Rasa中文聊天机器人开发指南(1)：入门篇

大家好，欢迎来到IT知识分享网。

# 编译安装python3.6.5 # 默认安装路径为/usr/local/，可在执行配置命令时使用--prefix=更改 $ sudo apt-get install openssl libssl-dev $ sudo wget https://www.python.org/ftp/python/3.6.8/Python-3.6.8.tgz $ sudo tar xzf Python-3.6.8.tgz $ cd Python-3.6.8 $ sudo ./configure --with-ssl --enable-optimizations $ sudo make $ sudo make install # 软链接到/usr/bin/python，可理解为生成快捷方式 # 当命令终端输入python命令，即进入python 3.6.8 # 如果需要使用其他版本，也是通过以下两个命令实现，只是python3.6改成其他版本 $ sudo rm /usr/bin/python $ sudo ln -s /usr/local/bin/python3.6 /usr/bin/python # 生成pip快捷方式，以支持pip命令 $ rm /usr/bin/pip $ sudo ln -s /usr/local/bin/pip3 /usr/bin/pip 

 需要注意的是，如果在更新包过程中比较慢，我们就需要更新源，具体步骤如下：

（1）备份源

$ sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup 

（2）修改源

$ sudo vim /ect/apt/sources.list 

 删除文件所有内容，将其替换为国内源，我这里使用网易的。

（3）使软件源生效

$ sudo apt-get update 

2. 安装pipEnv，即创建虚拟环境

# 安装virtualenv $ sudo pip install virtualenv # 创建virtualenv快捷方式 # 如果不清楚virtualenv路径，可使用"find / -name virtualenv"命令查询 $ sudo ln -s /usr/local/python3/bin/virtualenv /usr/bin/virtualenv # 查看是否安装成功 $ sudo virtualenv --version 

 如果在使用pip下载包时容易出现“socket time out”异常，这是由于默认pip源或网络不稳定导致，我们可以使用清华大学的pip源镜像，具体配置如下：

# 如果已经存在pip.conf文件，只需要执行第二步即可 $ sudo mkdir ~/.pip $ sudo vim ~/.pip/pip.conf 

 然后，pip.conf的文件内容如下：

3. 创建新的项目，运行在python虚拟环境

$ sudo mkdir chitchat_assistant $ sudo cd chitchat_assistant $ sudo virtualenv env $ sudo source env/bin/activate 

$ sudo deactivate 

4. 安装rasa，自动生成rasa项目所需文件

# 安装rasa, 由于网络问题，延长超时时间 # 如果仍然超时异常，多执行几次 $ sudo pip --default-timeout=500 install -U rasa # 生成文件 $ sudo rasa init --no-prompt 

注：如果出现No matching distribution found for tensorflow>=2.1.0异常，可以通过执行pip3 install --upgrade tensorflow rasa命令解决。

 执行rasa init命令的目的为自动生成开发一个Rasa项目所需的所有必要文件，包括执行训练NLU和对话模型。有了这些文件我们便可以不作任何修改就能使Rasa项目跑起来，更重要的是，对于未来一些具体业务来说，也是修改这些文件的内容，这些文件名称及其作用如下表所示(还是英文更原汁原味)：

rasa还提供了其他命令，详情参见此文。

5. 测试助手

$ sudo rasa shell 

1.2 Windows10环境

1. 创建一个新的python项目

 注意，要完成这步你需要确保win10已经安装python3.6或者python3.7，由于我是在Pycharm IDE上开发的，如果你希望与我相同的环境，那么也需要安装Pycharm，这里推荐2018.3.5 professional版本。

2. 安装rasa

pip --default-timeout=500 install -U rasa 

 打开Pycharm命令终端，输入以上命令安装rasa开发环境，在安装的过程中有可能会出现超时中断，可以尝试多执行几次上面的命令。待安装完毕后，可以执行pip show rasa命令查看rasa版本信息。

