Rasa是一个开源的机器学习框架，用于自动化基于文本和语音的助理。构建真正帮助客户的上下文助理和聊天机器人很困难。Rasa 提供了高性能、有弹性、专有的上下文助理所需的基础设施和工具。借助 Rasa，所有开发人员都可以创建更好的基于文本和语音的助手。
为什么选择Rasa？
RASA NLU 的主要优点是您可以访问整个 Python 处理管道，并可以使用复杂的自定义逻辑对其进行扩展。RASA NLU 提供现实世界中对话解决方案所需的基础设施功能，例如模型持久性或 HTTP 访问。
Rasa与Dialogflow的比较
RASA 的组件：
1.自然语言理解（NLU）
Rasa 自然语言单元 是一种自然语言理解模块。它由松散耦合的模块组成，在一致的 API 中结合了许多自然语言处理和机器学习库。
NLU 实际上是做什么的？将文本转换为向量并对意图进行分类。
实体的提取（如果有）
对于此过程，NLU 使用 Tokenizer 将传入文本转换为标记，然后
词性标注器：词性标注器或 POS 标注器处理单词序列，并将词性标记附加到每个单词。
分块：分块的主要目标之一是将其分组为所谓的“名词短语”。这些是由一个或多个单词组成的短语，其中包含名词，可能是一些描述性单词，可能是动词，也可能是副词之类的东西。这个想法是将名词与与其相关的单词分组
在分块器之后，实体被识别并提取。
2. 自然语言生成（NLG）
自然语言生成 是人工智能的一个分支，旨在缩小机器与人类之间的沟通差距。该技术通常接受非语言格式的输入，并将其转换为人类可理解的格式，如报告、文档、短信等。
3. 对话管理
为什么使用 Rasa Core 进行对话处理？
通过从输入文本中提取意图和实体，这些数据会与之前的状态混淆以获得新的操作。这些新动作将更新为状态并产生输出并用于下一个输入。
如何安装Rasa：
先决条件：
Visual studio 14.0.0+ (not VS Code)
python3
使用 pip 安装 rasa
pip install rasa
安装完成后，rasa CLI 就会启用。
初始化项目
rasa init
在您的项目文件夹（空文件夹）中，命令提示符，它会问以下问题，
请输入将创建项目的路径[默认：当前目录] - 指定路径或按 Enter 键默认
您想训练初始模型吗？- 对于初学者，是的（推荐），训练模型需要一些时间。
您想在命令行上与训练有素的助手交谈吗？- 否（推荐），如果您想了解 rasa 聊天机器人如何工作，可以按“是”。
如果你想跳过这些问题，请添加--no-prompt
rasa init --no-prompt
通过此过程，会在您指定的目录中创建一些文件。
这将创建以下文件：
（可选）data/responses.md(*)：您可以在数据文件夹中单独创建响应文件。
models/.tar.gz：这是rasa训练的模型。
endpoints.yml：此文件包含连接到 FB Messenger 等通道的详细信息。
domain.yml (*)：包含意图列表、响应、操作、槽和表单列表。这是您的机器人的域。
data/stories.md (*)：此文件包含您的机器人的故事。这是意图和响应之间的桥梁
data/nlu.md (*)：该文件包含 NLU 的意图名称和意图，您从这里开始编写意图。
credentials.yml：其中包含连接到其他服务的详细信息。这包含凭据详细信息。
config.yml (*)：此文件用于配置 NLU 和 Core 模型。该文件包含足够的详细信息，例如语言、管道、NLU 的纪元详细信息以及核心协议。
actions.py：您可以在此 python 文件中自定义操作代码。
init.py：这是一个空的 python 文件，有助于查找您的操作。
最重要的文件标有“*”。
训练和测试机器人：
创建自己的机器人后，您必须通过以下代码来训练它
rasa train
它将在模型文件夹中创建一个新模型。您可以通过两种不同的方式对其进行测试：
使用shell
rasa shell
这将创建一个与您的机器人聊天的界面。
使用postman/curl
首先，运行以下命令
rasa run -m models --enable-api --log-file out.log
它创建本地主机，您可以在其中使用curl进行交互
curl localhost:5005/model/parse -d '{“text”：“你好”}提供的其他 API 列表
