确保回答基于企业真实数据而非"幻觉"。

3. MCP 生态让 AI Agent 真正能"做事"

MCP（Model Context Protocol）允许 AI Agent 调用外部工具和 API。TGO 内置 MCP Server，支持：

• 工具商店：官方维护的常用工具库，按需启用
• 自定义工具：通过 OpenAPI Schema 自动解析，生成交互表单
• 项目级工具配置：不同项目可绑定不同工具集，实现权限隔离

结合 tgo-cli，AI Agent 不仅能回答问题，还能执行操作——查订单状态、创建工单、发送通知等。

图4：暗色模式下配置 AI Agent，绑定 LLM 模型、知识库和 MCP 工具

4. 人机协作让 AI 和人工无缝衔接

AI 无法处理所有情况时，TGO 支持无缝转人工：

• 自动转接规则：AI 可根据访客情绪、问题类型或人工空闲状态自动转接
• 访客排队系统：等待队列显示当前排队人数，AI 回答前置安抚内容
• 坐席工作台：统一后台查看所有会话，人工可随时接管 AI 会话

5. 流式响应提供流畅体验

AI 生成内容通常需要几秒才能完整输出。TGO 使用 Server-Sent Events（SSE） 实现流式响应——前端边接收边显示，像 ChatGPT 一样逐字展示 AI 回复，显著提升用户体验。

部署体验：10 分钟搭建生产级 AI 客服

对于开发者而言，TGO 的部署体验令人惊喜。

一键部署（推荐）：官方提供 bootstrap.sh 脚本，只需一行命令即可完成检查、克隆和全服务启动：

curl -fsSL https://raw.githubusercontent.com/tgoai/tgo/main/bootstrap.sh | bash

脚本会自动检测操作系统（Linux/macOS/WSL）、安装依赖（Docker、Git）、克隆代码、配置环境变量、启动所有容器。国内用户另有 bootstrap_cn.sh 版本，使用 Gitee 和阿里云镜像加速。

本地开发：如果需要修改代码后调试，执行：

cp .env.dev.example .env.dev
make dev

Docker Compose 会启动 PostgreSQL、Redis、WuKongIM（实时通讯服务）、tgo-api、tgo-ai、tgo-web 等所有依赖服务，一条命令搞定全栈开发环境。

架构说明：Docker Compose 配置了 10+ 个容器，包括 4 个 Celery Worker（异步任务处理）、Celery Beat（定时任务调度器）和 Flower（任务监控 UI）。推荐配置：4 核 CPU、8GB RAM。

图5：暗色模式下的知识库文档管理，支持多格式文档上传和智能检索

技术亮点与代码质量

Python 微服务的 FastAPI 最佳实践

整个 Python 后端（tgo-ai、tgo-api、tgo-rag 等）统一使用 FastAPI，这是目前 Python 生态中最成熟的 ASGI 框架。代码结构高度一致：

• 依赖注入：使用 FastAPI 的 Depends() 机制管理数据库连接、认证、配置等共享资源
• Pydantic 模型：所有请求/响应数据严格类型化，配合 pydantic-settings 从环境变量加载配置
• SQLAlchemy 异步：使用 asyncpg 驱动，所有数据库操作都是 async/await，高并发下性能优异
• 结构化日志：使用 structlog，JSON 格式日志便于 ELK/Graylog 等日志系统收集分析
• Alembic 迁移：数据库 Schema 版本化管理，支持回滚

TypeScript 前端的现代工程化

tgo-web 展示了 React 19 的前沿实践：

• Vite 7：基于 ESM 的构建工具，开发热更新速度极快
• Zustand：比 Redux 轻量得多的状态管理，API 简洁，性能优秀
• Tailwind CSS 4：原子化 CSS，所有样式内联在 JSX 中，无样式冲突
• React Router 7：最新的路由方案，支持 loader/action 模式

