本文主要是介绍Rasa初始化聊天机器人的配置，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
本文详细介绍了使用 rasa init 初始化聊天机器人项目的配置，包括 nlu.yml、rules.yml、stories.yml、test_stories.yml、config.yml、credentials.yml、domain.yml、endpoints.yml 等文件。如下所示：
│ config.yml
│ credentials.yml
│ domain.yml
│ endpoints.yml
│ graph.html
│ requirements.txt
│
├─actions
│ actions.py
│ __init__.py
│
├─data
│ nlu.yml
│ rules.yml
│ stories.yml
│
├─models
└─teststest_stories.yml
一.nlu.yml 文件
version: "3.1"nlu:
- intent: greetexamples: |- hey- hello- hi- hello there- good morning- good evening- moin- hey there- let's go- hey dude- goodmorning- goodevening- good afternoon- intent: goodbyeexamples: |- cu- good by- cee you later- good night- bye- goodbye- have a nice day- see you around- bye bye- see you later- intent: affirmexamples: |- yes- y- indeed- of course- that sounds good- correct- intent: denyexamples: |- no- n- never- I don't think so- don't like that- no way- not really- intent: mood_greatexamples: |- perfect- great- amazing- feeling like a king- wonderful- I am feeling very good- I am great- I am amazing- I am going to save the world- super stoked- extremely good- so so perfect- so good- so perfect- intent: mood_unhappyexamples: |- my day was horrible- I am sad- I don't feel very well- I am disappointed- super sad- I'm so sad- sad- very sad- unhappy- not good- not very good- extremly sad- so saad- so sad- intent: bot_challengeexamples: |- are you a bot?- are you a human?- am I talking to a bot?- am I talking to a human?
（1）greet：欢迎语，比如你好等。
（2）goodbye：比如再见等。
（3）affirm：肯定，比如是的等。
（4）deny：否定，比如不等。
（5）mood_great：心情好，比如开心等。
（6）mood_unhappy：心情不好，比如沮丧等。
（7）bot_challenge：不在上述意图当中，就是 bot 无法识别意图。
二.rules.yml
version: "3.1"rules:- rule: Say goodbye anytime the user says goodbyesteps:- intent: goodbye- action: utter_goodbye- rule: Say 'I am a bot' anytime the user challengessteps:- intent: bot_challenge- action: utter_iamabot
规则就是当识别到这个意图（intent）的时候，就执行相应的动作（action）。如下所示：
responses:utter_goodbye:- text: "Bye"utter_iamabot:- text: "I am a bot, powered by Rasa."
（1）当遇到 goodbye 意图的时候，就要执行 utter_goodbye 这个动作。
（2）当遇到 bot_challenge 意图的时候，就要执行 utter_iamabot 这个动作。
三.stories.yml
version: "3.1"stories:- story: happy pathsteps:- intent: greet- action: utter_greet- intent: mood_great- action: utter_happy- story: sad path 1steps:- intent: greet- action: utter_greet- intent: mood_unhappy- action: utter_cheer_up- action: utter_did_that_help- intent: affirm- action: utter_happy- story: sad path 2steps:- intent: greet- action: utter_greet- intent: mood_unhappy- action: utter_cheer_up- action: utter_did_that_help- intent: deny- action: utter_goodbye
1.这个场景包括 3 条路线
（1）happy path 路线
- 用户：你好（意图：greet）
- 机器人：你好（动作：utter_greet）
- 用户：很开心（mood_great）
- 机器人：很好，加油（动作：utter_happy）
（2）sad path 1 路线 - 用户：你好（意图：greet）
- 机器人：你好（动作：utter_greet）
- 用户：心情不好（意图：mood_unhappy）
- 机器人：要开心起来（动作：utter_cheer_up）
- 机器人：那对你有帮助吗？（动作：utter_did_that_help）
- 用户：是的（意图：affirm）
- 机器人：很好，加油（动作：utter_happy）
（3）sad path 2 路线 - 用户：你好（意图：greet）
- 机器人：你好（动作：utter_greet）
- 用户：心情不好（意图：mood_unhappy）
- 机器人：要开心起来（动作：utter_cheer_up）
