csml-engine

GitHub
722 64 中等 1 次阅读 1周前Apache-2.0语言模型
AI 解读 由 AI 自动生成,仅供参考

csml-engine 是一款专为构建聊天机器人设计的开源引擎,配套拥有名为 CSML 的领域特定编程语言。它旨在解决传统对话开发中状态机逻辑复杂、代码冗余以及多轮对话记忆管理困难等痛点,让开发者能更轻松地创建和维护复杂的对话流程。

该工具非常适合希望快速搭建智能客服、虚拟助手或互动场景的后端开发者及全栈工程师。其核心亮点在于采用纯文本且表达力极强的语法,大幅降低了学习门槛;内置了短期与长期记忆槽机制,无需手动编写繁琐的状态管理代码即可轻松处理上下文。此外,csml-engine 支持丰富的交互组件(如卡片、按钮、日历等),并能灵活对接第三方 API 或注入任意语言编写的代码。在部署方面,它具备出色的便携性,仅需搭配 MongoDB、PostgreSQL 或 SQLite 等常见数据库即可运行,既支持云端部署也适合本地自建,是提升对话应用开发效率的实用选择。

使用场景

某电商初创团队急需在两周内上线一个能处理售前咨询、订单查询及个性化推荐的智能客服机器人。

没有 csml-engine 时

  • 状态管理混乱:开发人员需手动编写大量样板代码来维护对话上下文(如用户是否已登录、当前处于哪个步骤),极易出现状态丢失或逻辑死循环。
  • 多轮对话开发繁琐:实现带有按钮选择、卡片展示等富媒体交互的流程时,需反复嵌套复杂的条件判断,代码可读性差且难以维护。
  • 迭代效率低下:每当业务规则变更(如增加一个新的促销问答分支),都需要修改核心后端代码并重新部署整个服务,响应速度慢。
  • 数据持久化困难:短期记忆(当前会话)与长期记忆(用户历史偏好)的存储逻辑分散,对接 MongoDB 或 PostgreSQL 时需要额外编写大量胶水代码。

使用 csml-engine 后

  • 内置记忆槽简化逻辑:利用 csml-engine 自带的长短时记忆槽功能,无需编写状态机样板代码,即可轻松记住用户姓名或上一轮选择,确保对话流畅不中断。
  • 声明式语法提升可读性:通过纯文本的领域专用语言定义对话流,像写剧本一样自然描述“提问 - 等待 - 判断”逻辑,富媒体组件(如按钮、日历)一行代码即可调用。
  • 热更新加速迭代:业务人员可直接修改 CSML 脚本调整对话策略,无需重启服务或重新编译后端,新流程分钟级生效,完美适应快速变化的营销活动。
  • 开箱即用的数据存储:csml-engine 原生支持 MongoDB、PostgreSQL 等多种数据库,自动处理数据持久化,让团队能专注于对话逻辑本身而非底层架构。

csml-engine 将复杂的聊天机器人开发转化为直观的剧本创作,让团队以十分之一的代码量实现了更稳定、易维护的智能客服系统。

运行环境要求

操作系统
  • Linux
  • macOS
GPU

未说明

内存

未说明

依赖
notes该工具主要基于 Rust 开发,非 Python 项目。支持通过预编译二进制、Docker 容器或从源码编译部署。Mac 用户运行预编译二进制时可能会遇到签名警告,可忽略或选择源码编译。必须配置数据库(默认 MongoDB),并需设置相应的环境变量(如连接字符串、API 密钥等)。若使用 Node.js 绑定,需在目标架构机器上重新编译原生模块。
python未说明
Rust v1.46+ (核心运行环境)
OpenSSL / libssl-dev
MongoDB, PostgreSQL, SQLite 或 Amazon DynamoDB (数据库依赖)
Node.js LTS (仅 Node.js 绑定需要)
cargo-cp-artifact v0.1.6 (仅 Node.js 绑定需要)
csml-engine hero image

快速开始


CSML

首款专用于构建聊天机器人的编程语言。

Rust GitHub release (latest by date) Docker Image Version (latest semver) Slack

核心特性示例快速上手更多信息

在线试用 CSML

CSML-demo

CSML(会话标准元语言) 是一种领域特定的编程语言兼聊天机器人引擎,旨在让开发复杂聊天机器人变得简单易行。

CSML 拥有高度表达力且纯文本的语法,流程清晰易懂,便于部署和维护对话式智能体。它内置短期与长期记忆槽、元数据注入功能,并可通过其强大的运行时 API 连接任意第三方 API 或嵌入任何编程语言编写的自定义代码。

核心特性

  • 纯文本、富有表现力的语法,易于学习,可快速开发复杂的聊天机器人场景。
  • 丰富且可扩展的对话组件,如轮播图、图片、视频、按钮、卡片、输入框、日历等。
  • 内置短期与长期记忆槽,无需再编写复杂的状态机模板代码。
  • 跨平台、高效且易于部署:仅需一个标准的 MongoDB、PostgreSQL 或 SQLite 数据库即可运行。
  • 拥有超过 2 万名活跃 CSML 开发者的活跃社区。