(venv) E:\ComPython\ChitChatAssistant>pip show rasa Name: rasa Version: 1.7.0 Summary: Open source machine learning framework to automate text- and voice-based conversations: NLU, dialogue management, connect to Slack, Facebook, and more - Create chatbots and voice assistants Home-page: https://rasa.com Author: Rasa Technologies GmbH Author-email: hi@rasa.com License: Apache 2.0 Location: e:\compython\chitchatassistant\venv\lib\site-packages Requires: pytz, matplotlib, gast, apscheduler, pykwalify, rasa-sdk, pydot, sanic-jwt, attrs, networkx, absl-py, ruamel.yaml, colorclass, tensorflow-probability, requests, scikit-learn, sanic, colorhash, aiohttp, async-generator, mattermostwrappe r, coloredlogs, python-telegram-bot, scipy, setuptools, pika, tensorflow-cpu, rocketchat-API, scikit-learn, packaging, SQLAlchemy, slackclient, sanic-cors, python-socketio, multidict, python-engineio, numpy, pymongo, boto3, gevent, fbmessenger, terminaltables, webexteamssdk, PyJWT, twilio, python-dateutil, jsonschema, redis, questionary, jsonpickle, tqdm, tensor2tensor, sklearn-crfsuite, prompt-toolkit Required-by: 

3. 安装Mitie和Jieba

（1）MITIE

# 在线安装Mitie pip install git+https://github.com/mit-nlp/MITIE.git pip install rasa[mitie] # 注：由于第一步始终没成功过，没尝试过这个命令的意义 

 由于自己在线安装尝试了很多次都拉不下来，因此只能走离线安装的方式，有三个步骤：

• 首先，下载MITIE源码和中文词向量模型total_word_feature_extractor_zh.dat(密码：p4vx)，这里需要将该模型拷贝到创建的python项目data目录下(可任意位置)，后面训练NLU模型时用到；
• 其次，安装Visual Studio 2017 ，需要勾选“用于 CMake 的 Visual C++ 工具”，因为编译MITIE源码需要Cmake和Visual C++环境。安装完毕后，将C:\Program Files (x86)\Microsoft Visual Studio\2017\Community\Common7\IDE\CommonExtensions\Microsoft\CMake\CMake\bin添加到环境变量中，再重启电脑使之生效；
• 从Pycharm的命令终端进行Mitie源码根目录，执行下面的命令：
  

（2）Jieba

# 安装Jieba中文分词 pip install jieba 

4. 创建rasa配置文件

 当rasa开发环境安装好，接下来就需要创建rasa开发所有必要文件，而这些文件就是第1.1(4)小节列举出来的那些文件。在PyCharm的python项目中，我们需要手动创建之，最后应该如下图所示：

注：如果使用默认的pip源很慢，windows也可以选择使用清华镜像。在C盘用户目录下创建一个命名为“pip”的文件夹，如C:\Users\jiangdg\pip，然后再创建一个名为pip.ini文件，内容如下：

[global] index-url=https://pypi.tuna.tsinghua.edu.cn/simple [install] trusted-host=pypi.tuna.tsinghua.edu.cn disable-pip-version-check = true timeout = 6000 

注意：

Q1：win10+python3.6+rasa1.9.1报tensorflow ImportError: DLL load failed异常？
解决：rasa1.9使用的是tensorflow2.1.0，该版本需要DLL，下载 vc_redist.x64.exe安装即可解决。

Q2：缺少slack模块？
解决：pip install slack
pip install slackclient

Q3：AttributeError: module ‘tensorboard.plugins.pr_curve.summary’ has no attribute ‘pb’？
解决：注释掉”/lib/python3.6/site-packages/tensorboard/summary/v1.py”中
# pr_curve_pb = _pr_curve_summary.pb
# pr_curve_raw_data_pb = _pr_curve_summary.raw_data_pb

2. Rasa使用–构建简单聊天机器人

• 首先，将用户输入的Message传递到Interpreter(Rasa NLU模块)，该模块负责识别Message中的”意图(intent)“和提取所有”实体”(entity)数据；
• 其次，Rasa Core会将Interpreter提取到的意图和识别传给Tracker对象，该对象的主要作用是跟踪会话状态(conversation state)；
• 第三，利用policy记录Tracker对象的当前状态，并选择执行相应的action，其中，这个action是被记录在Track对象中的；
• 最后，将执行action返回的结果输出即完成一次人机交互。

