剩余:60 min
← 返回教程列表
⚡ 自动化•60 分钟•新手•Nov 16, 2026

1 小时搭建 WhatsApp AI 客服机器人

用 OpenAI + Twilio 在 60 分钟内构建一个 7×24 小时自动回复的 WhatsApp AI 客服机器人,再也不错过凌晨两点的客户咨询。

#whatsapp#api-integration#automation#customer-service#ai

这一小时结束时,你将拥有一个能自动读取客户消息并即时返回智能回复的 WhatsApp 机器人——无需人工值守,凌晨两点的消息也不会石沉大海。

🎯 成果展示

一个 Node.js Webhook 服务器,将 Twilio 的 WhatsApp API 与 OpenAI 的 GPT 模型打通。客户发来 WhatsApp 消息后,机器人自动读取、调用 GPT 生成回复并发送回去,全程只需几秒钟。

最终的核心逻辑长这样:

// 收到 WhatsApp 消息 → 询问 GPT → 立即回复
app.post("/webhook", async (req, res) => {
  const customerMessage = req.body.Body;
  const customerPhone   = req.body.From;

  const aiReply = await askGPT(customerMessage);
  await sendWhatsApp(customerPhone, aiReply);

  res.sendStatus(200);
});

真实对话示例:

  • 客户:"你们发货到加拿大吗?"
  • 机器人(3 秒内):"发的!我们通过 DHL 向加拿大发货,标准配送需要 7–10 个工作日。需要下单吗?"

⏱️ 时间分配

0–10min
创建账户并获取 API 密钥
10–25min
搭建 Node.js 项目
25–40min
构建 Webhook 与 AI 回复逻辑
40–55min
暴露服务器并连接 Twilio
55–60min
在 WhatsApp 上实测并上线

📋 前置条件

  • 一台安装了 Node.js 18+ 的电脑(运行 node -v 应返回 v18 或更高版本)
  • 一个免费的 Twilio 账户(twilio.com),注册只需 2 分钟
  • 一个有 API 访问权限的 OpenAI 账户(platform.openai.com)
  • 一个用于测试的 WhatsApp 账户
  • 能复制粘贴终端命令即可,无需编程经验

第 1 步:创建账户并获取 API 密钥(0–10 分钟)

写代码之前,你需要准备好两个 API 密钥。

获取 OpenAI API 密钥:

  1. 访问 platform.openai.com → 点击头像 → 选择 "API keys"
  2. 点击 "Create new secret key" → 命名为 "WhatsApp Bot"
  3. 立即复制密钥——它只会出现这一次

获取 Twilio 凭据:

  1. 访问 twilio.com → 注册免费账户
  2. 在控制台首页找到 "Account SID" 和 "Auth Token",全部复制
  3. 在左侧导航栏进入 Messaging → Try it Out → Send a WhatsApp Message
  4. 按照页面指引加入 Twilio 沙盒(你需要向一个 Twilio 号码发送类似 "join flying-tiger" 的 WhatsApp 消息)
  5. 记下 Twilio 沙盒 WhatsApp 号码(格式类似 +1 415 523 8886)

在桌面创建一个 .env 文件,将以上信息粘贴进去:

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxx
TWILIO_ACCOUNT_SID=ACxxxxxxxxxxxxxxxxxxxxxxxx
TWILIO_AUTH_TOKEN=xxxxxxxxxxxxxxxxxxxxxxxx
TWILIO_WHATSAPP_NUMBER=whatsapp:+14155238886
✅

Checkpoint

你已保存好 3 个凭据。哪个 Twilio 凭据以字母 AC 开头?

第 2 步:搭建 Node.js 项目(10–25 分钟)

这一步结束时,你的机器上将跑起一个可用的服务器。

打开终端,逐条运行以下命令:

mkdir whatsapp-ai-bot
cd whatsapp-ai-bot
npm init -y
npm install express twilio openai dotenv

创建项目文件:

touch index.js .env

将第 1 步中 .env 的内容复制到项目目录下的 .env 文件中。

再向 .env 添加一行——这是 AI 用来回答问题的店铺背景信息:

STORE_CONTEXT="We are FreshGlow, an online skincare store. We ship globally. Free shipping over $50. Returns accepted within 30 days. Email: support@freshglow.com"

将 FreshGlow 的文本替换成你自己的业务信息,AI 就会据此作答。

打开 index.js,添加基础服务器骨架:

require("dotenv").config();
const express = require("express");
const app     = express();

app.use(express.urlencoded({ extended: false }));
app.use(express.json());

app.get("/", (req, res) => {
  res.send("WhatsApp AI Bot is running!");
});

app.listen(3000, () => {
  console.log("Server started on port 3000");
});

启动服务器:

node index.js

打开浏览器访问 http://localhost:3000,看到 "WhatsApp AI Bot is running!" 说明服务器已经跑起来了。

第 3 步:构建 Webhook 与 AI 回复逻辑(25–40 分钟)

