AI

2023-06-27 · 阅读 2441 · 字数 728

尝试手动启动了两个 docker containter： 一个用于 rasa core 一个用于 rasa actions 但是，发现测试对话不涉及 actions 服务的，一切正常返回； 但是跟 actions 相关的，没有任何返回。 查看 docker 容器日志 docker logs -f <containter-id> 这样就能实时查看 docker 容器中 rasa 的运行日志，跟 tail -f 效果等同。非常方便。 异常日志 查看了一下 rasa core 的日志： rasa.shared.exceptions.RasaException: Failed to ...

阅读全文...

2024-02-22 · 阅读 3610 · 字数 2172

非常典型地一个应用场景，即通过 rasa 从提交消息中提取城市和时间，然后调用三方天气接口查询天气，再返回用户。 但是按照官方文档，及电子书，网上资料里配置，jieba dict 也好，lookup table 也好，都会因为 DIETClassifier 报奇怪的异常。我感觉是版本的 bug，目前还没有定位到问题。 折腾了两天，没有头绪，看了部分 rasa 源代码，印象也非常不好，许多配置规则没有在文档中体现，需要看源码才能理清。 距离这个项目验收的时间不多了，我也懒得折腾，干脆直接在 actions 中直接获取消息原文，用 python 通过正则提取 entity，这本应由 DIETCla ...

阅读全文...

2023-05-23 · 阅读 3006 · 字数 662

场景 例如，跟 Rasa 机器人对话中，询问今天星期几，然后使用 Python 返回中文答复。 nlu.yml 增加自然语言解析： - intent: weekday examples: | - 今天是星期几 - 今天几号 - 今天的日期 domain.yml 增加 actions: intents: - weekday actions: - action_weekday rules.yml 配置映射关系 - rule: 星期几 steps: - intent: weekday - action: action_weekday actio ...

阅读全文...

2024-09-03 · 阅读 14071 · 字数 570

Rasa 是一个自然语言处理开源框架，用于构建聊天机器人和智能助手。它提供了一系列用于处理对话流程的工具和算法，包括自然语言理解（NLU）、对话管理、对话策略等。 使用 Rasa，可以创建一个可扩展、灵活且高度个性化的聊天机器人，该机器人可以与用户进行深入的交互，以满足他们的需求。 Rasa 是基于 Python 编写的，并且支持命令行和 API 接口的方式进行使用和集成。 它还有一个友好的社区，提供了很多文档、教程和示例来帮助开发者上手。 以下教程基于 Rasa 3.4.6 版本，我边学习，边整理的实战笔记，并经过测试。 对话机器人 Rasa（一）：安装 对话机器人 Rasa（二）： ...

阅读全文...

2023-05-05 · 阅读 7884 · 字数 509

今天在 V2EX 论坛上学到了一个有趣的技巧：如何一句话区分 ChatGPT 3.5 与 4。 目前我用到的大部分免费的 ChatGPT 套壳网站都是基于 ChatGPT 3.5 的，偶有标榜使用了 ChatGPT 4 接口的网站。即便是申明使用了 4 的接口，很多也是挂着羊头卖狗肉。比较 4 的接口成本太高了。 回归正题，直接看截图： 这个我一直在用的一个套壳站，果然一句话就露馅了，这就是典型的 ChatGPT 3.5 的回复。 对于 4 则是有逻辑性的分析过程： 问：小明 8 岁，他妹妹年龄是他的一半。小明 56 岁时，妹妹几岁 答：小明现在 8 岁，他的妹妹年龄是他的一半，因此妹 ...

阅读全文...

2023-04-22 · 阅读 4626 · 字数 1027

虽然我已经 用 Rasa 实现了中文自动问答机器人功能，但是里面 pipeline 的配置，其实我完全没看明白各个组件起到的作用。我已经很认真地读了几遍官方文档关于各个组件的描述，英文/中文文档都看了不少，对我来说太晦涩了，无法理解。 但是这个项目除了要实现功能，还要做成 PPT 给合作方讲解，对方有深度学习的专家教授，这就更尴尬了。只能临时抱佛脚求助 ChatGPT，没想到 AI 给出的解释通俗易懂，真大哥也。 除了口头禅 “总之”，其他都挺好的。 rasa 中 DIETClassifier 的作用 在 Rasa 中，DIETClassifier 是一种用于意图分类和实体提取的深度学习模型。 ...

阅读全文...

2023-07-01 · 阅读 5986 · 字数 641

由于要现场演示 Rasa 对话机器人的实际效果，感觉用 Rasa Shell 命令来演示不太正式。 还是用网页版 Rasa 组件来演示更直观一些，也容易理解。 再就是我想把对话场景制作成一段小视频，或 gif，放到 PPT 里给客户演示。这种情况，也是网页端更简单直观。 页面效果 但是官方组件在手机端体验不太好，底部发送按钮有遮拦，在 iphone 上按钮超出右侧屏幕，原因是宽度都是用的 px 写死。 rasa websocket 配置 打开配置文件 credentials.yml: 增加 socketio: user_message_evt: user_uttered bot_me ...

阅读全文...