2.1 构建NLU样本

2.1.1 nlu.md

 NLU模型训练样本数据：

 intent:greet - 你好 - 你好啊 - 早上好 - 晚上好 - hello - hi - 嗨 - 嗨喽 - 见到你很高兴 - 嘿 - 早 - 上午好 - hello哈喽 - 哈喽哈喽 - hello hello - 喂喂 intent:goodbye - goodbye - bye - bye bye - 88 - 886 - 再见 - 拜 - 拜拜 - 拜拜，下次再聊 - 下次见 - 回头见 - 下次再见 - 下次再聊 - 有空再聊 - 先这样吧 - 好了，就说这么多了 - 好了，先这样 - 没事 intent:whoareyou - 你是谁 - 我知道你吗 - 谁 - 我认识你吗 - 这是谁啊 - 是谁 - 请问你是谁 - 请问我认识你吗 - 你是哪位 - 你是？ - 是谁？ - 可以告诉我你的名字吗 - 你叫什么名字 intent:whattodo - 你支持什么功能 - 你有什么功能 - 你能干什么 - 你能做什么 intent:thanks - 谢谢 - thanks - thank you - 真的太感谢你了，帮了我大忙 - 谢谢你帮了我大忙 - 你帮了我大忙，谢谢你小智 - 非常感谢 - 谢了 intent:deny - 不 - no - 不可以 - 不是的 - 不认同 - 否定 - 不是这样子的 - 我不同意你的观点 - 不同意 - 不好 - 你长得很美，就不要想得太美。 - 拒绝 - 不行 intent:affirm - 是的 - 当然 - 好的 - ok - 嗯 - 可以 - 你可以这么做 - 你做得可以啊 - 同意 - 听起来不错 - 是这样的 - 的确是这样子的 - 我同意你的观点 - 对的 - 好滴 - 行 - 还行 - 当然可以 intent: request_weather - 天气 - 查询天气 - 帮我查天气信息 - 我想知道[明天](date-time)的天气 - [星期一](date-time)的天气 - [今天](date-time)的天气怎么样 - 帮我查下[后天](date-time)的天气 - 查下[广州](address)的天气怎么样 - [长沙](address)的天气 - [深圳](address)[明天](date-time)的天气 - 查下[今天](date-time)[上海](address)的天气 - 帮我查查[佛山](address)这[周六](date-time)的天气 

2.2 构建Core样本

2.2.1 stories.md

 对话模型，或称Core模型训练样本：

 greet * greet - utter_answer_greet say affirm with greet * greet - utter_answer_greet * affirm - utter_answer_affirm say affirm * affirm - utter_answer_affirm say no with greet * greet - utter_answer_greet * deny - utter_answer_deny say no * deny - utter_answer_deny say goodbye * goodbye - utter_answer_goodbye thanks with greet * greet - utter_answer_greet * thanks - utter_answer_thanks thanks * thanks - utter_answer_thanks who are you with greet * greet - utter_answer_greet * whoareyou - utter_answer_whoareyou who are you * whoareyou - utter_answer_whoareyou who are you with greet * greet - utter_answer_greet * whoareyou - utter_answer_whoareyou what to do * whattodo - utter_answer_whattodo what to do with greet * greet - utter_answer_greet * whattodo - utter_answer_whattodo happy path * request_weather - weather_form - form{ 
   "name": "weather_form"} - form{ 
   "name": null} 

2.2.2 domain.yml

 domain.yml文件相当于AI助手的大脑，记录了系统所有的信息。

intents: - affirm - deny - greet - goodbye - thanks - whoareyou - whattodo - request_weather slots: date-time: type: unfeaturized address: type: unfeaturized entities: - date-time - address actions: - utter_answer_affirm - utter_answer_deny - utter_answer_greet - utter_answer_goodbye - utter_answer_thanks - utter_answer_whoareyou - utter_answer_whattodo - utter_ask_date-time - utter_ask_address - action_default_fallback forms: - weather_form responses: utter_answer_affirm: - text: "嗯嗯，好的！" - text: "嗯嗯，很开心能够帮您解决问题~" - text: "嗯嗯，还需要什么我能够帮助您的呢？" utter_answer_greet: - text: "您好！请问我可以帮到您吗？" - text: "您好！很高兴为您服务。请说出您要查询的功能？" utter_answer_goodbye: - text: "再见" - text: "拜拜" - text: "虽然我有万般舍不得，但是天下没有不散的宴席~祝您安好！" - text: "期待下次再见！" - text: "嗯嗯，下次需要时随时记得我哟~" - text: "see you!" utter_answer_deny: - text: "主人，您不开心吗？不要离开我哦" - text: "怎么了，主人？" utter_answer_thanks: - text: "嗯呢。不用客气~" - text: "这是我应该做的，主人~" - text: "嗯嗯，合作愉快！" utter_answer_whoareyou: - text: "您好！我是小蒋呀，您的AI智能助理" utter_answer_whattodo: - text: "您好！很高兴为您服务，我目前只支持查询天气哦。" utter_ask_date-time: - text: "请问您要查询哪一天的天气？" utter_ask_address: - text: "请问您要查下哪里的天气？" utter_default: - text: "没听懂，请换种说法吧~" 

