重磅推荐专栏：
《大模型AIGC》
《课程大纲》
《知识星球》

本专栏致力于探索和讨论当今最前沿的技术趋势和应用领域，包括但不限于ChatGPT和Stable Diffusion等。我们将深入研究大型模型的开发和应用，以及与之相关的人工智能生成内容（AIGC）技术。通过深入的技术解析和实践经验分享，旨在帮助读者更好地理解和应用这些领域的最新进展

1. Rasa介绍

1.1 架构

  • Rasa Open Source: NLU (理解语义) + Core (决定对话中每一步执行的actions)
  • Rasa SDK: Action Server (调用自定义的 actions)
  • Rasa NLU
    理解用户的对话，提取出感兴趣的信息 (如意图分类、实体提取等)，以pipeline的方式处理用户对话，在config.yml中配置。
  • Rasa Core
    根据NLU输出的信息、以及Tracker记录的历史信息，得到上下文的语境：预测用户当前最可能表达的意图；决定对话中每一步执行哪一个action
  • Agent
    从user来看，它是整个系统的代理，接收用户输入信息，返回系统的回答。在系统内，它是一个总控单元，引导系统启动，连接NLU和DM，得到并调用actions，保存对话数据到存储中
  • Action Server
    提供了Action和Policy解耦的一种方式。用户可以自定义任何一种action连接到action server上，通过训练学习，rasa可以将policy路由到这个action上。
  • Tracker Srore
    对话的存储单元，将用户和机器人的对话保存在Tracker Store 中。Rasa提供了针对不同存储类型的开箱即用的实现，包括Redis、MongoDB等。
  • Lock Store
    是一个ID产生器，使用ticket lock机制来确保全局唯一的conversation ID，并在消息处于活动状态时锁定对话，保证消息的顺序处理。使得多个Rasa服务器可以并行运行，当客户端为给定的conversation ID发送消息时，不需要寻址到相同的节点
  • Event Broker
    事件代理，bot通过event broker连接到其他服务，可以发布一个消息给其他服务来处理这些消息，也可以转发rasa server的消息到其他服务。目前支持的有SQL、RabbitMQ、Kafka
  • File System
    提供无差别的文件存储服务，比如训练好的模型可以存储在不同位置。支持磁盘加载、服务器加载、云存储加载。

1.2 配置文件