使用 Rasa 构建智能聊天机器人：从零到一的实战指南

全栈探索者chen

于 2025-03-03 13:26:43 发布

阅读量1.2k

点赞数 13

分类专栏： python 文章标签：机器人 rasa python AI编程数据库开发语言程序人生

本文链接：https://blog.csdn.net/mmc123125/article/details/145984942

版权

python 专栏收录该内容

95 篇文章

订阅专栏

使用 Rasa 构建智能聊天机器人：从零到一的实战指南

在这里插入图片描述

前言

随着人工智能技术的不断进步，聊天机器人在客户服务、在线咨询和信息查询等领域发挥着越来越重要的作用。Rasa 作为一个领先的开源对话管理框架，为开发者提供了构建高度定制化聊天机器人的能力。本文将带你从零开始构建一个基于 Rasa 的智能聊天机器人，从环境搭建、数据准备到模型训练与部署，全流程展示如何实现一个具有自然语言理解和对话管理能力的聊天机器人。通过丰富的代码示例和实践经验，你将掌握 Rasa 的核心技术，并能灵活应对实际项目中的多样化需求。

一、Rasa 框架概述

1.1 什么是 Rasa？

Rasa 是一个开源的对话 AI 框架，主要包含两个核心组件：

Rasa NLU：用于自然语言理解，将用户输入转换为结构化数据（如意图和实体）。
Rasa Core：用于对话管理，根据用户意图和上下文状态生成响应动作，实现对话流程控制。

1.2 Rasa 的优势

高度可定制：支持自定义意图、实体提取、对话策略等，可满足各类业务需求。
开源社区支持：拥有活跃的开发者社区和丰富的教程、插件，便于快速上手和扩展。
无云依赖：支持本地部署，确保数据隐私和安全。
灵活的训练数据：通过 YAML 格式定义训练数据，便于管理和更新。

二、环境搭建与项目初始化

2.1 安装 Rasa

首先，建议使用 Python 3.8 及以上版本，并创建虚拟环境：

python -m venv rasa-env
source rasa-env/bin/activate   # Windows 下使用: rasa-env\Scripts\activate

安装 Rasa：

pip install rasa

2.2 初始化 Rasa 项目

使用 Rasa CLI 初始化项目：

rasa init --no-prompt

该命令会自动创建一个示例项目，包含以下目录结构：

.
├── actions.py            # 自定义动作
├── config.yml            # 模型配置文件
├── credentials.yml       # 认证配置（例如用于连接 SocketIO 等）
├── data
│   ├── nlu.yml           # 自然语言理解训练数据
│   └── stories.yml       # 对话故事
├── domain.yml            # 对话域配置：意图、实体、槽位和响应
└── endpoints.yml         # 服务端点配置

通过这些文件，我们可以对机器人进行配置、训练和部署。

三、数据准备与模型训练

3.1 定义意图与实体

编辑 data/nlu.yml 文件，添加自定义的意图和实体。例如，我们构建一个简单的问候机器人：

version: "3.0"

nlu:
- intent: greet
  examples: |
    - 你好
    - 嗨
    - 您好
    - 早上好
    - 晚上好
    - 嗨，你好
- intent: goodbye
  examples: |
    - 再见
    - 拜拜
    - 下次见
    - 走了

3.2 定义对话故事

编辑 data/stories.yml 文件，定义用户与机器人的对话流程。例如：

version: "3.0"

stories:
- story: greet and goodbye
  steps:
  - intent: greet
  - action: utter_greet
  - intent: goodbye
  - action: utter_goodbye

3.3 配置对话域

在 domain.yml 中定义意图、实体、槽位、响应和动作：

version: "3.0"

intents:
  - greet
  - goodbye

responses:
  utter_greet:
  - text: "你好！很高兴见到你。"
  
  utter_goodbye:
  - text: "再见！祝你有美好的一天。"

actions: []

session_config:
  session_expiration_time: 60
  carry_over_slots_to_new_session: true

3.4 训练模型

使用以下命令训练 Rasa 模型：

rasa train

训练完成后，模型文件将保存在 models/ 目录中。

四、实现自定义动作（可选）

如果需要实现更复杂的逻辑，可以在 actions.py 中编写自定义动作。例如，我们可以实现一个简单的问候增强逻辑：

# actions.py
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher

class ActionEnhancedGreet(Action):

    def name(self) -> str:
        return "action_enhanced_greet"

    def run(self, dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: dict):
        user_name = tracker.get_slot("user_name")
        if user_name:
            greeting = f"你好，{user_name}！欢迎回来。"
        else:
            greeting = "你好！欢迎使用我们的聊天机器人。"
        dispatcher.utter_message(text=greeting)
        return []