Rasa的工作流程

Rasa 的工作流程分为两个主要部分：NLU（自然语言理解） 和 Core（对话管理）。整个流程包括从用户输入到最终响应的多个步骤，下面是详细的工作流程解析：

1. 用户输入

用户通过聊天界面（如微信、Telegram、Slack 或 Web 前端）发送自然语言消息，例如：

"我想预订一张明天去北京的火车票"

---

2. 自然语言理解（NLU）

Rasa 的 NLU 模块解析用户输入，提取意图和实体。

2.1 意图识别

NLU 模块会识别用户输入的意图（intent），例如：

intent: book_ticket

2.2 实体提取

同时，NLU 模块会从输入中提取出相关实体（entities），例如：

entities:
  - date: 明天
  - destination: 北京

过程：

• 用户输入会经过 NLU 管道（Pipeline），管道中的组件会依次处理输入数据：
  • Tokenization（分词）： 将句子分解为单词或短语。
  • Intent Classification（意图分类）： 使用分类模型识别用户意图。
  • Entity Extraction（实体提取）： 提取用户输入中的关键数据。

---

3. 槽位填充（Slot Filling）

Rasa Core 会将提取的实体填充到预定义的槽位（slots）中，用于存储对话中的关键数据。

• 例如：

  slots:
    date: 明天
    destination: 北京
  

如果槽位未被完全填充，Rasa Core 可能会要求用户提供更多信息。

---

4. 对话管理（Core）

Rasa 的 Core 模块负责管理对话流，根据上下文和策略决定下一步的动作。

4.1 检查上下文

• Rasa Core 会分析当前对话的状态，包括用户意图、已填充的槽位等。
• 使用对话状态追踪器（Tracker）来记录对话的历史。

4.2 策略决策

• 基于训练的对话模型或规则，Core 会决定下一步的动作（action）。
• 动作可能是：
  • 发送固定回复：例如问候语或简单回答。
  • 触发自定义动作：如调用外部 API。
  • 向用户询问更多信息。

---

5. 动作执行（Action Execution）

Core 模块触发动作并返回结果。

动作类型：

1. 默认动作：

   • 响应定义在 domain.yml 文件中。
   • 例如：

     responses:
       utter_greet:
         - text: "你好！我可以帮您做什么？"
     

2. 自定义动作：

   • 执行后台逻辑，例如访问数据库或调用外部 API。
   • 定义在 actions/ 文件夹内的 Python 文件中，使用 Rasa SDK。
   • 例如：

     class ActionBookTicket(Action):
         def name(self):
             return "action_book_ticket"
     
         def run(self, dispatcher, tracker, domain):
             destination = tracker.get_slot('destination')
             date = tracker.get_slot('date')
             # 调用API预订车票
             dispatcher.utter_message(f"为您预订了 {date} 去 {destination} 的火车票！")
             return []
     

---

6. 生成响应

Rasa 会将动作的结果转换为用户能理解的响应消息，通过连接的渠道（如微信或 Web 界面）发送给用户。

• 示例响应：

  "为您预订了明天去北京的火车票！"
  

---

7. 持续对话

对话的状态会持续记录在对话状态追踪器中（Tracker Store），包括用户的意图、槽位值和历史消息。这样 Rasa 可以在下一轮对话中记住上下文。

---

工作流程总结图

用户输入 --> NLU 解析意图和实体 --> 槽位填充 --> Core 决策下一步动作
      --> 动作执行 --> 生成响应 --> 返回给用户 --> 持续对话

---

开发和运行流程

开发 Rasa 聊天机器人也需要遵循以下主要步骤：

1. 数据准备

• NLU 数据： 定义用户意图和示例句子（data/nlu.yml）。
• 对话数据： 定义对话流（data/stories.yml）。
• 规则数据： 定义简单对话规则（data/rules.yml）。
• 域文件： 定义意图、动作、槽位（domain.yml）。

2. 配置模型

• 配置 NLU 管道和对话策略（config.yml）。

3. 训练模型

• 使用命令训练 NLU 和 Core 模型：

  rasa train
  

4. 测试和调试

• 使用 Rasa Shell 测试模型：

  rasa shell
  

5. 部署

• 部署到生产环境，集成到消息平台（如微信、Telegram）或 Web 应用。