共计 2197 个字符，预计需要花费 6 分钟才能阅读完成。
在开发智能对话系统的过程中，新手常常会遇到各种技术问题。本文将围绕电商客服场景，分享如何基于 Rasa 框架构建一个高效可靠的 Agent Skill，并解决开发过程中的常见痛点。
1. 背景痛点
开发者首次构建 Agent Skill 时，往往会遇到以下几个高频问题：
- 多轮对话状态丢失：用户在进行多轮交互时，系统无法准确记住上下文，导致对话流断裂。
- NLU 准确率不足：自然语言理解模块无法准确识别用户意图，特别是在用户表达模糊或复杂时。
- 对话管理混乱：缺乏清晰的对话状态机设计，导致系统无法正确处理用户输入和上下文切换。
这些问题不仅影响用户体验，还会增加开发难度和维护成本。
2. 架构选型
在构建 Agent Skill 时，选择合适的框架至关重要。以下是 Rasa、Dialogflow 和 Lex 在关键功能上的对比：
- 意图识别：Rasa 支持 BERT 微调，适合复杂场景；Dialogflow 基于 Google 的预训练模型，开箱即用；Lex 则依赖于 AWS 的基础模型。
- 实体抽取：Rasa 和 Dialogflow 在实体抽取方面表现较好，支持自定义实体；Lex 的实体抽取能力相对较弱。
- 对话管理：Rasa 的对话管理最为灵活，支持自定义策略；Dialogflow 和 Lex 则提供了较为固定的对话管理机制。
综合来看，Rasa 在灵活性和可定制性上更具优势，适合需要高度控制的场景。
3. 核心实现
3.1 domain.yml 配置示例
以下是一个电商退货流程的 domain.yml 配置示例：
intents:
- return_request
- provide_order_number
- confirm_return
entities:
- order_number
- return_reason
slots:
order_number:
type: text
return_reason:
type: text
responses:
utter_ask_order_number:
- text: "请您提供订单号，以便我们处理退货。"
utter_ask_return_reason:
- text: "请问您退货的原因是什么？"3.2 自定义 Action 实现数据库查询
以下是一个用 Python 实现的自定义 Action，用于查询订单信息：
from typing import Any, Text, Dict, List
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher
class QueryOrderAction(Action):
def name(self) -> Text:
return "action_query_order"
def run(self, dispatcher: CollectingDispatcher,
tracker: Tracker,
domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:
# 从 slot 中获取订单号
order_number = tracker.get_slot("order_number")
# 模拟数据库查询
order_info = {
"status": "已发货",
"product": "智能音箱",
"date": "2023-10-01"
}
# 返回查询结果
dispatcher.utter_message(text=f"订单 {order_number} 的状态是{order_info['status']}，商品是{order_info['product']}，发货日期是{order_info['date']}。")
return []3.3 对话状态机设计
电商退货流程的对话状态机可以描述为以下几个步骤：
- 用户发起退货请求（
return_request）。 - 系统询问订单号（
utter_ask_order_number）。 - 用户提供订单号（
provide_order_number）。 - 系统查询订单信息并询问退货原因（
utter_ask_return_reason）。 - 用户提供退货原因（
confirm_return）。 - 系统确认退货并结束流程。
4. 生产级优化
4.1 Redis 持久化对话状态
在 endpoints.yml 中配置 Redis 作为对话状态存储：
tracker_store:
type: redis
url: "redis://localhost:6379"
db: 0
key_prefix: "tracker:"4.2 意图混淆矩阵分析
通过混淆矩阵可以分析意图识别的准确性。以下是一个简单的分析方法：
- 收集测试数据并标注真实意图。
- 使用 Rasa 的评估工具生成混淆矩阵。
- 分析矩阵中高混淆的意图对，针对性优化训练数据或调整模型参数。
5. 避坑清单
以下是 5 个从测试环境到生产部署的关键检查项：
- 异步动作超时设置：确保自定义 Action 的超时时间合理，避免长时间阻塞对话流。
- NLU 训练数据覆盖：检查训练数据是否覆盖了所有可能的用户表达方式。
- 对话状态持久化：在生产环境中使用可靠的存储（如 Redis）保存对话状态。
- 错误处理机制：实现完善的错误处理逻辑，避免系统崩溃或返回不友好的错误信息。
- 性能监控：部署后持续监控系统性能，及时发现并解决瓶颈问题。
结尾思考
在实际应用中，用户可能会突然切换话题，导致对话断裂。如何处理这种场景，是智能对话系统设计中的一个重要挑战。你有什么好的解决方案吗？欢迎在评论区分享你的想法。
正文完
