DotNet技术匠 2小时前 · 2026-09-26 15:10:22 · 3 阅读

AI大模型+ Asterisk,搭一套智能客服呼叫中心

前言

呼叫中心这东西，做过的人都知道，传统方案基本上就是买一套 PBX 硬件，配一堆 IVR 按键流程，客户打电话进来按 1 按 2 按 3，体验说不上好，维护起来也麻烦。这几年 AI 大模型起来了，大家都想着能不能让机器直接听懂人话，别再让客户按键盘了。

本文推荐一个它把 Asterisk 通信引擎和 AI 大模型揉到了一起，目标是让每一通电话都能被"智慧"对待——客户说人话，机器能听懂，能回答，能办事。

项目介绍

一套 AI 驱动的智能客服呼叫中心系统，底层通信用的是 Asterisk，上层 AI 能力接了通义千问、DeepSeek 这些主流大模型。系统覆盖了从呼入智能应答到智能外呼的完整链路，支持 IVR 可视化编排、实时语音识别、语音合成、大模型意图识别、知识库问答等能力。

项目提供在线演示环境，可以直接上去体验。部署和开发文档在 qidiangk.com 上有完整说明，涵盖开发环境配置、服务端启动、前端运行、微服务和单体部署等步骤。

项目拓扑

项目功能

AI 智能应答

大模型意图识别：集成通义千问（DashScope）、DeepSeek 等模型，通过 Prompt 工程做来电意图分类，支持自定义意图配置

AI 智能体对话：内置知识库智能体集成能力，已对接 MaxKB，AI 机器人可以基于企业知识库做多轮问答，按来电号码自动维护对话上下文

正则 + 模型双引擎：意图判断支持正则快速匹配和 AI 模型深度识别两种策略，兼顾速度和精度

情绪分析：集成阿里云 NLP 情感分析，实时感知客户情绪，负面情感自动升级到人工坐席

AI 信息提取：基于大模型从对话中自动提取姓名、地址、订单号等结构化信息

端到端实时对话模型：原生支持端对端实时语音大模型，通过 RealtimeModelAdapter 策略模式对接阿里云百炼 Omni / Audio 系列

智能 IVR 流程编排

节点类型	说明
语音播放（Say）	TTS 实时合成语音播报，支持 SpEL 表达式动态内容
语音识别收听（Answer）	ASR 实时语音转文字，支持客户实时打断
DTMF 收号（Received）	按键输入采集
意图识别（Intention）	AI 大模型驱动的多意图分类
智能体对话（Agent）	调用知识库智能体进行多轮问答
条件分支（Condition）	基于 SpEL 表达式的动态条件路由
信息提取（Extract）	AI 自动提取结构化关键信息
HTTP 服务调用（Service）	流程中直接调用外部 API
脚本执行（Script）	支持 Groovy / JavaScript 在线编写与调试
转接人工（Transfer）	智能队列分配，按坐席组策略路由
子流程调用（Child）	流程模块化复用
变量赋值（Variable）	全局变量动态管理
挂断（Hangup）	支持挂断前播放结束语
短信发送（SMS）	支持验证码、通知类短信发送

企业级架构基座

微服务 + 单体双模：基于 Spring Cloud 构建，支持微服务独立部署或单体一键启动

RBAC 权限体系：基于角色的细粒度权限控制，精确到按钮级别

多租户架构：原生支持多租户数据隔离

OAuth2 统一认证：统一身份认证网关，支持多种客户端接入

API 网关：统一路由、鉴权过滤、跨域处理、访问日志、限流保护

可扩展能力

系统在架构层面为以下运营管理功能提供了数据模型与扩展接口：

功能模块	扩展基础	说明
数据大屏	通话数据模型与统计 VO	通话趋势、AI/人工占比、坐席效能分析
坐席管理	PJSIP 队列策略与 SSE 状态推送	坐席全生命周期管理、实时状态监控
通话记录（CDR）	通话记录实体与转接链路数据	全量通话记录、AI 通话筛选、录音管理
智能外呼	外呼任务实体与分布式调度基础	批量外呼、智能重拨、多机器人并发
线路管理	Asterisk PJSIP 端点与注册数据	SIP 中继线路注册、状态监控、智能路由

