网站首页 > 厂商资讯 > AI工具 >

如何使用Rasa框架进行AI对话系统开发

在当今这个信息爆炸的时代，人工智能技术已经渗透到了我们生活的方方面面。其中，AI对话系统作为一种新兴的人机交互方式，正逐渐改变着人们的生活方式和工作方式。Rasa是一个开源的自然语言处理框架，它可以帮助开发者快速构建和部署高质量的AI对话系统。本文将讲述一位开发者如何使用Rasa框架进行AI对话系统开发的历程。

李明，一个年轻的计算机科学毕业生，对人工智能充满了浓厚的兴趣。他一直梦想着能够开发出能够真正理解用户需求、提供个性化服务的AI对话系统。然而，面对复杂的自然语言处理技术，他感到有些无从下手。

在一次偶然的机会，李明在网络上看到了Rasa框架的介绍。Rasa以其简单易用、功能强大而闻名，吸引了他的注意。他决定利用这个框架来实现自己的梦想。

第一步：环境搭建

李明首先需要搭建Rasa的开发环境。他下载了Rasa的官方文档，按照步骤安装了Python环境，并配置了虚拟环境。接着，他安装了Rasa的命令行工具和Rasa NLU（自然语言理解）的依赖库。

第二步：创建Rasa项目

在完成环境搭建后，李明开始创建自己的Rasa项目。他使用命令行工具创建了一个新的Rasa项目，并进入了项目目录。在项目目录下，他看到了几个重要的文件和文件夹，包括：

actions：存放自定义动作的文件夹。
config：存放Rasa项目的配置文件。
data：存放Rasa NLU的数据文件。
domain：存放对话系统领域知识的文件夹。

第三步：构建对话领域

为了使对话系统能够理解用户的意图，李明需要构建对话领域。他首先在domain文件夹中创建了一个名为domain.yml的文件，定义了对话系统的意图、实体、slots和actions。

intents:

- greet

- goodbye

- inform

- request

- thank



entities:

- name



slots:

- name

- age



actions:

- utter_greet

- utter_goodbye

- inform_age

- ask_name

- thank_user

接着，他创建了几个意图对应的响应文本文件，如greet.yml、goodbye.yml等。

第四步：训练Rasa NLU

为了使Rasa NLU能够理解用户的输入，李明需要训练它。他首先在data文件夹中创建了两个文件：nlu.yml和stories.yml。nlu.yml文件定义了用户的输入和对应的意图，而stories.yml文件定义了意图之间的转换关系。

version: "2.0"

nlu:

- intent: greet

  examples: |

    - 你好

    - 早上好

    - 嘿

- intent: goodbye

  examples: |

    - 再见

    - 拜拜

    - 走了

- intent: inform

  examples: |

    - 我的名字是李明

    - 我今年25岁

- intent: request

  examples: |

    - 请告诉我你的名字

    - 你叫什么名字

- intent: thank

  examples: |

    - 谢谢

    - 多谢



stories:

- story: greet

  steps:

  - intent: greet

- story: inform

  steps:

  - intent: inform

    slot_was_set:

      name: name

  - intent: greet

- story: goodbye

  steps:

  - intent: goodbye

在完成数据准备后，李明使用命令行工具训练Rasa NLU：

rasa train

第五步：编写动作

在Rasa中，动作负责执行实际的任务，如查询数据库、发送邮件等。李明需要在actions文件夹中编写自定义动作。例如，他可以创建一个名为actions.py的文件，并在其中定义一个名为inform_age的动作：

from rasa_sdk import Action

from rasa_sdk.events import SlotSet



class ActionInformAge(Action):

    def name(self):

        return "action_inform_age"



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

        name = tracker.get_slot("name")

        age = tracker.get_slot("age")

        dispatcher.utter_message(text=f"{name}，你今年{age}岁。")

        return [SlotSet("age", None)]

第六步：测试和部署

在完成动作编写后，李明使用命令行工具启动Rasa运行时：

rasa run

此时，他可以通过访问本地服务器（默认为http://localhost:5050/）来测试对话系统。在测试过程中，李明不断调整对话领域、训练数据和动作，直到满足自己的需求。

最后，为了实现对话系统的线上部署，李明将项目上传到了云服务器，并配置了相关的环境。现在，他的AI对话系统已经可以在线上提供服务了。

通过使用Rasa框架，李明成功地实现了自己的梦想。他不仅掌握了一个强大的AI对话系统开发工具，还积累了许多宝贵的实践经验。相信在不久的将来，他的AI对话系统将为更多的人带来便利。