【Python大语言模型系列】开源机器人对话系统框架RASA介绍与使用（案例分析）

这是我的第361篇原创文章。

一、引言

Rasa是一个开源的对话式 AI 框架，用于构建自定义的对话式 AI 助手。它可以处理自然语言理解（NLU）和对话管理（DM），使得开发者能够轻松地创建功能丰富的对话式 AI 应用。Rasa是一个开源机器学习框架(小模型)，主要功能：支持闲聊，问答型机器人和多轮会话。

二、系统架构

上图概述了Rasa开源体系结构：

• RASA包含自然语言理解（NLU）和对话管理两个主要组件。NLU提供了意图分类，实体提取和响应检索功能，它是以管道的方式处理用户对话，在上图中显示为NLU Pipeline。对话管理组件可以根据上下文决定对话中的下一个动作，在上图中显示为Dialogue Policies。
• Agent组件，从Robot User来看，Agent就是整个RASA系统的代理，它接收用户输入消息，返回Rasa系统的回答。在Rasa系统内，Agent就是一个总控单元，它引导系统启动，它连接NLU和DM，得到Action，然后调用Action得到回答，它保存对话数据到数据存储。
• Tracker Store是对话的存储单元，对话跟踪单元将用户和机器人的对话保存在Tracker Store中。Rasa提供了针对不同存储类型的开箱即用的实现，包括postgresql，SQLite，Oracle，Redis，MongoDB，DynamoDB。TrackerStore也支持自定义存储。
• Event Broker事件代理，机器人可以通过Event Broker连接到其他服务。机器人可以发布一个消息给其他服务来处理这些消息，也可以依靠Event Broker转发Rasa Server的消息到其他服务。目前RASA支持的Event Broker有RabbitMQ，Kafka，SQL。
• Lock Store，该组件是一个ID产生器，当RASA是一个集群部署的时候，并且客户端在发送RASA服务端的消息每次不一定会寻址到同一个服务器，因此需要一个全局的Session ID。Rasa使用Token Lock机制来确保全局唯一SessionID，并在消息处于活动状态时锁定会话，以此保证消息的顺序处理。
• FileSystem提供无差别的文件存储服务，比如训练好的模型可以存储在不同的位置。支持磁盘加载，服务器加载，S3这样的云存储加载。
• ActionServer提供了Action与Policy解耦的一种方式。用户可以定义任何一种Action连接到Action Server上，通过训练学习，RASA可以将policy路由到这个Action上。这使得给机器人热插拔一个能力成为可能。

三、核心模块介绍

Rasa有两个主要模块：Rasa NLU 和Rasa Core，旧版本：rasa-nlu和rasa-core是分开安装的，最新版本：rasa 将二者做了合并。

Rasa NLU 是核心模块之一，NLU是英文Natural Language Understanding的简称，也就是自然语言理解，这个模块用于对用户消息内容进行语义理解，并将结果转换成结构化的数据。在Rasa这里，需要提供一份训练数据，Rasa NLU会基于这份数据进行模型训练，然后通过模型对用户消息进行语义理解，主要是意图识别和实体提取。

• 意图分类器主要是对用户的每一次对话进行意图识别，确定用户的每次意图，确定客户每次问的意图是哪种，需要做什么。一般任务型对话中，意图识别都是确定的集合，需要人为先确定任务意图类型，然后在实际场景中进行意图分类。RASA的意图分类器主要是完成这一任务。
• 实体提取器主要是对用户的每一次对话中进行命名实体识别，实体做为slot（槽）信息进行填充。举例来说，用户意图为订火车票，那机器人必须知道是从哪里出发目的地是哪里，这个信息就需要从用户对话中提取地名这个命名实体。RASA的实体提取器支持这一个功能。

NLU组件也是一个可细分pipeline结构，过程是Tokenize->Featurize->NER Extract->Intent Classify。

例如，下面句子：

"I am looking for a Mexican restaurant in the center of town"

返回结构化数据:

{ "intent": "search_restaurant","entities": { "cuisine" : "Mexican", "location" : "center" }}

Rasa_NLU_Chi 作为 Rasa_NLU 的一个 fork 版本，加入了jieba 作为中文的 tokenizer，实现了中文支持。

Rasa Core是一个对话管理平台，用于举行对话和决定下一步做什么。Rasa core是Rasa框架提供的对话管理模块，它类似于聊天机器人的大脑，主要的任务是维护更新对话状态和动作选择，然后对用户的输入作出响应。所谓对话状态是一种机器能够处理的对聊天数据的表征，对话状态中包含所有可能会影响下一步决策的信息，如自然语言理解模块的输出、用户的特征等；所谓动作选择，是指基于当前的对话状态，选择接下来合适的动作，例如向用户追问需补充的信息、执行用户要求的动作等。