测试覆盖

Python 服务有完善的 pytest 测试套件，覆盖 Agent 路由规则、API 端点、依赖注入、LLM 提供商同步等核心路径。测试采用 conftest.py 统一 fixtures，通过 mock 隔离外部依赖。

AI Framework 的解耦设计

tgo-ai 的 LLM 调用层做了良好的抽象：llm_provider_service 管理多提供商配置，llm_model_service 管理模型实例。切换 OpenAI 到 Claude 或本地模型，只需在管理后台配置，无需改代码。这种"模型无关"的架构让企业在 API 价格变化时可以灵活切换。

局限与挑战

TGO 也有一些值得关注的问题：

部署门槛仍需技术基础

尽管有 bootstrap.sh 一键脚本，但运行时需要 Docker、Docker Compose、curl、Git 等工具，且需要修改 .env 配置文件填入 LLM API Key 等敏感信息。对于完全没有 DevOps 经验的团队，仍有一定学习成本。没有提供纯托管的 SaaS 版本（仅有官方商业托管），个人开发者想快速体验需要自备云服务器。

WuKongIM 依赖的耦合

TGO 的实时通讯层强依赖 WuKongIM（国内开源 IM 项目），虽然 WuKongIM 本身是成熟稳定的项目，但这增加了系统复杂度——如果 WuKongIM 有 bug 或需要特殊配置，会影响整个实时聊天功能。对于海外部署场景，WuKongIM 的海外支持度也是未知数。

多 Agent 编排的运维复杂度

Supervisor Agent + 多专业 Agent 的架构虽然灵活，但运维复杂度也随之增加——需要监控多个 Agent 的表现、调整分诊规则、管理多个 LLM 调用的成本。官方目前缺乏 Agent 表现分析面板和成本控制工具，企业需要自己搭建监控体系。

文档完整性待提升

虽然有英文、中文、日文、俄文等多语言 README，但具体的功能文档主要在 tgo.ai 官网，缺乏离线的详细开发文档。部分子仓库的 README 较为简略，需要参考源码和 Docker Compose 配置来理解具体参数含义。

行业意义：开源 AI 客服的新范式

TGO 的出现代表了 AI 客服领域的一个趋势转变——从"AI 回答问题"到"AI Agent 团队协作"。

从 star 增长曲线来看，TGO 于 2025 年 11 月开源，短短数月突破 500 star，增长速度在同类开源项目中属于中上水平。GitHub 上活跃的 24 个 Issue 表明社区参与度较高，开发者愿意反馈问题。

作为企业级开源方案，TGO 的定位介于"个人开发者的对话机器人"和"Salesforce Service Cloud"这样的商业巨无霸之间——提供了企业需要的多 Agent 编排、RAG 知识库、MCP 工具生态，同时保持开源透明和可定制性。对于 AI Native 企业或希望将 AI 客服能力深度集成到现有系统的团队，TGO 值得关注。

图6：TGO 中文界面展示 Agent 配置面板，可视化绑定模型、知识库和工具

快速上手建议

适合使用 TGO 的场景：

• 企业官网/电商的智能客服
• 多业务线的客服团队（售前/售后/物流分开）
• 需要基于私有知识库（产品文档、FAQ）提供 AI 问答的企业
• 希望 AI Agent 能执行实际操作（查订单、发通知）的场景
• 有多渠道接入需求（网站+微信+钉钉）

不适合的场景：

• 只需要简单 FAQ 问答（直接用向量数据库+Prompt 即可）
• 对话量极低的个人项目
• 完全不想碰 Docker/服务器的技术团队

如果你决定试用，建议先用 bootstrap_cn.sh 完成一键部署，然后上传一份企业文档到 RAG 知识库，体验一下 AI 基于真实数据回答问题——这是 TGO 最有价值的功能，也是它区别于通用对话 AI 的核心。

图7：多渠道统一管理界面，支持网站、微信、钉钉等多个接入渠道