网站首页 > 厂商资讯 > AI工具 >

使用Rasa框架开发自定义AI对话机器人的步骤

在当今数字化时代，人工智能（AI）技术在各个领域的应用越来越广泛。其中，AI对话机器人作为人工智能的一个重要分支，以其便捷、智能的特点受到了众多企业和个人的青睐。Rasa是一款开源的对话即平台，它可以帮助开发者快速搭建和部署自定义的AI对话机器人。本文将详细介绍使用Rasa框架开发自定义AI对话机器人的步骤，帮助读者轻松上手。

一、Rasa简介

Rasa是一款基于Python的开源自然语言处理（NLP）框架，它由Rasa NLU（自然语言理解）和Rasa Core（对话管理）两个核心组件组成。Rasa NLU负责解析用户的自然语言输入，并将其转换为结构化的数据，而Rasa Core则负责处理这些数据，生成合适的回复。

二、开发环境准备

安装Python环境

在开始使用Rasa之前，确保你的电脑上已经安装了Python环境。你可以通过以下命令安装Python：

# 使用pip安装Python

pip install python

安装Rasa

使用pip安装Rasa：

# 使用pip安装Rasa

pip install rasa

创建项目文件夹

创建一个新文件夹作为你的Rasa项目文件夹：

mkdir rasa_project

cd rasa_project

初始化Rasa项目

在项目文件夹中，运行以下命令初始化Rasa项目：

# 初始化Rasa项目

rasa init

这将创建一个基本的Rasa项目结构，包括NLU配置文件、对话管理配置文件、示例对话等。

三、编写NLU配置文件

NLU配置文件（config.yml）用于定义Rasa NLU如何处理用户的自然语言输入。以下是编写NLU配置文件的步骤：

编辑NLU配置文件

# 打开NLU配置文件

vi config.yml

添加自定义实体

在entities部分，你可以定义自定义实体。例如，假设你的对话机器人需要处理用户提到的商品名称，你可以添加如下内容：

entities:

  - product_name

添加意图

在intents部分，定义你的对话机器人可能遇到的各种意图。例如，以下是一个关于用户询问商品价格的意图：

intents:

  - ask_product_price

定义实体抽取规则

在rules部分，为每个意图添加实体抽取规则。例如，以下是一个关于抽取商品名称的规则：

rules:

  - intent: ask_product_price

    entities:

      - product_name: "{product_name}"

    templates:

      - template: "The price of the {product_name} is {{product_price}}."

保存并关闭NLU配置文件

四、编写对话管理配置文件

对话管理配置文件（domain.yml）用于定义对话机器人的对话流程。以下是编写对话管理配置文件的步骤：

编辑对话管理配置文件

# 打开对话管理配置文件

vi domain.yml

添加意图和实体

在intents和entities部分，将NLU配置文件中定义的意图和实体添加到对话管理配置文件中。

定义对话动作

在actions部分，定义对话机器人可以执行的动作。例如，以下是一个查询商品价格的对话动作：

actions:

  - action_product_price

定义对话流程

在stories部分，定义对话流程。以下是一个简单的对话流程示例：

stories:

  - story: ask product price

    steps:

      - intent: ask_product_price

      - action: action_product_price

  - story: product not found

    steps:

      - intent: ask_product_price

      - action: action_product_not_found

保存并关闭对话管理配置文件

五、编写对话动作

对话动作是Rasa Core中的核心部分，用于实现对话机器人的功能。以下是编写对话动作的步骤：

创建动作文件夹

在项目文件夹中创建一个名为actions的文件夹：

mkdir actions

cd actions

编写动作文件

在actions文件夹中，创建一个Python文件（例如action_product_price.py），并编写对话动作的逻辑。以下是一个简单的查询商品价格的对话动作示例：

from rasa_sdk import Action

from rasa_sdk.executor import CollectingDispatcher



class ActionProductPrice(Action):

    def name(self):

        return "action_product_price"



    def run(self, dispatcher, tracker, domain):

        product_name = tracker.get_last_message().get("entities")[0]["value"]

        # 根据商品名称查询价格

        price = self.query_price(product_name)

        # 将价格信息发送给用户

        dispatcher.utter_message(template="The price of the {product_name} is {{price}}.")

        return []



    def query_price(self, product_name):

        # 模拟查询商品价格

        prices = {"laptop": 5000, "phone": 3000}

        return prices.get(product_name, "Not available")

保存并关闭动作文件

六、训练Rasa模型

cd ..

训练Rasa模型

运行以下命令开始训练Rasa模型：

# 训练Rasa模型

rasa train

训练完成后，Rasa会在项目文件夹中生成两个模型文件：model.tar.gz和domain.yml。

七、测试和部署Rasa对话机器人

运行Rasa服务器

在Rasa项目根目录中，运行以下命令启动Rasa服务器：

# 运行Rasa服务器

rasa run

测试对话机器人

打开浏览器，访问Rasa服务器的URL（默认为http://localhost:5050/webhooks/rest/webhook），即可进行对话测试。

部署Rasa对话机器人

根据实际需求，可以将Rasa对话机器人部署到云服务器、虚拟机或其他环境。以下是一些常用的部署方式：

使用Docker容器部署Rasa对话机器人
将Rasa对话机器人集成到现有的Web应用中
使用Rasa X进行持续改进和优化

通过以上步骤，你已经成功使用Rasa框架开发了一个自定义的AI对话机器人。在开发过程中，可以根据实际需求调整和优化NLU配置、对话管理配置和对话动作，使你的对话机器人更加智能、高效。