Rasa 的工作流程

Rasa 是一个非常灵活的对话系统框架，它的工作流程涉及多个步骤，包括意图识别、槽位填充、对话管理、以及执行自定义动作等。下面是 Rasa 工作流程的详细解释：

1. 用户输入

用户通过对话界面（比如聊天框、语音输入等）发送信息。这个信息可以是自然语言文本，Rasa 将对其进行处理。

2. 自然语言理解（NLU）

当用户输入信息时，Rasa 首先通过 自然语言理解（NLU） 模块对用户的输入进行分析。NLU 的主要任务包括：

a) 意图识别（Intent Recognition）

Rasa 会尝试识别用户的意图，意图是指用户发送消息的主要目的。例如，用户可能发送的消息有：

• “我需要预定一张机票”（意图：预定机票）
• “天气怎么样？”（意图：查询天气）

Rasa 会根据训练数据，判断用户输入的文本属于哪个预定义的意图。

b) 实体提取（Entity Recognition）

Rasa 还会从用户的输入中提取 实体，这些实体通常是对话中的关键信息。例如，在“预定一张从纽约飞往洛杉矶的机票”中，纽约 和 洛杉矶 都是实体，分别表示出发地和目的地。

NLU 模块会尝试识别文本中的实体，并将它们提取出来，用于后续的槽位填充。

• 槽位填充：槽位（slots）是 Rasa 用来存储关键信息的地方，例如存储用户的意图或实体。提取的实体会被填充到槽位中。槽位可以是：
  • 文本类型：例如，症状、地点等。
  • 列表类型：用于存储多个值（如多个症状）。

3. 对话管理（Core）

经过 NLU 处理后，接下来是 对话管理（Core） 阶段。在这个阶段，Rasa 会决定 下一步 的行动。对话管理的关键是：

a) 对话策略（Policy）

Rasa 使用对话策略来决定在特定情况下应该执行哪一项动作。Rasa 通过对话策略（例如，规则、机器学习策略）来预测最合适的动作。常见的对话策略有：

• MemoizationPolicy：通过记忆先前的对话来预测最合适的动作。
• TEDPolicy：一种基于深度学习的策略，能够根据对话上下文生成合适的响应。

b) 故事（Stories）

对话策略的训练基于 故事（Stories），这些故事是预定义的对话路径，描述了从用户输入到系统响应的一系列步骤。每个故事包含多个步骤，Rasa 会根据训练数据学习并预测下一步动作。

例如，假设我们有一个故事：

stories:
  - story: 预定机票流程
    steps:
      - intent: book_flight
      - action: action_ask_date
      - intent: inform_date
      - action: action_confirm_flight

在这个例子中，当用户发出预定机票的请求时，Rasa 会执行 action_ask_date 来询问用户的出发日期，然后根据用户的响应，执行 action_confirm_flight。

4. 槽位填充

在对话过程中，Rasa 会通过槽位（slots）来存储用户提供的信息。例如，在用户请求预定机票时，Rasa 可能会问用户：

• “请告诉我您希望的出发日期是什么？”（此时，Rasa 期望从用户处获得一个日期实体，并将其填充到槽位 departure_date 中。）

当系统从用户输入中提取到槽位的值时，Rasa 会将这些值存储在 槽位（slots） 中。这些槽位会在后续的对话中提供信息，用来决定接下来的动作。

5. 执行动作（Actions）

动作（Actions） 是 Rasa 系统中完成特定任务的步骤。动作有以下几种类型：

a) 常规动作

这是 Rasa 默认的动作类型，包括：

• 回复用户：Rasa 可以回复一个文本，告诉用户系统的响应。
• 执行 API 调用：Rasa 可以通过自定义动作调用外部服务，如调用数据库、外部 API 等。

例如：

actions:
  - action_ask_date
  - action_confirm_flight

b) 自定义动作（Custom Actions）

通过 自定义动作，你可以在 Rasa 中编写 Python 代码来执行复杂的任务。例如，在用户预定机票时，Rasa 可能需要调用外部 API 来获取可用航班信息，这时候你可以创建一个自定义的动作来处理这些操作：

from rasa_sdk import Action
from rasa_sdk.events import SlotSet

class ActionConfirmFlight(Action):
    def name(self) -> str:
        return "action_confirm_flight"

    def run(self, dispatcher, tracker, domain):
        departure_date = tracker.get_slot('departure_date')
        # 调用外部 API 或数据库，确认机票
        dispatcher.utter_message(f"确认您的机票已预定，出发日期：{departure_date}")
        return []

c) 内置动作

Rasa 还提供了一些内置动作，比如设置槽位的值、跳过步骤等。常用的内置动作包括：

• SlotSet：设置槽位的值。
• ActionRestart：重新开始对话。
• ActionStop：结束对话。

6. 对话反馈和回归

一旦动作执行完毕，Rasa 会更新对话状态，继续进行下一步。如果对话流中有多个槽位需要填充，系统会根据用户输入进行交互，直到所有信息都收集完成，然后执行最终动作。

总结 Rasa 的工作流程：

1. 用户输入：用户发送一条消息。
2. NLU 解析：Rasa 进行意图识别和实体提取。
3. 槽位填充：根据 NLU 提取的实体信息填充槽位。
4. 对话管理：通过对话策略（如 Memoization、TEDPolicy）决定下一步动作。
5. 执行动作：根据对话管理的决策，执行相应的动作，可能涉及回复用户、调用外部服务等。
6. 反馈更新：更新对话状态并继续进行下一步对话。

---

这个流程会在每轮对话中反复执行，直到达到对话的终点。Rasa 结合了 NLU、Core 和自定义动作的功能，使得对话系统既灵活又强大。