2.3 训练NLU和CORE模型

2.3.1 config.yml

 训练NLU和Core模型配置文件：

language: "zh" pipeline: - name: "MitieNLP" model: "data/total_word_feature_extractor_zh.dat" - name: "JiebaTokenizer" - name: "MitieEntityExtractor" - name: "EntitySynonymMapper" - name: "RegexFeaturizer" - name: "MitieFeaturizer" - name: "SklearnIntentClassifier" policies: - name: KerasPolicy epochs: 500 max_history: 5 - name: FallbackPolicy fallback_action_name: 'action_default_fallback' - name: MemoizationPolicy max_history: 5 - name: FormPolicy 

2.3.2 模型训练

当所有样本和配置文件准备好后，接下来就是训练模型了，打开Pycharm命令终端执行下面的命令，该命令会同时训练NLU和Core模型，具体如下：

python -m rasa train --config configs/config.yml --domain configs/domain.yml --data data/ 

• 参数说明：

usage: rasa train [-h] [-v] [-vv] [--quiet] [--data DATA > [DATA ...]] [-c CONFIG] [-d DOMAIN] [--out OUT] [--augmentation AUGMENTATION] [--debug-plots] [--dump-stories] [--fixed-model-name FIXED_MODEL_NAME] [--persist-nlu-data] [--force] { 
    core,nlu} ... positional arguments: { 
    core,nlu} core 指定训练的模型为core模型 nlu 指定选了的模型为nlu模型 optional arguments: -h, --help 帮助信息； --data 指定NLU和Core模型所有样本文件，默认为data目录； -c 或--config 指定policy和nlu pipeline配置文件，默认为根目录下config.ym； -d 或--domain 指定domain.yml文件，默认为根目录下domain.yml； --out 指定模型文件输出路径，默认为自定生成models； --augmentation 指定训练时需要多少数据augmentation(扩展)，默认为50； --debug-plots 一般不用 --dump-stories 是否开启将flattened stories保存到文件，默认为false； --fixed-model-name 指定生成的模型文件名称，默认none --persist-nlu-data 是否一定要将nlu训练数据保存到模型，默认为false； --force 是否强化模型当训练数据没有变化时，默认为false Python Logging Options: -v, --verbose 开启打印日志； -vv, --debug 开启调试模式； --quiet 设置日志打印级别为WARNING； 

2.4 配置Http和Action

2.3.1 credentials.yml

 credentials.yml为配置连接到其他服务的详细(认证)信息，当我们需要通过Http的形式访问Rasa Server时，就需要在该文件中配置rest:。rest通道将为您提供一个rest端点（即Rasa Server），用于向其发送消息，响应该请求将发送回bots消息。根据这个文档的说明，当我们请求Rasa Server的URL应为：

http://rasaServerIP:rasaServerPort/webhooks/rest/webhook

该文件内容如下：

#facebook: # verify: "<verify>" # secret: "<your secret>" # page-access-token: "<your page access token>" #slack: # slack_token: "<your slack token>" # slack_channel: "<the slack channel>" #socketio: # user_message_evt: <event name for user message> # bot_message_evt: <event name for but messages> # session_persistence: <true/false> #mattermost: # url: "https://<mattermost instance>/api/v4" # team: "<mattermost team>" # user: "<bot username>" # pw: "<bot token>" # webhook_url: "<callback URL>" # you don't need to provide anything here - this channel doesn't # require any credentials rest: 

2.3.2 endpoints.yml

 如果希望rasa server(注：指rasa core)能够连接到其他web，我们可以再endpoints.yml这个文件中进行配置，比如为了实现custom action，我们就需要在该文件中对action server进行配置，又比如我们将nlu模块放到其他的web项目中，就需要在该文件中配置nlu server等等。endpoints.yml文件内容如下：

# 指定action server的url # 当然，也可以将action server单独实现在一个web server项目中 # 那么这个url为"https://yourWebIp:yourWebPort/webhook“ action_endpoint: url: "http://localhost:5055/webhook" # 配置nlu(单独创建一个web项目): # url: "http://10.0.0.153:5000/" # 配置tracker信息存储服务器 #tracker_store: # type: mongod # url: mongodb://localhost:27017 # db: rasa # username: # password: # auth_source: rasa 