RASA在处理对话时，整体流程是pipeline结构，自然语言理解（NLU）、对话状态追踪（DST）以及对话策略学习（DPL）一系列流程处理下来，再判断执行下一个动作。使用Rasa构建的助手响应消息的基本步骤：

• 首先，将用户输入的Message传递到Interpreter(NLU模块)，该模块负责识别Message中的"意图(intent)“和提取所有"实体”(entity)数据；
• 其次，Rasa Core会将Interpreter提取到的意图和实体传给Tracker对象，该对象的主要作用是跟踪会话状态(conversation state)；
• 第三，利用policy记录Tracker对象的当前状态，并选择执行相应的action，其中，这个action是被记录在Track对象中的；
• 最后，将执行action返回的结果输出即完成一次人机交互。

几个术语

• 意图：用户打算问什么？
• 实体：用户查询中重要的信息是什么？
• 故事：即对话脚本，对话进行的可能方式是什么？
• 行动：机器人应根据特定请求采取什么行为措施？

四、使用

1、安装rasa

使用pip install rasa[full]安装Rasa，则会为每种配置安装Rasa的所有依赖项（比如spaCy、MITIE）

2、创建一个新的rasa****项目

rasa init

项目结构：一个典型的 Rasa 项目包含以下文件和文件夹：

• credentials.yml: 存储与外部服务（如 Facebook Messenger、Slack 等）的 API 凭据。
• config.yml: 存储 Rasa 的配置信息，如 NLU 管道、策略等。
• data/: 存储训练数据，包括 NLU数据（训练意图识别模型）和对话数据（训练对话策略选择模型）。
• domain.yml: 定义对话的领域，包括实体、槽、意图、动作、模板等。
• credentials.yml: 存储与外部服务的 API 凭据。
• endpoints.yml: 定义 Rasa 服务器的端点，如模型存储、自定义操作等。

3、根据业务配置文件

nlu.yaml

nlu文件是告诉模型用户可能会说什么。给的例子是模拟了平时人在相关情形下常说的话。可以理解为，有监督的机器学习，我们给模型提供的学习数据。为了创建自定义聊天机器人，我们将在其中编写一些意图，同时确保意图名称没有重复，并且每个意图确保至少给出两个示例。

domain.yml

这个文件列出了nlu里的所有类型，而responses则是我们告诉机器人，当用户做出了nlu里的相关行为之后，应该怎样回应（其实就是类似一个判断分支的代码逻辑），比如当我识别出用户想让我讲个笑话的时候，我们就回复今日的风儿甚是喧嚣啊。当然，我这里只定义了一条，当定义多条回复信息时，机器人就会随机回复其中的一条。

sotries.yaml：

这里其实是模拟了可能发生的对话情况，每一条训练数据是一个story，即是一次完整的场景对话（多个intent-action），比如第一个沮丧情况，机器人问候之后，用户表示不开心，机器人会做一个cheer_up行为，然后询问刚才的鼓励行为是否有效，如果用户回复确认，机器人会进行说请保持，也就是23行的happy行为。

4****、训练模型

准备好domain.yml和sotries.yaml数据之后，就可以进行模型的训练了。Rasa会根据这些数据来训练机器人的回答策略，模型的输入数据是历史对话记录，lable是下一个决策action。模型本质上是num_actions个类别的多分类。

这里它直接问我要不要训练这个初始化的模型，我直接输入Y就可以。等价于命令

rasa train

训练过程：

训练完成：

训练完成之后这将在models/文件夹下生成一个训练好的模型。

**5. **测试模型

使用以下命令测试模型：

rasa test

这将在results/文件夹下生成测试结果。

6****、运行

现在，可以将此聊天机器人集成到自己的网站或者连接到任何其他平台，但是必须创建自己的自定义连接器。有两种运行Rasa的方法：在Shell和localhost上。

这里它直接问我要不要对话这个训练好的模型，我直接输入Y就可以。等价于命令

rasa shell

另一种方法是在本地服务器上运行Rasa。为此，只需在Rasa文件夹中打开的终端上运行以下命令：

rasa run

这将在本地系统上运行Rasa，并在本地主机的5005端口公开REST端点。为了与Rasa服务器公开的REST端点进行通信，可以使用cURL命令（对于Linux爱好者）或Postman。这里推荐Postman，因为它易于使用。

7****、部署对话式 AI 助手

要将你的对话式 AI 助手部署到生产环境，你可以使用 Rasa 的 REST API。首先，在endpoints.yml文件中配置端点：

action_endpoint:
url: "http://localhost:5055/webhook"

model:
  url: "http://localhost:5005/model"
  token: "your-token"

tracker_store:
  type: "sql"
  dialect: "sqlite"
  db: "rasa.db"

然后，使用以下命令启动 Rasa 服务器：

rasa run

现在你的对话式 AI 助手已经部署到生产环境，可以通过 REST API 与外部服务进行交互。

作者简介：

读研期间发表6篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信。