2023-05-08 · 阅读 3466 · 字数 620

自动化的必要性 手动跑一遍覆盖各种问题的对话，太耗费时间了。例如，即便最简单的有十几个意图识别的对话场景，手动测试一遍都需要很长时间。 而且记不住有哪些 rule ... 需要对照着 nlu.yml 文件才能记起来。 比较高效的方式是，跑一遍自动化测试，然后将失败的 case 摘出来，手动跑一遍交互式训练。 还有另外一个好处，就是之后现场演示的时候，可以照着自动化测试的 test case 来演示，以保证万无一失。避免像百度文心一言一样，发布会上连现场演示的勇气都没有。 测试文件 > ls tests/ test_stories.yml 似乎没有 test_rules.yml 这样的文 ...

阅读全文...

2023-04-19 · 阅读 3056 · 字数 287

在配置 Rasa 对话规则的时候，我一直有一个疑问。 Rasa 中 story 的意义是什么？ 我在跟 Rasa 对话的时候，似乎也没发现按照 story 的流程走。 查了一下： Rasa 包含了两种方式来定义对话流程：规则（Rules）和故事（Stories）。 规则是一种简单而有限制的方式来定义对话流程。它们通常用于处理简单的用户请求，例如回答一个固定的问题或者执行某些操作。规则只能捕获单个意图（intent）并且不能处理槽位填充或多轮对话。该方法适用于简单的场景下。 相比之下，故事可用于更复杂的对话流程。故事中可以包含多个意图、槽位填充以及多轮对话。在故事中，您可以定义特定的对话场景，并 ...

阅读全文...

2023-04-17 · 阅读 2788 · 字数 287

首先在 google colab 上新建一个笔记本，然后菜单里选择 “修改” - “笔记本设置” 在弹出的配置对话框里，选择 GPU 作为硬件加速器，即可。 点击保存。 GPU 加速数据处理的场景 机器学习和深度学习：GPU 对于大规模数据集的处理速度比 CPU 快得多，因此免费的 GPU 资源可以用于训练神经网络、图像识别、自然语言处理等任务。 科学计算：GPU 可以用于加速各种科学计算，如物理仿真、气象预测等。 游戏开发：使用 GPU 进行游戏开发可以提高渲染速度和图形质量。 数字艺术和设计：GPU 可以用于加速渲染和处理高分辨率图像和视频，从而加快数字艺术和设计的工作流程。 例如 ...

阅读全文...

2023-05-31 · 阅读 5580 · 字数 1475

由于线上生产环境使用的是腾讯云的服务器，Ubuntu server 版本比较低，是 18.04。自带的 python 版本为 3.6，不满足对话机器人框架 rasa 对 python 版本的最低要求。 而升级 python 版本可能破坏系统的一些工具。至于 virtualenv, miniconda 的方案我都非常反感，因为手动操作也不少，增加了重复部署的复杂度，而且长时间不用，命令就忘了。（目前大部分服务端程序，我都采用了 golang，已经很少用 python）我觉得目前最佳的部署方案是 docker。 这也是我第一次线上生产环境尝试 docker 部署，所以记录一下流程。 如果有一定 d ...

阅读全文...

2023-05-08 · 阅读 4277 · 字数 363

使用 Rasa rules.yml 是最简单的指定回复内容的方式，即，添加一条匹配规则。 添加一个意图对应的回复，需要编辑三个文件。 以回复用户的夸奖为例： nlu.yml 意图识别： data/nlu.yml - intent: praise examples: | - 你真聪明 - 你怎么这么聪明 - 你太智能了 - you are really smart - you are so clever domain.yml 编辑返回的内容模板。domain.yml 中添加： version: "3.1" intents: ...

阅读全文...

2024-04-10 · 阅读 11913 · 字数 1913

Rasa 安装之后，默认是不支持中文对话的。 学习、配置的策略 查到的示例，pipeline 配置各不相同，不动手试，难以知道相互间的优劣。 所以，先从能运行的最简单配置开始。例如使用《Rasa 实战：构建开源对话机器人》这本书上的推荐的中文 pipeline。 里面有个医疗机器人的 nlu 配置示例。当然，只包含了 nlu 部分的配置，即识别意图和实体，没有回复配置。 效果 基于 Rasa websocket 的网页组件 实现。 最简单的中文配置 打开项目根目录下的 config.yml 配置文件，修改如下： recipe: default.v1 language: zh pipeli ...

阅读全文...

2023-04-07 · 阅读 3454 · 字数 702

官方文档 https://rasa.com/docs/rasa/components 记录几个感觉比较重要的： 语言模型 Language Model MitieNLP: 预训练的语言模型之一，需要指定模型文件，网上有可以下载到的用百度知道和维基百科训练好的中文模型文件。 SpacyNLP: 另一个预训练的语言模型。也需要指定模型文件，以中文为例，有几个版本，https://spacy.io/usage/models, 小的几十M，大的几百M. 推荐使用至少中型模型，即 md，否则影响意图分类的性能。 在一些文章里看到说是官方推荐使用 SpacyNLP, 但是我在官方文档里没有找到这样的说 ...

阅读全文...

2023-08-29 · 阅读 2257 · 字数 388

rasa init 初始化项目之后，可以看到增加了很多不需要添加到 git 项目管理中的文件，例如 模型文件。默认的模型文件大小就有 24M。 cache 文件 等。 在开始动手修改各种 yml 配置文件之前，最好先提交原始的文件到 git 管理中，防止误操作。 网上找到一个规范的 rasa gitignore 文件，用来过滤这些文件。 参考 https://raw.githubusercontent.com/RasaHQ/rasa-nlu-examples/main/.gitignore gitignore 配置 # Byte-compiled / optimized / DLL fil ...

阅读全文...