小到毕业设计，大到项目应用，都有可能会使用到多轮对话技术。目前最知名且功能最强大的开源框架，莫过于rasa。而网络上关于rasa的教程博客绝大多数还停留在rasa的老版本，而最新的几个rasa版本已经内嵌了bert、xlnet等语义理解的buff加持。本文将带你从rasa安装，到多轮对话demo的一步步实现。

从本文中你将学到：

•基于rasa构建的一个简单的多轮对话demo•加上bert语义理解的buff，让你的看起来demo更加智能•基于填槽的多轮对话任务•如何让你的demo展示不仅仅停留在黑乎乎的terminal界面上

开始搭建

rasa的版本更迭实在太快，笔者前段时间在使用rasa做项目的时候，rasa版本号还是1.8.x，现在rasa的最新版本已经是1.10.2了。许多关于rasa的技术博客还停留在rasa_nlu和rasa_core分开安装的阶段，但实际上rasa早就已经将两者合并。

第一步，安装rasa。

炒鸡简单加方便：pip install rasa即可。

第二步，创建一个rasa项目。

rasa init --no-prompt

这个命令将会在当前目录下新建一个rasa项目，里面包含了所有rasa项目需要的文件。这些文件中还包含了样例数据。具体包含的文件包括：

nlu.md

先看看nlu.md长啥样。

## intent:greet

- hey

- hello

- hi

- good morning

- good evening

- hey there



## intent:goodbye

- bye

- goodbye

- see you around

- see you later



## intent:affirm

- yes

- indeed

- of course

- that sounds good

- correct

从文件名就可以理解该文件的作用，它是以markdown的形式，告诉rasa用户说的某些话是什么意图。例如，如果用户对rasa说“hello”，那么rasa就知道用户是在跟它打招呼（greet意图）。

domain.yml

再来看看domain.yml里面都是什么。

intents:

  - greet

  - goodbye

  - affirm

  - deny

  - mood_great

  - mood_unhappy

  - bot_challenge



responses:

  utter_greet:

  - text: "Hey! How are you?"

  utter_did_that_help:

  - text: "Did that help you?"

  utter_happy:

  - text: "Great, carry on!"

  utter_goodbye:

  - text: "Bye"

  utter_iamabot:

  - text: "I am a bot, powered by Rasa."

这个文件其实也好理解，就是在rasa理解了用户说话的意图之后，该如何进行回应。例如在用户讲了“hello”，rasa识别到是greet意图之后，rasa就会回复说：“Hey! How are you?”注意，在这个文件中，所有针对意图的回复，都必须以utter_开头。

stories.md

然后是stories.md

## happy path

* greet

  - utter_greet

* mood_great

  - utter_happy



## sad path 1

* greet

  - utter_greet

* mood_unhappy

  - utter_cheer_up

  - utter_did_that_help

* affirm

  - utter_happy



## sad path 2

* greet

  - utter_greet

* mood_unhappy

  - utter_cheer_up

  - utter_did_that_help



* deny

  - utter_goodbye

这玩意其实就是根据之前的nlu.md和domain.yml文件来编故事，即你要是想让rasa实现多轮对话任务，你得先帮它设计好对话内容。看到这你是不是觉得rasa好傻，“不就是一堆规则嘛？”

对啊，就是一堆规则，人工智能本质不就是这样嘛？（手动狗头）

config.yml

接下来就是配置文件config.yml。这玩意是用来配置内置模型和多轮对话策略的。相信读者如果想要做多轮对话的demo或项目，肯定是针对的中文，因此这里贴出来的是和中文多轮对话相关的配置信息（英文的官网教程上展示的就是）。

# Configuration for Rasa NLU.

# https://rasa.com/docs/rasa/nlu/components/

language: ch

pipeline:

  - name: HFTransformersNLP

    model_name: "bert"

    model_weights: "bert-base-chinese"

  - name: LanguageModelTokenizer

  - name: LanguageModelFeaturizer

  - name: DIETClassifier

    epochs: 50

  - name: EntitySynonymMapper

  - name: ResponseSelector

    epochs: 50



# Configuration for Rasa Core.

# https://rasa.com/docs/rasa/core/policies/

policies:

