从零开始：skill优化对话的实战入门指南

2次阅读

共计 1547 个字符，预计需要花费 4 分钟才能阅读完成。

对话系统本质上是通过自然语言与用户交互的计算机程序。对于刚接触 skill 开发的新手来说，最常见的三大痛点包括：

意图识别不准 ：用户说 ” 我想订明天中午的位子 ”，系统却理解为 ” 查询今日订单 ”
上下文断裂 ：用户问 ” 那家川菜馆呢？” 时，系统丢失了之前讨论餐厅类型的记忆
回复生硬 ：机械式应答如 ” 已为您预定 ”，缺乏个性化与情感化表达

意图理解升级
传统关键词匹配 → 引入 BERT 等预训练模型
示例：使用 Rasa NLU 的 DIETClassifier 实现多意图分类
对话管理重构
有限状态机 → 基于规则的对话树 + 机器学习混合模式
推荐框架：Microsoft Bot Framework 的 Dialogs 模块
回复生成优化
模板应答 → 条件模板 +NLG 生成
工具推荐：Google 的 T5 Small 模型进行语句润色
反馈闭环建立
记录用户显式 / 隐式反馈（如对话中断率）
实现 A / B 测试框架对比不同版本效果

# 基于 Rasa 的意图识别优化
from rasa.nlu.components import Component
from transformers import BertTokenizer, BertModel

class BertIntentClassifier(Component):
    def __init__(self, model_name="bert-base-uncased"):
        self.tokenizer = BertTokenizer.from_pretrained(model_name)
        self.model = BertModel.from_pretrained(model_name)

    def process(self, message):
        inputs = self.tokenizer(message.text, return_tensors="pt")
        outputs = self.model(**inputs)
        # 添加自定义分类逻辑...
        message.set("intent", predicted_intent, confidence=0.95)

# 对话状态管理示例
dialog_states = {
    "INITIAL": {
        "trigger": "request_booking",
        "next_states": ["DATE_CONFIRM", "CUISINE_SELECT"]
    },
    "DATE_CONFIRM": {"confirm_slots": ["date", "time"],
        "fallback": "ask_date_again"
    }
}