示例

start:
  say "你好,很高兴认识你,我是一个演示机器人 👋"
  if (name) {
    say "我已经知道你啦 😉"
    goto known
  }
  else 
    goto name

name:
  say Question(
    "我想更了解你,你叫什么名字呢?",
    buttons=[
      Button("我是匿名 😎", accepts=["No", "Nope"]) as anonBtn
    ],
  )
  hold
  if (event.match(anonBtn)) {
    remember name = "anon"
  } else {
    remember name = event
  }
  goto known

known:
  if (name == "anon")
    say "...不过我知道你不太想多聊自己吧!"
  else 
    say "你叫 {{name}}!"
  goto end

完整文档请访问 https://docs.csml.dev/language。

快速上手

开始使用 CSML 最简单的方式是通过 CSML Studio,这是一个免费的在线开发环境,已预先配置好所有内容,让你可以直接在浏览器中创建机器人。

立即开始使用 CSML Studio:https://studio.csml.dev

CSML Studio 提供了一个免费的实验平台,帮助你熟悉这门语言,同时还支持一键将你的聊天机器人规模化部署。

自托管 / 云端 / 本地安装

CSML 可以作为一款自托管的 Web 服务器使用,你可以通过以下方式轻松安装。

请注意,你需要准备一个数据库。默认选择 MongoDB,但也可以使用 Amazon DynamoDBPostgreSQLSQLite,只需在设置环境变量时选择 mongodbdynamodbpostgresqlsqlite 作为数据库类型即可,对应的环境变量略有不同。

在开始之前,请确保已正确设置以下环境变量:

ENGINE_DB_TYPE=mongodb # 必须是 mongodb|dynamodb|postgresql|sqlite 中的一个

# 对于 MongoDB
MONGODB_URI=mongodb://username:password@localhost:27017
MONGODB_DATABASE=csml

# 对于 PostgreSQL
POSTGRESQL_URL=postgres://user:password@hostname:port/database

# 对于 SQLite
SQLITE_URL=csml.db

# 对于 DynamoDB(需要 S3 存储大文件)
AWS_ACCESS_KEY_ID= # 或使用本地 IAM 角色
AWS_SECRET_ACCESS_KEY= # 或使用本地 IAM 角色
AWS_REGION=
AWS_DYNAMODB_ENDPOINT= # 可选,若未设置则使用对应区域的 DynamoDB 默认端点。
AWS_DYNAMODB_TABLE=
AWS_S3_ENDPOINT= # 可选,若未设置则使用对应区域的 S3 默认端点。
AWS_S3_BUCKET=

# CSML 服务器配置
ENGINE_SERVER_PORT=5000
ENGINE_SERVER_API_KEYS=someAuthKey4CsmlServer,someOtherAuthKey

# 其他可选的引擎配置
ENGINE_ENCRYPTION_SECRET=some-secret-string # 若未设置,数据将以明文存储
TTL_DURATION=30 # X 天后自动清除聊天机器人用户数据
LOW_DATA_MODE=true # 不存储发送/接收的消息内容
DISABLE_SSL_VERIFY=false # 访问具有已知无效证书的可信端点
DEBUG=true # 在控制台输出调试信息
CSML_LOG_LEVEL=error # 将日志输出到 stderr。可选值为 error、warn、info、debug、trace。
MODULES_URL= # 默认模块仓库基础 URL
MODULES_AUTH= # 默认模块认证令牌

部署到 Heroku

部署到 Heroku

使用预编译二进制文件(仅限 Linux 和 macOS)

在本地启动 CSML 引擎最简单的方法是使用我们提供的预构建优化二进制文件(适用于 MongoDB 和 Amazon DynamoDB)。这些二进制文件自 v1.3.0 版本起,随每个 CSML 发布版本一同提供。

请参考这篇博客文章中的安装指南(以 Ubuntu 为例,其他操作系统步骤类似):https://blog.csml.dev/how-to-install-a-self-hosted-csml-engine-on-ubuntu-18-04/

要下载最新的 CSML 服务器二进制文件,请前往 最新发布页面,并确保下载适合你系统架构的版本。

Mac 用户:首次运行此二进制文件时,Mac 可能会弹出关于应用未签名的警告(更多信息请参见 Apple 官方文档)。由于这不是面向大众发布的应用,我们暂时未进行公证流程,因此你可以放心忽略该警告!不过,如果你愿意,也可以选择从源码编译安装(详见下方“使用 Rust 从源码编译”部分)。

使用 Docker

我们提供了一个 Docker 镜像,方便您进行自托管部署。

docker pull clevy/csml-engine

要在 Docker 上开始使用 CSML Engine,请参阅:https://github.com/CSML-by-Clevy/csml-engine-docker

使用 Rust 从源码编译

CSML 是用 Rust 构建的。不过,您无需掌握任何 Rust 知识即可运行它!请确保您的 Rust 版本为 v1.46 或更高,并且已在您的机器上安装 openssl(或适用于您 Linux 发行版的等效软件包,如 libssl),然后执行以下命令:

cd csml_server

# 用于 MongoDB
cargo build --release --features csml_engine/mongo

# 用于 Amazon DynamoDB
cargo build --release --features csml_engine/dynamo

之后,运行构建好的可执行文件(默认位于 ./targets/release/csml_server),并访问 http://localhost:5000 查看一些请求示例。

