告别传统工单系统：开源客服平台 Tentix 用向量知识库让 AI 真正懂业务
大多数开源客服系统，本质上只是把纸质工单搬到了网上——创建工单、流转、关闭，周而复始。AI 来了，也不过是给这套流程套了个对话界面，该不会的还是不会。
最近一款叫 Tentix 的开源客服系统，在开发者社区里引起了一波讨论。它的思路不太一样：不是让 AI 假装客服，而是让系统真正学会业务知识。
传统工单系统的死穴：越跑越健忘
想想看，你用过的客服系统，有没有这样的体验：
- 昨天用户问了一个刁钻问题，客服花了半小时解决
- 今天换个说法问同样的问题，AI 还是一脸懵
- 历史工单堆了几万条，检索全靠关键词匹配
这不是 AI 不够强，是系统设计上就没有"记忆"这回事。每次对话都是独立的，和过去没有任何联系。
Tentix 的解法：向量知识库驱动
Tentix 的核心思路是把三类内容一起存入向量知识库：
- 历史工单：解决过的问题
- 重点对话：人工客服验证过的高质量回复
- 产品文档：FAQ、操作手册、技术文档
底层技术栈是 PostgreSQL + pgvector，也支持外部向量服务。向量化的意义在于：语义相似的问题可以匹配到相似的答案，而不只是关键词字面匹配。
换句话说：它不是"今天答一次，明天又忘"，而是越跑越像一个熟悉业务的客服。
技术亮点：MCP 扩展 + 多渠道通知
光有知识库还不够，接不进去工作流也是白搭。Tentix 在集成能力上有几个值得关注的地方：
- MCP（Model Context Protocol）扩展：支持 MCP 协议，可以对接各种外部工具和服务，这是目前 AI Agent 领域的主流扩展方式
- 多渠道通知：原生支持飞书，其他 IM（钉钉、企业微信）和表单系统预留了模块化接入口
- 灵活的向量服务选择：可以用本地 pgvector，也可以换成 Pinecone、Milvus 等商业向量数据库
为什么说这个方向更务实
市面上大多数客服 AI 产品，都在强调"我的模型有多强"、"我的上下文窗口有多大"。但对团队来说，客服系统最怕的从来不是 AI 能力不足，而是接不进现有工作流。
Tentix 先把"知识沉淀"做好，再谈 AI 能力。这个优先级判断，比单纯吹模型参数更有实际价值。
部署门槛
根据项目官方说明，Tentix 提供了 Docker 部署方案。PostgreSQL + pgvector 这套组合在中小团队里跑完全没有压力，有一定技术能力的团队完全可以本地化部署，数据不出自己的服务器。
小结
开源客服系统的竞争，正在从"功能堆砌"转向"知识积累"。谁能更好地把业务知识沉淀下来，谁的 AI 客服才真正可用。如果你正在选型或者自建客服系统，Tentix 的思路值得关注。
注：本文基于公开资料整理，原文首发于微信公众号。如有项目地址或进一步信息，欢迎补充。