TeliChat

核心架构

基于“对话树”与“信息项”的复杂交互引擎

从“流程执行”进化为“交互逻辑”

基于DAG的对话树专注表达交互逻辑，而非传统工作流的线性执行顺序
对话树的节点流转由静态拓扑、实时信息状态及当前用户意图共同动态驱动

从“单一状态”升级为“组合状态”

对话树的状态由全部信息项共同构成，比工作流的“单一节点状态”表达力更强
“拓扑结构+信息状态+Python代码”三重约束，在复杂交互中有效抑制模型“幻觉”

三类能力精准分工

对话树：基于有向无环图精准表达交互逻辑和对话状态流转逻辑
大模型：仅专注自然语言的理解（意图识别、信息抽取）与生成
Python：执行复杂业务逻辑与工具调用，避免大模型承担这些职责时导致的幻觉和低效

示例：对话树（基于Xmind构建）

智能交互

解决对话中“乱序输入”、“话题跳转”和“精细语义控制”等难题

全局信息抽取

智能处理用户回答中的乱序、补充、更正、指代及拒答等复杂情况，突破传统填槽瓶颈

全局意图识别和话题管理

自动支持各类“话题变化”方式：跳过、插入、恢复、切换、重入话题等
自动支持在任意交互节点的输出中注入RAG信息与应对话术，不打断主交互流程

精细语义控制

精确定义用户语义的明确度要求（隐含、明确）
配置是否重问、是否必答、增量补充回答、固定节点回答等多样交互策略
支持复述用户回答，可动态生成问题、也可轮询不同的提问方式

开发范式

以代码为中心、图形辅助、声明式 AI

双模构建及映射

代码可视化：Python 构建对话树，自动生成交互式拓扑图，逻辑结构一目了然
图形可运行：同时支持 Xmind 绘制对话树，可直接解析运行
同构互通：两种开发方式的能力与逻辑完全等价，且两种对话树可相互调用

代码无缝集成

支持在特定节点、条件判断、信息变更、命中用户的特定意图、获取动态参考信息等环节调用 Python 函数
通过 ctx 上下文对象在 Python 代码、大语言模型和对话树之间共享信息项数据

声明式提示词

零提示词工程，无需复杂调优，仅需用自然语言描述用户意图、需要什么信息、如何向用户表达及相关判断规则等，即可驱动 AI
提供最佳实践

示例：通过 Python 代码定义对话树

120.py

Loading code...

示例：基于上述 Python 代码自动生成的对话树交互 HTML（可查找、鼠标拖拽平移、鼠标滚轮缩放、鼠标悬停在节点上有提示）

工程化

白盒、大规模复杂度与高性能

全链路可观测与 IDE 断点调试

提供完整的执行轨迹追踪，清晰展示决策依据、状态变化与 Token 消耗
支持 VS Code 中随时设置断点并查看全部信息项状态与 Python 变量值
对话树的每个节点都支持执行前和执行后断点

大规模复杂度

单颗对话树支持成百上千个节点
单颗对话树支持成百上千条的应对话术、动态参考信息、意图触发等各种规则
单颗对话树支持成百上千个的信息项，单个信息项可以有几百个可严格限制范围的（语义）候选值

极致响应速度

放弃不适用于客服对话响应速度要求的 “ReAct 循环”、“大模型 Function Call” 和 “大模型思考模式”
大模型输出采用非 JSON 格式，节约生成时间与 Token 消耗

TeliChat

LLM 仅负责理解和生成自然语言
对话状态、业务逻辑和事务执行则由 DAG 与代码确定性控制
构建连接后端业务系统、面向复杂业务交互的
白盒可调试 “确定性对话事务引擎” AI Agent

核心架构

从“流程执行”进化为“交互逻辑”

从“单一状态”升级为“组合状态”

三类能力精准分工

智能交互

全局信息抽取

全局意图识别和话题管理

精细语义控制

开发范式

双模构建及映射

代码无缝集成

声明式提示词

工程化

全链路可观测与 IDE 断点调试

大规模复杂度

极致响应速度

开始基于 TeliChat 构建面向客户的白盒对话智能体？