使用 Node.js

此仓库提供了该 Rust 库的 Node.js 绑定。要在 Node.js 项目中使用此库,您需要从源码进行编译。以下是所需条件:

  • 当前稳定的 Rust 版本(v1.61.0 及以上)
  • Node.js LTS
  • cargo-cp-artifact v0.1.6 必需依赖项
  • libssl-dev(或适用于您架构的等效软件包:openssl-dev、libssl-devel 等)

要将 CSML Engine 编译为 原生 Node.js 模块,请运行以下命令:

git clone https://github.com/CSML-by-Clevy/csml-engine csml
cd csml/bindings/node/native
npm run build -- --release

注意:您可以通过使用特定脚本(例如 npm run build:mongodb)针对 MongoDB、DynamoDB、SQLite 或 PostgreSQL 进行专门编译,这些脚本位于 package.json 中。

此方法会生成一个原生文件:csml/bindings/node/native/index.node,您可以在项目中直接通过 require()import 引入它。有关如何在您自己的项目中使用此模块的更多详细信息,您可以查看我们为 Docker 版本提供的实现:https://github.com/CSML-by-Clevy/csml-engine-docker/blob/master/app/server.js。

请注意,如果您计划将项目部署到不同的架构上,您需要在该架构上重新编译项目。我们建议在将 CSML Engine 集成到您自己的 Node.js 项目时使用 Git 子模块。

REST API 文档

CSML Server 的 HTTP REST API 文档以 OpenAPIv3 格式提供:swagger.yaml。为了更方便地阅读该文件,您可以在 Swagger Editor 中打开它。

其他信息

体验 CSML 语言

  • Studio - 在几分钟内创建并部署您的聊天机器人。
  • Playground - 在浏览器中测试和学习 CSML。

获取帮助

信息

版本历史

v1.11.22022/11/04
v1.11.12022/06/22
v1.11.02022/06/16
v1.11.0-rc52022/06/10
v1.11.0-rc42022/06/07
v1.11.0-rc32022/06/03
v1.11.0-rc22022/06/03
v1.11.0-rc12022/06/02
v1.11.0-rc02022/05/24
v1.10.42022/05/11
v1.10.32022/05/09
v1.10.22022/05/05
v1.10.12022/04/29
v1.10.1-rc02022/04/29
v1.10.02022/04/28
v1.10.0-rc12022/04/25
v1.10.0-rc02022/04/25
1.9.22022/03/07
1.9.2-rc32022/03/07
1.9.2-rc22022/03/07

常见问题

相似工具推荐

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

151.9k|★★☆☆☆|今天
开发框架Agent语言模型

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|6天前
语言模型图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|1周前
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85.1k|★★☆☆☆|2天前
图像数据工具视频

funNLP

funNLP 是一个专为中文自然语言处理(NLP)打造的超级资源库,被誉为"NLP 民工的乐园”。它并非单一的软件工具,而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点,funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具,还独特地收录了丰富的垂直领域资源,如法律、医疗、金融行业的专用词库与数据集,甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性,从基础的字典词典到前沿的 BERT、GPT-2 模型代码,再到高质量的标注数据和竞赛方案,应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师,还是从事人工智能研究的学者,都能在这里找到急需的“武器弹药”。对于开发者而言,它能大幅减少寻找数据和复现模型的时间;对于研究者,它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神,极大地降低了中文自然语言处理的开发与研究成本,是中文 AI 社区不可或缺的宝藏仓库。

79.9k|★☆☆☆☆|4天前
语言模型数据工具其他

gpt4all

GPT4All 是一款让普通电脑也能轻松运行大型语言模型(LLM)的开源工具。它的核心目标是打破算力壁垒,让用户无需依赖昂贵的显卡(GPU)或云端 API,即可在普通的笔记本电脑和台式机上私密、离线地部署和使用大模型。 对于担心数据隐私、希望完全掌控本地数据的企业用户、研究人员以及技术爱好者来说,GPT4All 提供了理想的解决方案。它解决了传统大模型必须联网调用或需要高端硬件才能运行的痛点,让日常设备也能成为强大的 AI 助手。无论是希望构建本地知识库的开发者,还是单纯想体验私有化 AI 聊天的普通用户,都能从中受益。 技术上,GPT4All 基于高效的 `llama.cpp` 后端,支持多种主流模型架构(包括最新的 DeepSeek R1 蒸馏模型),并采用 GGUF 格式优化推理速度。它不仅提供界面友好的桌面客户端,支持 Windows、macOS 和 Linux 等多平台一键安装,还为开发者提供了便捷的 Python 库,可轻松集成到 LangChain 等生态中。通过简单的下载和配置,用户即可立即开始探索本地大模型的无限可能。

77.3k|★☆☆☆☆|昨天
语言模型开发框架