Rasa 是一个开源框架，专门用于构建基于机器学习的对话式人工智能助手或聊天机器人。它提供了从自然语言理解 (NLU) 到对话管理的一站式解决方案。

Rasa 的主要组成部分

1. Rasa NLU (Natural Language Understanding)

   • 用于处理用户输入，提取意图和实体。
   • 主要任务：
     • 意图识别：理解用户的意图，比如“查询天气”或“预订酒店”。
     • 实体识别：从用户输入中提取具体信息，比如日期、地点等。

2. Rasa Core

   • 负责对话管理，通过机器学习预测下一步的动作。
   • 支持：
     • 根据上下文动态生成对话。
     • 集成业务逻辑和 API 调用。

Rasa 的核心特性

1. 开源和灵活

   • 可以根据需求自定义管道和模型。
   • 与现有系统和数据库轻松集成。

2. 支持多种语言

   • 内置多语言支持，用户可以通过训练实现特定语言的理解。

3. 完全本地运行

   • Rasa 不需要依赖云服务，数据完全掌控在本地，适合注重隐私和安全的项目。

4. 基于机器学习

   • 使用 TensorFlow 或其他深度学习框架进行模型训练。
   • 可以通过自定义训练数据优化性能。

5. 无代码/低代码选项

   • 提供 Rasa X（一个用于测试和改进对话的可视化工具），方便快速部署和迭代。

Rasa 工作流程

1. 定义训练数据

   • 创建 NLU 数据，包含意图、示例句子和实体标签。
   • 创建对话故事，描述可能的对话流程。

2. 配置管道

   • 配置 NLU 管道和对话策略。

3. 训练模型

   • 通过训练数据生成模型。

4. 测试和调试

   • 使用 Rasa Shell 或 Rasa X 进行测试。

5. 部署和集成

   • 将 Rasa 部署到服务器，并与前端（如网页、微信、Telegram 等）集成。

示例代码

NLU 数据示例 (nlu.yml)

 version: "3.0"
nlu:
- intent: greet
  examples: |
    - 你好
    - 您好
    - 嘿
- intent: goodbye
  examples: |
    - 再见
    - 拜拜
    - 下次见
- intent: inform
  examples: |
    - 我的名字是 [小明](name)
    - 我住在 [北京](city)

对话故事 (stories.yml) 

 version: "3.0"
stories:
- story: greet and goodbye
  steps:
  - intent: greet
  - action: utter_greet
  - intent: goodbye
  - action: utter_goodbye

 培训模型和运行

# 训练模型
rasa train

# 启动 Rasa 服务器
rasa run

# 启动 Rasa Shell 测试
rasa shell