项目特点

双模运行，灵活适配

微服务模式下各模块独立部署，通过 Nacos 做服务注册与配置管理，Gateway 统一网关路由，适合大规模生产环境。单体模式运行 smart-boot 模块就能启动完整系统，不需要 Nacos / Gateway 这些中间件，适合中小规模快速部署和开发调试。

端到端实时对话，延迟更低

除了传统的"ASR + 大模型 + TTS"级联链路，系统原生支持端对端实时对话模型。通话音频经 AudioSocket 全双工媒体流直通模型服务端，由模型端到端完成"听-想-说"全流程，省去中间环节。支持服务端 VAD 打断，用户一开口即刻停止播报，采样率自动适配，电话场景 8kHz 直通。

插件化设计，扩展方便

AI 智能体采用 NodeGranter 插件化设计，可扩展对接 Dify、Coze、FastGPT 等任意 AI Agent 平台。语音引擎通过 VoiceModelEnum 枚举统一管理，ASR 和 TTS 都基于接口抽象实现，目前已内置阿里云、通义千问、电信三家引擎，也支持自定义对接第三方引擎。

内网部署完整支持

所有外部依赖均可通过配置指向内网地址。通义千问 DashScope 支持自定义 websocket-url，AI 大模型通过 base-url 配置可对接内网推理服务，MaxKB 的 baseUrl 直接支持内网地址，MySQL、Redis、Nacos、Asterisk 全部通过环境变量注入连接信息。

项目技术

后端技术栈

技术	说明
Java	基础运行环境
Spring Boot	应用框架
Spring Cloud	微服务治理
Spring Cloud Alibaba	Nacos / Sentinel / Seata
Spring AI	大模型集成框架
MyBatis-Flex	ORM 持久层框架
Asterisk + PJSIP	开源 PBX 通信引擎
Asterisk-Java	Asterisk AMI / AGI Java SDK
Alibaba NLS SDK	阿里云智能语音
DashScope SDK	通义千问语音
Spring Cloud Gateway	API 网关
OpenFeign + OkHttp	服务间调用
Knife4j / SpringDoc	接口文档
Redisson	分布式锁 / 缓存 / 消息
Druid	数据库连接池与 SQL 监控
Retrofit	MaxKB HTTP 客户端
Groovy / Nashorn	动态脚本引擎
Undertow	高性能 Web 容器
Docker / Docker Compose	容器化部署
SkyWalking	分布式链路追踪

AI 与通信能力

能力	支持	说明
大语言模型	通义千问 / DeepSeek	基于 Spring AI 统一抽象，可平滑切换
ASR 语音识别	阿里云 NLS / 通义千问 DashScope / 电信 ASR	实时流式语音转文字
TTS 语音合成	阿里云 NLS / 通义千问 DashScope / 电信 TTS	文字转语音播报，多模型多音色
情感分析	阿里云 NLP	实时情感倾向判断
知识库问答	MaxKB（内置）/ 可扩展	企业知识库智能体多轮对话

