不务正业的猿

准备 Rasa 的训练数据时，需要涵盖**自然语言理解（NLU）和对话管理（Core）**两部分，确保对意图识别、实体抽取以及对话逻辑的学习有充分支持。通过高质量的数据准备，结合系统化的标注和优化流程，可以显著提高 Rasa 系统的准确性和用户体验。故事是对话的路径，描述用户输入与系统响应之间的交互方式，存储在 stories.yml 文件中。扩展数据：随着系统的使用，可以通过用户输入日志扩充训练数据，特别是意图和实体的边界情况。NLU 数据准备：涵盖所有意图和实体，多样化表达，至少 10-20 条示例。

例如，SpacyEntityExtractor 可以利用预训练的 SpaCy 模型来提取实体，DIETClassifier 也可以结合预训练的语言模型来识别实体。例如，当用户输入“预定明天上海的机票”时，“明天”和“上海”会被提取并存储到对应的槽位中，供后续对话使用。通过选择合适的实体抽取方法，并根据具体需求调整 Rasa 的配置，可以有效提高对话系统在实际场景中的实体识别能力。它通过学习训练数据来识别实体。分词：将输入文本拆分成单词或子词（如：“预定”，“明天”，“上海”，“的”，“机票”）。

高准确度需求：如果对准确度要求很高，并且数据量较大，DIETClassifier 可能会提供更好的结果，因为它是一个深度学习模型，可以通过训练学习更复杂的模式。复杂文本：如果文本中包含大量的复合词、缩写、专有名词等，可能需要更强大的分词工具，如 JiebaTokenizer 或 SpacyTokenizer（适用于多种语言）。简单文本：如果文本没有复杂的结构或语法，使用简单的基于空格的分词器即可，如 WhitespaceTokenizer 或 SpacyTokenizer。

通过灵活配置管道，Rasa 的 NLU 系统能够适配不同的业务场景，实现精确的自然语言理解。DIETClassifier：Rasa 的默认深度学习模型，用于同时预测意图和提取实体。EntitySynonymMapper：例如将“明天”、“次日”统一为“明天”。添加自定义模块：可以在管道中加入自定义组件，例如特定语言的分词或特征提取。特征提取：生成特征向量，例如词袋特征：[1, 0, 1, 0, ...]同义词映射：如果“明天”被标记为“次日”，映射为统一值“明天”。

Rasa 框架的核心组件和配置文件是整个系统的基础，分别定义了 Rasa 的功能模块和行为规则。Rasa 的核心组件通过这些配置文件相互连接，形成一个完整的对话系统。通过这些组件和配置文件，Rasa 可以实现从用户输入到系统响应的完整对话处理流程。基于 NLU 的输出、对话上下文和历史记录，决定系统的下一步动作。主要内容：意图、实体、动作、槽位（Slots）、响应模板等。定义对话系统的域范围，包括意图、实体、动作、槽位等。主要任务：定义训练对话管理模型所需的对话示例。

Rasa Core 根据 NLU 的输出、当前对话上下文和历史记录，决定下一步的系统行为。示例：用户的意图是查询天气，匹配到一条规则“如果用户意图是查询天气，系统需要询问城市”。Rasa NLU 将提取的意图和实体以结构化格式输出，作为下一步对话管理的输入。动作的结果会被返回给 Rasa Core，作为下一步对话管理的输入。API 返回“明天北京的天气是晴天，气温 15-20°C”。回复用户：“明天北京的天气是晴天，气温 15-20°C。示例：调用天气服务 API，查询“明天北京的天气”。

Rasa NLU 和 Rasa Core 是 Rasa 框架的两个核心组成部分，分别专注于对话式 AI 系统中的自然语言理解（NLU）和对话管理（DM）。通过 Rasa NLU 和 Rasa Core 的协同工作，可以构建智能、自然的对话系统！Rasa NLU 负责对用户输入的自然语言文本进行理解和处理，是对话系统的输入处理部分。Rasa Core 负责管理整个对话的流程，是对话系统的决策和执行部分。根据用户的输入、对话历史和上下文决定系统的下一步行动。能够处理复杂的对话逻辑，包括嵌套对话、分支逻辑等。

它由两部分组成：Rasa Open Source 和 Rasa Pro (或 Rasa Enterprise)，提供了强大的工具集来创建自然语言理解（NLU）和对话管理（DM）功能。高度可定制： Rasa 是完全开源的，开发者可以根据自己的需求自由调整、扩展功能，例如集成自定义模型或外部 API。设计对话逻辑： 定义对话的故事（Stories）和规则（Rules），或者使用机器学习模型来预测对话的下一步。对话管理（Core）： Rasa Core 负责对话的管理和流转，支持复杂的、多轮对话。