RASA中文聊天机器人项目

---

RASA 开发中文指南系列博文：

• Rasa中文聊天机器人开发指南(1)：入门篇
• Rasa中文聊天机器人开发指南(2)：NLU篇
• Rasa中文聊天机器人开发指南(3)：Core篇
• Rasa中文聊天机器人开发指南(4)：RasaX篇
• Rasa中文聊天机器人开发指南(5)：Action篇

注：本系列博客翻译自Rasa官方文档，并融合了自己的理解和项目实战，同时对文档中涉及到的技术点进行了一定程度的扩展，目的是为了更好的理解Rasa工作机制。与本系列博文配套的项目GitHub地址：ChitChatAssistant，欢迎star和issues，我们共同讨论、学习！

---

1. 安装rasa

1.1 环境要求

• python 3.6 +
• mitie
• jieba

1.2 安装步骤

1. 安装rasa

# 当前版本为1.9.5
# 该命令运行时间较长，会安装完所有的依赖
pip --default-timeout=500 install -U rasa

2. 安装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：

  python setup.py build
  python setup.py install

3. 安装jieba

# 安装Jieba中文分词
pip install jieba

2. 训练模型

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

• 使用MITIE

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

• 使用Supervised_Embedding

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

• 使用MITIE+Supervised_Embedding

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

3. 运行服务

（1）启动Rasa服务

 在命令终端，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

（2）启动Action服务

在命令终端，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 

（3）启动server.py服务

python server.py

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=查询广州明天的天气

终端调用效果为：

4. 更新日志

（1）V1.0.2020.02.15

• 创建项目，模型训练成功；
• 前端访问Rasa服务器正常响应；
• 对接图灵闲聊机器人、心知天气API，便于测试；

（2）V1.1.2020.02.27

• 优化NLU样本，尝试使用同义词、正则、查找表；
• 改进supervised_embeddings，实体提取和意图识别明显提高，训练速度加快很多；
• 完成Rasa中文聊天机器人开发指南(2)：NLU篇文章撰写；

（3）V1.2.2020.04.10

• 使用Interactive Learning构建样本；
• 新增MITIE+supervised_embeddings管道，并训练相应的模型；
• 新增身份查询案例；
• 将Rasa版本升级到1.9.5，解决win10使用tensorflow出现的异常(详见入门篇)；
• 完成Rasa中文聊天机器人开发指南(3)：Core篇文章撰写；

5. License

Copyright 2020 Jiangdongguo

Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at

   http://www.apache.org/licenses/LICENSE-2.0

Unless required by applicable law or agreed to in writing, software
distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and
limitations under the License.

ChitChatAssistant 快速上手指南

ChitChatAssistant 是一个基于 RASA 框架的中文聊天机器人开源项目，支持自然语言理解（NLU）和对话管理（Core），并集成了图灵闲聊与天气查询功能。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows / Linux / macOS
• Python 版本：3.6 及以上
• 核心依赖：
  • rasa (推荐版本 1.9.5+)
  • jieba (中文分词)
  • mitie (可选，用于提升中文实体识别效果，需编译环境)
• 编译工具 (仅安装 MITIE 时需要)：
  • Visual Studio 2017 (需勾选“用于 CMake 的 Visual C++ 工具”)
  • CMake (需添加至系统环境变量)

2. 安装步骤

2.1 安装基础依赖

建议使用国内镜像源加速安装过程。

# 安装 Rasa (设置超时时间以防网络中断)
pip --default-timeout=500 install -U rasa -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装 Jieba 中文分词
pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple

2.2 安装 MITIE (可选但推荐)

若需使用高性能的中文实体提取，建议安装 MITIE。由于在线安装容易失败，推荐离线编译安装：

1. 下载资源：
   • 下载 MITIE 源码。
   • 下载中文词向量模型 total_word_feature_extractor_zh.dat 并放入项目的 data/ 目录下。
2. 配置编译环境：
   • 安装 Visual Studio 2017 并勾选 C++ CMake 工具。
   • 将 CMake bin 路径（如 C:\Program Files (x86)\...\CMake\bin）加入环境变量并重启电脑。
3. 编译安装： 进入 MITIE 源码根目录，执行：

   python setup.py build
   python setup.py install
   

3. 基本使用

3.1 训练模型

确保 configs/ 和 data/ 目录下的配置文件与训练数据已准备好。根据选择的管道执行以下任一命令：

方案 A：使用 MITIE 管道

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

方案 B：使用 Supervised Embedding 管道

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

方案 C：混合管道 (MITIE + Supervised Embedding)

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

3.2 启动服务

需要同时启动三个终端窗口分别运行以下服务：

终端 1：启动 Rasa 核心服务 (NLU + Core)

python -m rasa run --port 5005 --endpoints configs/endpoints.yml --credentials configs/credentials.yml --debug

终端 2：启动 Action 服务 (自定义逻辑)

python -m rasa run actions --port 5055 --actions actions --debug

终端 3：启动 Web 测试服务

python server.py

3.3 测试交互

服务全部启动后，在浏览器地址栏输入以下 URL 进行测试：

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

若配置正确，页面将返回机器人对天气查询意图的响应结果。