代码定义动作
把已有业务能力写成函数注册进来，代理在对话中按需调用。逻辑与权限留在代码里，模型只做选择和编排，避免把关键操作交给提示词描述。
价格官网未标价
平台—
归类AI 智能体
收录2026-10-12
复核2026-10-12
编辑评分
4.4 / 5
★★★★☆
Inferable编辑总结
Inferable 是一个开源平台，用来搭建面向企业内部运营的对话式 AI 代理。它的思路和纯提示词路线不同：业务动作由开发者用代码定义成函数并注册进来，AI 只负责在对话中判断该调用哪些函数、按什么顺序调用。这样既保留了权限与逻辑的可控性，又能在关键节点插入人工确认，适合把散落在脚本和内部系统里的自动化能力收拢到统一入口。短板也很明显：它偏向工程团队，业务人员难以独立上手；自托管意味着部署、鉴权与稳定性都要自己扛。
Inferable是什么？
Inferable 面向的是内部运营场景——客服工单、订单查询、数据同步这类需要跨系统操作、又不想完全交给模型自由发挥的任务。开发者把已有能力写成函数并注册到平台上，AI 代理在对话中负责理解意图、选择函数、串联流程，最终由函数真正去执行。
它的形态是开源项目加自托管服务，适合放在企业自己的网络与权限体系内运行，而不是把内部数据和操作权限交到第三方 SaaS 手里。人在循环是设计的一部分：涉及写操作或高风险动作时，可以要求人工确认后再执行。
普通业务用户看到的只是一个对话窗口，提问、确认、拿到结果；开发者关注的是函数注册、依赖编排与执行日志；团队层面则要考虑自托管的部署维护、模型接入与权限划分由谁负责。
Inferable核心功能
分布式函数编排
函数可以分散在不同服务里，按依赖关系串成一条执行链。一个操作往往需要先查订单再改状态，这类多步流程由平台负责调度，不用在一个脚本里写死。
人在循环确认
涉及写操作或高风险动作时，可以要求人工在对话里点确认后才继续。适合退款、改价、发通知这类做错了代价较高的环节。
对话式入口
业务人员不需要记住命令或表单路径，直接用自然语言提出需求，代理翻译成函数调用并返回结果，降低内部工具的使用门槛。
开源自托管
代码公开、可部署在自有环境内，内部数据与操作权限不出企业网络。代价是部署、升级和运行稳定性由自己的团队负责。
Inferable值不值得用？
当你已经有一堆内部脚本和系统接口、想给它们套一个自然语言入口，并且在意权限可控、数据不出内网时，Inferable 的路线比纯提示词方案更稳，逻辑写在代码里也便于测试和审计。反过来，如果团队没有工程资源维护部署，或者只是想快速做一个聊天机器人给外部客户用，这套东西的前期投入会显得偏重，直接选托管型产品更省事。
建议选它的情况
- 有内部系统接口、想把它们统一成对话入口的工程团队
- 对数据出网敏感、要求自托管的企业
- 流程里存在高风险写操作、需要人工确认环节的场景
不建议选它的情况
- 没有开发资源、希望开箱即用的业务团队
- 只想快速搭一个对外客服机器人
- 不打算维护服务器与升级的轻量使用者
Inferable使用建议
入门先把路子走对
- 先注册一个函数从最熟悉、最无害的只读查询入手，比如订单查询，跑通「提问—选函数—返回结果」这一条链路，再考虑加写操作。
- 给函数写清描述函数的名称和用途说明是代理选择依据，写得含糊会导致调错。把输入输出、适用场景一起写进去，比事后调提示词有效。
进阶省时间也省钱
- 写操作加确认退款、改价、发通知这类动作都设成需要人工确认，先把这类函数跑一段时间，观察代理的判断准确度再决定是否放开。
- 从日志倒推边界定期看执行记录，找出代理选错函数或参数不全的对话，据此补全函数描述或增加前置校验，而不是一味改模型提示。
Inferable适合谁用？
平台工程团队
推荐手里有一批内部接口和脚本，希望统一成对话入口并保留权限控制，自托管部署正是他们能接受的方式。
内部工具开发者
推荐更习惯用代码而不是提示词描述流程，可以用它把已有函数串成多步自动化，复用现有逻辑而不用重写。
运维与客服主管
推荐关心高风险操作能否人工把关，人在循环确认这一环能让他们在放开自动化之前先设一道闸。
无开发资源的业务团队
有条件自托管、函数注册都需要工程师参与，业务侧单独使用很难推进，除非公司已有平台团队支持。
想直接买成品的人
不推荐需要自己部署和长期维护，托管型产品点点就能用的体验在这里不成立，纯使用导向的人会失望。
Inferable优点和缺点
优点
- 业务动作写成代码，权限和逻辑可控可测试
- 开源且可自托管，内部数据不必交给第三方
- 函数可分散部署，按依赖关系串成多步流程
- 关键写操作支持人工确认后再执行
- 已有接口和脚本能直接复用，不必重写
缺点
- 定位偏工程团队，业务人员难以独立搭建
- 自托管意味着部署、升级和稳定性自己扛
- 函数注册需要开发投入，前期见效不快
- 对话之外的界面能力相对有限
Inferable常见问题
它和直接写提示词调用模型的方案有什么区别？＋
提示词方案里，模型自己决定做什么，边界靠措辞约束；Inferable 把可执行的动作写成函数，模型只负责选哪个函数、按什么顺序调，真正的操作由代码完成。结果是权限、校验和日志留在代码侧，出错时容易定位和拦截，代价是需要先把函数写好。
需要哪些人参与才能用起来？＋
至少要有能写函数、能部署服务的开发人员，他们负责把内部接口注册进来并维护运行环境。业务侧负责描述流程和验收结果。如果没有开发资源，自托管这一段就无从下手，这也是它和开箱即用型产品最大的差别。
怎么防止代理误操作，比如错误地退款或改数据？＋
把这类动作设计成需要人工确认后才能执行的函数，代理只能发起请求，最终一步由人点确认。同时把只读查询和写操作分开注册，先在只读场景观察选择准确度，再逐步放开写权限。
数据会不会离开公司网络？＋
平台本身是开源可自托管的，内部数据和操作权限可以留在自有环境里执行。需要注意的是，对话理解环节仍要接入模型服务，具体把哪些内容发给模型、是否换成私有部署的模型，取决于自己的接入方式。
能不能把已经写好的脚本直接接进去？＋
它的设计就是复用既有能力：把脚本或内部接口包装成函数注册进来即可，不必按平台的方式重写业务逻辑。要注意的是函数描述要写清输入输出和适用场景，否则代理容易选错或漏传参数。
适不适合做对外的客户客服机器人？＋
它的定位是内部运营，重点在跨系统执行动作和权限可控，而不是对外接待的话术与多渠道接入。如果目标只是回答常见问题，用这类平台属于大材小用；如果需要对客户执行查单、改单等操作，则要额外考虑对外开放带来的安全与合规问题。
