网站首页 > 厂商资讯 > AI工具 >

如何使用Rasa开发自定义AI对话系统

在当今数字化时代，人工智能（AI）已经深入到我们生活的方方面面。其中，AI对话系统作为一种便捷的交互方式，越来越受到人们的青睐。Rasa作为一款开源的对话系统框架，以其灵活性和强大的扩展性，成为了构建自定义AI对话系统的首选工具。本文将讲述一位开发者如何利用Rasa开发自定义AI对话系统的故事。

小明，一个对AI充满热情的年轻程序员，一直梦想着能够开发出属于自己的AI对话系统。在一次偶然的机会，他接触到了Rasa这个框架，并对其产生了浓厚的兴趣。在接下来的几个月里，小明决定利用Rasa开发一个能够帮助用户查询天气信息的AI对话系统。

第一步：搭建开发环境

为了开始开发，小明首先需要搭建Rasa的开发环境。他下载了Rasa的源代码，并在本地电脑上安装了Python环境。接着，小明按照Rasa官方文档的指引，完成了以下步骤：

创建一个新的Rasa项目，并进入项目目录。
运行rasa init命令，初始化项目。
安装项目依赖，运行pip install -r requirements.txt。

第二步：定义对话策略

在Rasa中，对话策略是通过编写Python代码来实现的。小明首先需要定义一个对话策略，以便系统能够根据用户的输入做出相应的响应。

在domain.yml文件中，定义了对话系统中的意图、实体、slots等元素。
在nlu.yml文件中，定义了用户的输入与意图之间的映射关系。
在stories.yml文件中，定义了对话的流程和转换。

接下来，小明开始编写对话策略的Python代码。他定义了一个名为WeatherIntent的意图，用于处理用户的天气查询请求。为了简化流程，小明将WeatherIntent的响应直接设置为“好的，请告诉我你要查询的城市。”

第三步：实现对话功能

在定义了对话策略后，小明开始实现对话功能。他通过以下步骤来完成：

在actions.py文件中，编写处理WeatherIntent意图的Python代码。
在domain.yml文件中，添加WeatherIntent的action。
运行rasa train命令，训练对话系统。

在实现对话功能的过程中，小明遇到了一个难题：如何获取用户输入的城市名称。为了解决这个问题，他决定使用Rasa的EntityExtractor类来提取用户输入中的城市实体。

from rasa_sdk import Action

from rasa_sdk.events import SlotSet

from rasa_sdk.executor import CollectingDispatcher



class ActionSetCity(Action):

    def name(self):

        return "action_set_city"



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

        city = tracker.get_slot("city")

        dispatcher.utter_message(text="已记录您要查询的城市为：{0}".format(city))

        return [SlotSet("city", city)]

在上述代码中，ActionSetCity类用于处理用户输入的城市实体。当用户输入城市名称后，该类会提取城市实体，并将其存储在city变量中。然后，通过utter_message方法向用户确认已记录其输入的城市。

第四步：测试和优化

在实现对话功能后，小明开始对系统进行测试和优化。他通过以下步骤来完成：

运行rasa run命令，启动对话系统。
使用命令行或聊天机器人应用与系统进行交互，测试其功能。
根据测试结果，调整对话策略和动作，优化对话流程。

在测试过程中，小明发现了一些问题，如用户输入错误的城市名称时，系统无法正确响应。为了解决这个问题，他决定在ActionSetCity类中添加错误处理逻辑。

class ActionSetCity(Action):

    def name(self):

        return "action_set_city"



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

        city = tracker.get_slot("city")

        if city is None:

            dispatcher.utter_message(text="很抱歉，您输入的城市名称有误，请重新输入。")

            return []

        else:

            dispatcher.utter_message(text="已记录您要查询的城市为：{0}".format(city))

            return [SlotSet("city", city)]

通过添加错误处理逻辑，当用户输入错误的城市名称时，系统会提示用户重新输入，从而提高了用户体验。

第五步：部署上线

在完成测试和优化后，小明决定将他的AI对话系统部署上线。他选择了阿里云的ECS服务器作为部署平台，并按照以下步骤进行部署：

将本地项目代码上传到ECS服务器。
在服务器上安装Rasa依赖。
运行rasa run命令，启动对话系统。

经过一番努力，小明的AI对话系统终于上线了。他为自己的成果感到自豪，同时也期待着更多用户能够使用这个系统，享受到AI带来的便捷。

总结

通过以上故事，我们可以看到，利用Rasa开发自定义AI对话系统并非难事。只需遵循Rasa的开发流程，结合Python编程，我们就能轻松地构建出一个功能强大的对话系统。当然，在开发过程中，我们需要不断优化和调整，以确保系统稳定、高效地运行。相信在不久的将来，AI对话系统将会在我们的生活中扮演越来越重要的角色。