系统架构

核心调用链路：

语音通话：SIP 话机 → Asterisk PBX（SIP 协议）→ AGI 触发 IVR 流程 → smart-aster 执行节点链

API 请求：Web 前端 → Nginx → Gateway（路由 / 鉴权）→ 各业务服务

IVR 节点执行：ASR/TTS 节点 → WebSocket → 语音服务

智能体对话：Agent 节点 → smart-maxkb → MaxKB Server（HTTP 多轮对话）

模块说明：

模块	说明
smart-aster	核心呼叫模块，集成 Asterisk AMI/AGI，实现呼叫控制、IVR 流程引擎、ASR/TTS 对接、AI 意图识别
smart-maxkb	AI 智能体模块，智能体平台适配层，内置 MaxKB 对接实现
smart-gateway	API 网关，统一路由转发、OAuth2 鉴权、跨域处理、访问日志、动态路由
smart-auth	认证中心，统一身份认证与授权服务
smart-boot	单体启动器，聚合所有模块的单体模式启动入口
smart-api	服务间 API，各微服务间的 Feign 客户端接口定义
smart-common	公共模块，通用常量、枚举、校验注解、公共工具类
smart-upms	用户权限管理，包含 system、user、resource 三个子模块
smart-ops	运维监控，包含 log、doc、admin 三个子模块

项目代码

端到端实时对话模型的智能体配置：

{
  "provider": "bailian",
  "model": "qwen3.5-omni-flash-realtime",
  "apiKey": "sk-xxxx",
  "voice": "Cherry",
  "instructions": "你是企业的智能客服，请简洁、礼貌地回答客户问题……",
  "modelParams": { "turnDetectionType": "semantic_vad" }
}

DashScope 语音引擎配置：

ivr:
  dashscope:
    api-key:${IVR_DASHSCOPE_API_KEY:}
    asr-option:
      model:qwen3-asr-flash-realtime
      sample-rate:8000
      language:zh
    tts-option:
      model:qwen3-tts-flash-realtime
      sample-rate:8000
      volume:50
      speech-rate:1.0

AI 大模型配置：

jpower:
  ai:
    primary:dashscope
spring:
ai:
    dashscope:
      api-key:your-api-key
      chat:
        options:
          model:qwen3.5-plus
    deepseek:
      api-key:your-api-key
      chat:
        options:
          model:deepseek-r1

MaxKB 智能体平台配置：

maxkb:
  username: admin
  password: your-password
  baseUrl: http://your-maxkb-host:8081/
  externalBaseUrl: http://your-maxkb-host:8081/

数据库初始化：

CREATE DATABASE smartaster DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci;
CREATE DATABASE smartaster_asterisk DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci;

单体模式启动：

git clone <仓库地址>
cd SmartAster
mvn clean package -DskipTests
java -jar smart-boot/target/smart-boot-exec.jar

项目效果

系统提供了拨号盘、IVR 流程编排、通话记录、坐席管理、外呼任务等界面。拨号盘支持手动外呼，IVR 流程编排是拖拽式的可视化界面，通话记录可以查看全量通话、筛选 AI 通话、管理录音，坐席管理支持实时状态监控和通话保持/转接，外呼任务支持批量外呼和多机器人并发。

在线演示

https://smartaster.qidiangk.com

账号 demo，密码 123456

项目源码

项目源码和完整文档在官网有详细说明，涵盖开发环境配置、服务端启动、前端运行、微服务部署和单体部署等关键步骤。项目结构清晰，模块划分明确，方便在此基础上进行二次开发。

Gitee：https://gitee.com/gdzWork/SmartCall

总结

SmartCall把传统呼叫中心和 AI 大模型做了深度融合，核心方向是 IVR 流程编排、ASR 语音识别、TTS 语音合成、大模型意图识别、智能体知识库问答这些关键链路。项目采用模块化架构设计，具备良好的扩展基础，可以在此基础上根据实际业务需求扩展坐席管理、线路管理、工单系统等运营管理模块。

对于想做 AI 客服呼叫中心的人来说，这个项目提供了一个比较完整的起点。双模运行的设计让部署门槛降低了不少，插件化的架构也让后续扩展变得灵活。

关键词

AI 客服、呼叫中心、Asterisk、IVR 流程编排、ASR 语音识别、TTS 语音合成、大模型意图识别、知识库问答、Spring Boot、Spring Cloud、端到端实时对话、MaxKB、通义千问、DeepSeek、微服务、单体部署、多租户、OAuth2、RealtimeModelAdapter

作者：小码编匠

出处：gitee.com/smallcore/DotNetCore

声明：网络内容，仅供学习，尊重版权，侵权速删，歉意致谢！