ManyChat AI Agent：在 WhatsApp 上通过 ManyChat 自动应答客户问题并支持转人工

pedronastasi/manychat-ai-agent · A production-shaped, provider-agnostic AI agent that answers customer questions on WhatsApp through https://manychat.com, escalating to a human rather than guessing.

GitHub原文发布未知首次收录 2026-10-04上架 2026-10-04 07:02

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

该项目是一个面向生产的、与模型供应商无关的 AI 代理，通过 ManyChat 在 WhatsApp 上回答客户提问，遇到无法回答、低置信度、预算耗尽或限流等情况时会升级给人工而不是猜测。它用 Promise.race 在 8 秒截止时间与模型调用之间做竞速：模型及时返回则内联回复，超时则先发简短确认、让模型继续运行并写入 Postgres outbox，由 worker 稍后投递，从而避免 ManyChat 10 秒 webhook 超时导致的丢消息。模型通过环境变量切换（Anthropic、OpenAI、Google、Ollama、mock），频道通过端口加适配器隔离，并带有护栏、预算上限、联系方式令牌、日志脱敏和评测集。

# WhatsApp # structured-output # 客户服务 # model-provider # outbox-pattern

核心能力与快速开始

★ 1 · TypeScript

能做什么: 通过 ManyChat 的 Dynamic Block external_message_callback 在 WhatsApp 上维持多轮客服对话；根据问题检索目录等数据作答并引导购买；在低置信度、schema 校验失败、预算或限流耗尽、供应商故障时升级至人工；使用 Promise.race 在 8 秒截止时间与模型调用间竞速，超时先发确认并把已回答结果经 Postgres outbox 延迟投递；记录 token、缓存命中与估算成本并设置每日 token 与金额上限；对联系人使用各自随机令牌与哈希存储以限制历史访问；去除日志中的 PII 并省略 trace 中的提示词；内置含注入尝试的评测集与并行校准的评判模型。
适用场景: 在 WhatsApp 上为课程等业务提供自动客服问答与销售引导；在 webhook 有硬超时限制的聊天平台上部署 LLM 客服；需要按环境变量更换模型供应商而几乎不改代码的场景；需要可审计护栏、花费上限与转人工兜底机制的商业客服。
项目形态: 可直接使用的工具
部署方式: 提供 Docker Compose（Postgres 18 + agent，可选 Ollama profile）与本地 pnpm 开发方式；服务暴露 POST /v1/channels/manychat/message 与 /health、/ready。
主要依赖: TypeScript/Node 项目（pnpm 管理）；云模型需在 .env 配置 AGENT_MODEL 与对应 API key，本地模型需 Ollama（首次拉取约 4.7 GB 权重）；需设置 MANYCHAT_SHARED_SECRET；生产需 ManyChat 侧的 Dynamic Block 配置与联系人令牌字段。
使用限制: ManyChat 不对 webhook 签名，项目接受了该风险并记录补偿控制；联系人令牌强制模式下没有令牌的请求只能基于本条消息作答；快速回复在 WhatsApp 上不生效，该限制以 ChannelCapabilities 数据形式存在；8 秒竞速截止意味着较慢的本地模型默认走延迟投递路径；本地 Ollama 模型定价为零，因此每日美元上限不会触发，但 token 上限仍生效；Ollama 首次运行需拉取约 4.7 GB 权重。
许可证: MIT
最近推送: 2026-10-04 07:00

官方入门项目文档核对 README 依据 ↗

资料检查：2026-10-04 07:00 · 卡片整理：2026-10-04 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

程序员

作为可复用的参考实现，供程序员在构建接入 ManyChat/WhatsApp 的 LLM 客服代理时借鉴：用 Promise.race 在 8 秒截止时间与模型调用之间竞速，超时则先发确认并把结果写入 Postgres outbox 由 worker 稍后投递，避免 webhook 超时丢消息；通过环境变量切换模型供应商，通过端口加适配器隔离频道。

查看内容依据

它用 Promise.race 在 8 秒截止时间与模型调用之间做竞速：模型及时返回则内联回复，超时则先发简短确认、让模型继续运行并写入 Postgres outbox，由 worker 稍后投递，从而避免 ManyChat 10 秒 webhook 超时导致的丢消息。

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

Atriveo App：把工程履历与职位描述编译为一页 ATS 安全 PDF 简历的全栈工具

Atriveo App 是一个全栈应用，通过 Chrome 扩展自动捕获职位申请，在集中式仪表盘中追踪，并提供洞察以改进求职过程。其核心是一个“证据编译器”：把结构化工程成就（成就卡 AC 库）与职位描述结合，经 JD 门控、波束搜索组合、全局信息增益优化（15 条要点布局）与确定性 LaTeX→PDF 渲染，输出一页 ATS 安全的 PDF 简历；同时提供 LinkedIn 抓取→MongoDB→职位描述桶、编译队列、编译历史与信任报告等配套能力。

dsh-our-free-model：为 dsh（DeepSeek Harness）挂载免费前沿模型的插件

这是一个 dsh（DeepSeek Harness）插件，安装后无需登录、注册或填写 API Key，即可在 dsh 的模型选择器中使用上游网关提供的模型（文档中举例 Muse Spark 1.3、MiMo V2.6）。项目文档描述了内容：模型清单跟随上游刷新、按网络出口实测可用性并区分 region-limited 分组，思考强度以输出 token 预算实现，内置用量看板（本机统计、不上传）、OpenAI 兼容的本地转发端口（/v1/models、/v1/chat/completions、/v1/responses）与局域网中继、公告推送和应用内升级（SHA-256 校验与回滚）。随附大量实现与验收说明，包括流式响应按 body 形状识别、工具调用配对修复、长思考截断后的一次有界恢复。注意：README 中的「完全免费、不限量」为项目自述，实际可用性、地区限制、额度与上游政策均未由第三方核实；文中真实上游实测仅限于作者所述环境（Windows）与部分模型。

rudra-js：用语言模型生成商品推荐组件并由 React 服务端渲染

rudra-js 让语言模型设计推荐区块，但不允许模型直接输出 HTML，而是返回由封闭词汇表构成的组件规格（布局、标题、文案），商品标题、价格、图片和链接均从自有商品目录中读取。@rudra-js/react 在服务端或浏览器中进行渲染，@rudra-js/attested 对模型文案做三轮校验（价格与折扣等模式、数字来源核对、无数字断言词表），不合格字段会被丢弃。默认模式下展示的商品由核心逻辑按请求从候选列表中选择而非模型决定，且支持完全不调用模型的确定性模式。

JevBench：面向 Jev 类类型化决策模型的基准评测

JevBench 是 Benchmark Heaven 自研的基准测试，用于评测 Jev 类决策模型：给模型一段状态和一个有界评分规则，要求它返回结构化选项答案并尽量给出每个选项的概率，不需要散文式输出或解析。评分由 Intelligence（机会校正后的准确率）、Calibration、Speed、Cost 四个等权轴合成 JevBench Score，并按版本迭代维护公开排行榜。仓库提供冻结的评分方法文档、聚合结果 JSON、部分公开数据集与各系统适配器代码，并区分公开题与私有留存题。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。