- 机器人：那对你有帮助吗？（动作：utter_did_that_help）
- 用户：没有（意图：deny）
- 机器人：再见（动作：utter_goodbye）
2.rasa visualize 可视化 Story
rasa visualize 命令的主要工作是分析 Rasa 项目中的对话故事（stories）文件并生成一个交互式的图形，以可视化对话流程。交互图的节点代表了用户意图和机器人动作，边表示它们之间的转换关系。这种可视化工具有助于直观地理解对话流程，特别是在对话逻辑比较复杂的情况下。以下是该命令的工作原理：
（1）读取 Stories 文件
首先，rasa visualize 命令会读取项目中的 stories 文件（通常是 data/stories.yml）。这些文件包含了对话故事，定义了用户意图和机器人动作之间的交互流程。
（2）构建交互图
通过解析 stories 文件，命令会构建一个对话交互图。这个图表示用户和机器人在对话中的交互流程，以及相应的用户意图和机器人动作。
（3）生成可视化HTML文件
rasa visualize 命令会将构建的对话交互图转换为一个 HTML 文件，其中包含了图形表示以及相应的节点和边。这个 HTML 文件包含了交互式元素，允许用户通过鼠标交互浏览对话流程。
（4）在浏览器中打开HTML文件
最后，命令会在默认的浏览器中打开生成的 HTML 文件，让用户能够通过图形化界面来查看对话的流程。
四.config.yml 文件
# 配置配方
# https://rasa.com/docs/rasa/model-configuration/
recipe: default.v1# assistant项目唯一标识符
# 此默认值必须替换为部署中的唯一assistant名称
assistant_id: 20231231-104634-violent-plate# Rasa NLU的配置
# https://rasa.com/docs/rasa/nlu/components/
language: enpipeline: null
# # 没有为NLU管道提供配置。以下默认管道用于训练你的模型。
# # 如果想自定义它，请取消注释并调整管道。
# # 有关更多信息，请参见https://rasa.com/docs/rasa/tuning-your-model。
# - name: WhitespaceTokenizer
# - name: RegexFeaturizer
# - name: LexicalSyntacticFeaturizer
# - name: CountVectorsFeaturizer
# - name: CountVectorsFeaturizer
# analyzer: char_wb
# min_ngram: 1
# max_ngram: 4
# - name: DIETClassifier
# epochs: 100
# constrain_similarities: true
# - name: EntitySynonymMapper
# - name: ResponseSelector
# epochs: 100
# constrain_similarities: true
# - name: FallbackClassifier
# threshold: 0.3
# ambiguity_threshold: 0.1# Rasa Core的配置
# https://rasa.com/docs/rasa/core/policies/
policies: null
# # 没有为策略提供配置。以下默认策略用于训练你的模型。
# # 如果想自定义它们，请取消注释并调整策略。
# # 有关更多信息，请参见https://rasa.com/docs/rasa/policies。
# - name: MemoizationPolicy
# - name: RulePolicy
# - name: UnexpecTEDIntentPolicy
# max_history: 5
# epochs: 100
# - name: TEDPolicy
# max_history: 5
# epochs: 100
# constrain_similarities: true
主要是提供关于 Rasa NUL（管道配置）、Rasa Core（策略配置）、recipe（配方配方）、assistant_id（唯一标识符配置）、language（语言）的配置。需要注意的是，当 pipeline: null 和 policies: null 时，执行默认的管道和策略。
五.domain.yml
version: "3.1"intents:- greet- goodbye- affirm- deny- mood_great- mood_unhappy- bot_challengeresponses:utter_greet:- text: "Hey! How are you?"utter_cheer_up:- text: "Here is something to cheer you up:"image: "https://i.imgur.com/nGF1K8f.jpg"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."session_config:session_expiration_time: 60 # 会话过期时间，单位秒carry_over_slots_to_new_session: true # 是否将上一个会话的槽位带入到新的会话中
主要是意图（intent），响应（response）和会话（session）配置。
六.credentials.yml
# 这个文件包含了你的机器人使用的语音和聊天平台的凭证。
# https://rasa.com/docs/rasa/messaging-and-voice-channelsrest:
# # 你不需要在这里提供任何东西 - 这个频道不需要任何凭证#facebook:
# verify: "<verify>"
# secret: "<your secret>"
# page-access-token: "<your page access token>"#slack:
# slack_token: "<your slack token>"
# slack_channel: "<the slack channel>"
# slack_signing_secret: "<your slack signing secret>"#socketio:
# user_message_evt: <event name for user message>
# bot_message_evt: <event name for bot messages>
# session_persistence: <true/false>socketio:user_message_evt: user_uttered # 用户消息事件bot_message_evt: bot_uttered # 机器人消息事件session_persistence: false # 会话持久化#mattermost:
# url: "https://<mattermost instance>/api/v4"
# token: "<bot token>"
# webhook_url: "<callback URL>"# 这个entry是在你使用Rasa企业版时需要的。这个entry代表了Rasa企业版的“频道”的凭证，即与你的机器人交谈并与访客共享。
rasa:url: "http://localhost:5002/api"