2.3.3 action.py

 当Rasa NLU识别到用户输入Message的意图后，Rasa Core对话管理模块就会对其作出回应，而完成这个回应的模块就是action。Rasa Core支持三种action，即default actions、utter actions以及 custom action，这部分我们将在后面详细讲解。另外，本项目为了测试，还对接了图灵机器人和心知天气的API，代码就没有给出了，感兴趣的可以再文末Github源码中查看，这里只给出default action和custom action代码。具体如下：

from typing import Dict, Text, Any, List from rasa_sdk import Tracker, Action from rasa_sdk.events import UserUtteranceReverted, Restarted from rasa_sdk.executor import CollectingDispatcher from rasa_sdk.forms import FormAction from actions import ChatApis from actions.WeatherApis import get_weather_by_day from requests import ( ConnectionError, HTTPError, TooManyRedirects, Timeout ) # action weather_form class WeatherForm(FormAction): def name(self) -> Text: """Unique identifier of the form""" return "weather_form" @staticmethod def required_slots(tracker: Tracker) -> List[Text]: """A list of required slots that the form has to fill""" return ["date-time", "address"] def submit( self, dispatcher: CollectingDispatcher, tracker: Tracker, domain: Dict[Text, Any], ) -> List[Dict]: """Define what the form has to do after all required slots are filled""" address = tracker.get_slot('address') date_time = tracker.get_slot('date-time') date_time_number = text_date_to_number_date(date_time) if isinstance(date_time_number, str): # parse date_time failed dispatcher.utter_message("暂不支持查询 {} 的天气" .format([address, date_time_number])); else: weather_data = get_text_weather_date(address, date_time, date_time_number) dispatcher.utter_message(weather_data); return [Restarted()] # action_default_fallback class ActionDefaultFallback(Action): """Executes the fallback action and goes back to the previous state of the dialogue""" def name(self): return 'action_default_fallback' def run(self, dispatcher, tracker, domain): # 访问图灵机器人API(闲聊) text = tracker.latest_message.get('text') message = ChatApis.get_response(text) if message is not None: dispatcher.utter_message(message) else: dispatcher.utter_template('utter_default', tracker, silent_fail=True) return [UserUtteranceReverted()] 

2.5 启动服务

2.5.1 启动Rasa和Action服务

（1）启动Rasa服务

 在Pycharm命令终端，输入下面命令：

# 启动rasa服务 # 该服务实现自然语言理解(NLU)和对话管理(Core)功能 # 注：该服务的--port默认为5005，如果使用默认则可以省略 python -m rasa run --port 5005 --endpoints configs/endpoints.yml --credentials configs/credentials.yml --debug 

• 参数说明

usage: rasa run [-h] [-v] [-vv] [--quiet] [-m MODEL] [--log-file LOG_FILE] [--endpoints ENDPOINTS] [-p PORT] [-t AUTH_TOKEN] [--cors [CORS [CORS ...]]] [--enable-api] [--remote-storage REMOTE_STORAGE] [--ssl-certificate SSL_CERTIFICATE] [--ssl-keyfile SSL_KEYFILE] [--ssl-ca-file SSL_CA_FILE] [--ssl-password SSL_PASSWORD] [--credentials CREDENTIALS] [--connector CONNECTOR] [--jwt-secret JWT_SECRET] [--jwt-method JWT_METHOD] { 
    actions} ... [model-as-positional-argument] positional arguments: { 
    actions} actions 运行action server model-as-positional-argument optional arguments: -h, --help 显示帮助信息； -m MODEL, --model MODEL 指定训练好的模型路径，默认使用models目录。 如果模型存储路径改变，则需要该参数指定； --log-file LOG_FILE 指定保存logs文件，默认为None； --endpoints ENDPOINTS 指定endpoints.yml文件路径，默认为None; Python Logging Options: -v, --verbose 设置日志等级为INFO; -vv, --debug 开启调试 --quiet 设置日志等级为WARNING，默认为None; Server Settings: -p PORT, --port PORT 设置运行rasa serve的端口号，默认为5005； -t AUTH_TOKEN, --auth-token AUTH_TOKEN 开启token身份验证，默认为None; --cors [CORS [CORS ...]] --enable-api 启动web服务器API通道，默认值:False； --remote-storage REMOTE_STORAGE 设置rasa模型远程位置，如果有的话； --ssl-certificate SSL_CERTIFICATE 设置SSL证书，默认为None; --ssl-keyfile SSL_KEYFILE 设置SSL密钥文件，默认为None; --ssl-ca-file SSL_CA_FILE 设置CA文件便于SSL证书验证，默认为None; --ssl-password SSL_PASSWORD 设置SSL密钥文件密码，默认为None; Channels: --credentials CREDENTIALS 指定credentials.yml文件路径； --connector CONNECTOR Service to connect to. (default: None) JWT Authentication: --jwt-secret JWT_SECRET 指定jwt-secret； --jwt-method JWT_METHOD 指定jwt-method； 