这是机器人的核心部分,你将把 OpenAI 和 Twilio 串联起来。

用以下完整代码替换 index.js 的全部内容:

require("dotenv").config();
const express  = require("express");
const OpenAI   = require("openai");
const twilio   = require("twilio");

const app    = express();
const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });
const client = twilio(
  process.env.TWILIO_ACCOUNT_SID,
  process.env.TWILIO_AUTH_TOKEN
);

app.use(express.urlencoded({ extended: false }));
app.use(express.json());

// 调用 GPT 生成客服回复
async function askGPT(customerMessage) {
  const response = await openai.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: [
      {
        role: "system",
        content: `You are a helpful customer service agent. 
                  ${process.env.STORE_CONTEXT}
                  Keep replies under 3 sentences. Be friendly and direct.`,
      },
      {
        role: "user",
        content: customerMessage,
      },
    ],
  });
  return response.choices[0].message.content;
}

// 通过 Twilio 发送 WhatsApp 消息
async function sendWhatsApp(to, body) {
  await client.messages.create({
    from: process.env.TWILIO_WHATSAPP_NUMBER,
    to:   to,
    body: body,
  });
}

// 主 Webhook——有消息到达时 Twilio 会调用此接口
app.post("/webhook", async (req, res) => {
  const customerMessage = req.body.Body;
  const customerPhone   = req.body.From;

  console.log(`Incoming from ${customerPhone}: ${customerMessage}`);

  try {
    const aiReply = await askGPT(customerMessage);
    console.log(`AI reply: ${aiReply}`);
    await sendWhatsApp(customerPhone, aiReply);
    res.sendStatus(200);
  } catch (err) {
    console.error("Error:", err.message);
    res.sendStatus(500);
  }
});

app.get("/", (req, res) => res.send("WhatsApp AI Bot is running!"));

app.listen(3000, () => console.log("Server started on port 3000"));

重启服务器:

node index.js

终端没有报错,说明逻辑已经正确连通。

✅

Checkpoint

保存文件并重启后,终端应该显示什么信息?

第 4 步:暴露服务器并连接 Twilio(40–55 分钟)

目前服务器只在你的本机运行,Twilio 无法从公网访问它。用 ngrok 一条命令就能为本地服务器生成一个公网 URL。

安装并运行 ngrok:

# 从 ngrok.com 下载安装后运行:
ngrok http 3000

你会看到类似这样的输出:

Forwarding   https://abc123def456.ngrok-free.app -> http://localhost:3000

复制那个 https:// 开头的 URL,并保持这个终端窗口开着——关闭它会使公网 URL 失效。

将 Twilio 指向你的 Webhook:

  1. 进入 twilio.com → Messaging → Settings → WhatsApp Sandbox Settings
  2. 找到 "When a message comes in" 字段
  3. 粘贴你的 ngrok URL,并在末尾加上 /webhook: https://abc123def456.ngrok-free.app/webhook
  4. 确认请求方式下拉框选的是 HTTP POST
  5. 点击保存

测试 Twilio 是否能访问你的服务器:

# 在新的终端窗口中,模拟一次 Twilio Webhook 调用:
curl -X POST https://abc123def456.ngrok-free.app/webhook \
  -d "Body=Hello, do you have free shipping?" \
  -d "From=whatsapp:+1234567890"

你的第一个终端窗口应该同时打印出收到的消息和 AI 回复。两行都出现,说明连接正常。

✅

Checkpoint

运行 curl 命令后,服务器终端应该出现哪两行内容?

第 5 步:上线实测(55–60 分钟)

现在用真实手机测试。

  1. 打开手机上的 WhatsApp
  2. 向第 1 步记下的 Twilio 沙盒号码发消息
  3. 随便输入一个客户问题,例如:"What's your return policy?"
  4. 等待 2–5 秒

AI 机器人会根据你填写的店铺背景信息,返回一条有针对性的智能回复。

以前是这样的(人工客服模式):

客户晚上 11 点发消息 → 没有回复 → 客户转去竞争对手那里下单

现在是这样的:

客户晚上 11 点发消息 → 3 秒内 AI 回复 → 客户得到答案 → 订单保住了

🎉 你的 7×24 小时 WhatsApp AI 客服机器人已经上线。你睡觉时,客户的每一条消息都能得到即时、有帮助的回复。

🎁 进阶挑战

  • 添加对话记忆: 用一个简单对象存储每位客户最近 5 条消息,将它们一起传给 GPT,让机器人在多轮对话中记住上下文
  • 转接人工客服: 加一个关键词检测——客户输入 "human" 或 "agent" 时,通过 Twilio 的普通短信 API 将其号码转发到你的手机
  • 部署到服务器,告别 ngrok: 将项目推送到 Railway.app(免费套餐),5 分钟内让机器人 7×24 小时运行,不再依赖开着的笔记本

📚 下一步学什么

🔗 扩展资源