（1）socketio 配置
user_message_evt: 用户消息事件。在使用 Socket.IO 通道时，Rasa 将监听该事件来接收来自用户的消息。bot_message_evt: 机器人消息事件。在使用 Socket.IO 通道时，Rasa 将通过该事件向用户发送消息。session_persistence: 会话持久化。设置为false表示不保存对话状态，每次连接都是新的对话。
（2）rasa 配置
url:http://localhost:5002/api：最早这部分配置是为了在使用 Rasa X 时提供凭证信息。但是现在 Rasa X 已经体制维护了，所以成了现在的 Rasa 企业版。
（3）Facebook、Slack、Mattermost 配置
每个注释后面的配置项提供了针对特定平台（如 Facebook、Slack、Mattermost）的配置示例。这些示例包括验证令牌、密钥、访问令牌等信息，这些信息是在连接到相应平台时所需的。你应该根据你的实际情况替换这些示例值。如果你没有使用某个平台，可以将相应的部分注释掉或删除。确保只保留你实际使用的平台的配置信息。
七.endpoints.yml 文件
# 这个文件包含了你的机器人可以使用的不同端点。# 服务器从中拉取模型的位置。
# https://rasa.com/docs/rasa/model-storage#fetching-models-from-a-server#models:
# url: http://my-server.com/models/default_core@latest
# wait_time_between_pulls: 10 # [optional](default: 100)# 服务器运行自定义操作。
# https://rasa.com/docs/rasa/custom-actionsaction_endpoint:url: "http://localhost:5055/webhook"# Tracker store用于存储对话。默认情况下，对话存储在内存中。
# https://rasa.com/docs/rasa/tracker-stores#tracker_store:
# type: redis
# url: <host of the redis instance, e.g. localhost>
# port: <port of your redis instance, usually 6379>
# db: <number of your database within redis, e.g. 0>
# password: <password used for authentication>
# use_ssl: <whether or not the communication is encrypted, default false>#tracker_store:
# type: mongod
# url: <url to your mongo instance, e.g. mongodb://localhost:27017>
# db: <name of the db within your mongo instance, e.g. rasa>
# username: <username used for authentication>
# password: <password used for authentication># Event broker which all conversation events should be streamed to.
# 所有对话事件都应该流式传输到的Event broker。
# https://rasa.com/docs/rasa/event-brokers#event_broker:
# url: localhost
# username: username
# password: password
# queue: queue
这个配置文件定义了 Rasa 机器人在不同端点上的配置。确保根据你的需求正确配置这些端点。如果不需要使用远程模型、自定义操作、或者对话存储，你可以注释掉相应的部分。以下是对每个部分的详细解释：
（1）模型服务器端点（models）
- url: 指定了从服务器中拉取模型的位置。可以设置为训练好的模型所在的服务器地址。通常，这个配置项用于从远程服务器获取最新的模型。
- wait_time_between_pulls: 可选配置，用于设置两次拉取模型之间的等待时间。默认值是100毫秒。
注释掉这个部分的配置意味着使用本地文件系统中的模型，而不是从远程服务器拉取。
（2）自定义操作端点（action_endpoint）
url: 指定了运行自定义操作的服务器地址。当 Rasa 接收到执行自定义操作的请求时，它会将请求发送到这个地址。这个地址应该指向运行自定义操作的服务器。
（3）对话存储（tracker_store）
type: 指定了对话存储的类型。可以选择使用redis或mongod作为对话存储后端。注释掉这部分的配置将使用默认的内存存储，对话数据将在内存中保留，服务器重新启动后将丢失。- 具体的配置参数（如
url、port、db、username、password等）取决于选择的存储类型。
（4）事件代理（event_broker）
url: 指定了事件代理的地址。事件代理用于将所有对话事件流式传输到指定的位置。可以选择使用例如 RabbitMQ 或 Redis 作为事件代理，将对话事件发送到其它系统中。注释掉这部分的配置表示不使用事件代理。
参考文献
[0] 本文源码（rasa-v2024010101）：https://github.com/ai408/nlp-engineering/tree/main/知识工程-对话系统/公众号代码/rasa-v2024010101
[1] Rasa 领域：https://rasa.com/docs/rasa/domain/
[2] Rasa 架构：https://rasa.com/docs/rasa/arch-overview/#!
[3] Rasa 模型配置：https://rasa.com/docs/rasa/model-configuration/
[4] Rasa 动作：https://rasa.com/docs/rasa/actions/
[5] Rasa 评估：https://rasa.com/docs/rasa/markers/
这篇关于Rasa初始化聊天机器人的配置的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