  - name: MemoizationPolicy

  - name: TEDPolicy

    max_history: 5

    epochs: 50

  - name: MappingPolicy

  - name: FormPolicy

这里面的配置详情从命名大概就知道它代表的是什么意思了。包括使用bert模型进行语义理解，使用LanguageModelTokenizer去进行分词，使用EntitySynonymMapper进行命名实体识别等等，其他配置请从官网查询（https://rasa.com/docs/rasa/nlu/choosing-a-pipeline/）。

配置到这里，你就可以训练模型，完成一个很简单的对话demo了，但也仅仅是实现了一问一答的简单形式。在terminal中运行rasa train，模型就会根据你config.yml中的模型进行训练。训练完成后，运行rasa shell，好了，你就进入了那个黑乎乎的终端界面，可以输入自然语言，敲个回车，不出意外的话，rasa机器人就可以和你聊天了。但是很low，你说:"hello"，它说：“Hey! How are you?”；你说：“goodbye”，它说"Bye"。撒不撒。这玩意逗逗自己可以，还真拿不出手给老板做展示。

rasa迁移到项目

为了让rasa能够更加强大、且能够处理日常业务需求，我们需要给rasa进行升级，其中一种有效方式就是让rasa进行主动询问，引导用户进行对话，然后rasa从对话内容中提取关键信息，进行填槽，直到所有需要的槽位都被填满，然后进行下一步的处理。具体的slot代码该如何写，小编偷懒了，这里给个博客连接（https://blog.rasa.com/building-contextual-assistants-with-rasa-formaction/?_ga=2.60731246.212028585.1569243725-1349818766.1563821081），里面已经介绍的很详细。

当你按照上面的步骤一步一步进行操作，然后run action， run shell之后，却依然只能在黑乎乎的界面上进行操作。若想将其迁移到项目后端，实现在花里胡哨的聊天界面上进行多轮对话，你会发现超级多的坑。这里小编就将处理这个问题的核心代码写在这里，并加上注释，告诉读者每一行代码的作用。

import asyncio  #用到了异步

from rasa.utils.endpoints import EndpointConfig  #从rasa调用EndpointConfig

from rasa.core.agent import Agent  #从rasa调用Agent



loop = asyncio.get_event_loop()

model_path="models/2020xxxxxx.tar.gz"        #经过 rasa train命令之后 训练出的模型，在models文件夹中

endpoint = EndpointConfig(url="http://localhost:5055/webhook")  #这个是你的action.py运行起来之后的服务端口



agent = Agent.load(          #将上面两个参数装载之后，一个后台实时待命的聊天机器人就设置好了

    model_path,

    action_endpoint=endpoint

)



async def chatbot(message):         #因为用到了异步等骚操作，这里还使用了await。反正将rasa返回的对话取出来，挺麻烦

    result = await agent.handle_text(message)

    return result



@app.route('xxxx', methods=['get', 'post'])   #基于flask

def return_message():

    message = request.args.get('message')

    result = loop.run_until_complete(chatbot(message))      #使用run_until_complete取出返回的信息



    #剩下的操作就是如何对返回的信息进行再处理，以及如何返回给前端

    #...

小编使用rasa之后的体会

•貌似在1.7版本之后，rasa开始支持bert、xlnet等语言模型，加载了这些东西之后，模型在识别输入的句子时，会更加精准。比如在你的nlu.md里的greet意图中，只有“你好”，但是你说的是“早上好”，rasa也可以大概率理解出你的意图是greet。•rasa的官方博客有许多基于rasa的多轮对话教程，且代码都开源在github。但是如何将多轮对话应用到我们的项目中（从黑乎乎的terminal中解脱出来），网上相关信息要么太旧，不适应新版本，要么就是根本找不到，小编为了解决这个问题也是费力好多时间。•粗的来看，rasa的多轮对话其实就是一种高级的规则，故事线需要我们自己设计。如果我们想要设计出更加智能的聊天助手，需要复杂且系统化的设计故事线、domin、nlu等。
欢迎关注我的公众号“数据科学杂谈”，原创技术文章第一时间推送。