当在Pycharm的命令终端，看到下面的信息时说明启动成功：

（2）启动Action服务
在Pycharm命令终端，输入下面命令：

# 启动action服务 # 注：该服务的--port默认为5055，如果使用默认则可以省略 Python -m rasa run actions --port 5055 --actions actions --debug 

• 参数说明
•  当在Pycharm的命令终端，看到下面的信息时说明启动成功：
  
  
  

  usage: rasa run actions [-h] [-v] [-vv] [--quiet] [-p PORT] [--cors [CORS [CORS ...]]] [--actions ACTIONS] [--ssl-keyfile SSL_KEYFILE] [--ssl-certificate SSL_CERTIFICATE] [--ssl-password SSL_PASSWORD] optional arguments: -h, --help 显示帮助信息 -p PORT, --port PORT 指定action server的端口号，默认为5055； --cors [CORS [CORS ...]] 开启CORS; --actions ACTIONS 指定action.py等文件所在包路径； --ssl-certificate SSL_CERTIFICATE 设置SSL证书，默认为None; --ssl-keyfile SSL_KEYFILE 设置SSL密钥文件，默认为None; --ssl-ca-file SSL_CA_FILE 设置CA文件便于SSL证书验证，默认为None; Python Logging Options: -v, --verbose 设置日志等级为INFO; -vv, --debug 开启调试 --quiet 设置日志等级为WARNING，默认为None; 

  2.5.2 创建、启动server.py

  """ server.py ~~~~~~~~~ web server，定义前端调用接口 :date: 2020-02-14 14:36:00 :author: by jiangdg """ from flask import Flask, jsonify from flask import request import requests import json import logging app = Flask(__name__) @app.route('/ai', methods=['GET', 'POST']) def webToBot(): """ 前端调用接口 路径：/ai 请求方式：GET、POST 请求参数：content :return: response rasa响应数据 """ content = request.values.get('content') if content is None: return 'empty input' response = requestRasabotServer('jiangdg', content) # return response.text # utf-8转中文 return response.text.encode('utf-8').decode("unicode-escape") def requestRasabotServer(userid, content): """ 访问rasa服务 :param userid: 用户id :param content: 自然语言文本 :return: json格式响应数据 """ params = { 
       'sender': userid, 'message': content} botIp = '127.0.0.1' botPort = '5005' # https://rasa.com/docs/rasa/user-guide/connectors/your-own-website/#rest-channels # POST /webhooks/rest/webhook rasaUrl = "http://{0}:{1}/webhooks/rest/webhook".format(botIp, botPort) return requests.post( rasaUrl, data=json.dumps(params), headers={ 
       'Content-Type': 'application/json'} ) if __name__ == '__main__': print(" webIp={}, webPort={}".format(webIp, webPort)) # 初始化日志引擎 fh = logging.FileHandler(encoding='utf-8', mode='a', filename='chitchat.log') logging.basicConfig( handlers=[fh], level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', datefmt='%a, %d %b %Y %H:%M:%S', ) # 启动服务，开启多线程、debug模式 # 浏览器访问http://127.0.0.1:8088/ai?content="你好" webIp = '127.0.0.1' webPort = '8088' app.run( host=webIp, port=int(webPort), threaded=True, debug=True ) 

  • 启动server.py

  python server.py 

  2.6. 效果演示

  当Rasa Server、Action Server和Server.py运行后，在浏览器输入测试：

  http://127.0.0.1:8088/ai?content=询广州明天的天气

  终端调用效果为：

  

   当然，我这里只是为了演示功能是否正常，如果你对交互效果比较感兴趣，可以自己写一个APP或者web UI交互页面，调用该接口即可。另外就是，本项目目前还不完善，比如训练样本不足、NLU置信度较低以及对话样本中的unhappy情况没有考虑等等，这些问题将在这个系列接下来的文章进行讲解优化。最后，给出本项目的GitHub地址，如果觉得对你有用，欢迎star和issues，我们共同讨论、学习！

  RASA中文聊天机器人Github地址：ChitChatAssistant

  参考：Rasa中文聊天机器人开发指南(1)：入门篇