开源skill新手入门指南：从零搭建到生产环境部署

1次阅读

共计 2079 个字符，预计需要花费 6 分钟才能阅读完成。

对于刚接触开源 skill 的开发者，通常会遇到以下几个典型问题：

环境配置复杂：不同框架对 Python/Node 版本、系统库依赖的要求差异大，容易产生环境冲突
文档碎片化：官方文档往往假设读者已有相关知识，缺少端到端的配置示例
调试困难：对话系统的状态管理、上下文传递等机制不透明，问题定位成本高
生产部署迷茫：本地运行正常的 skill 在部署后出现性能瓶颈或安全漏洞

主流开源 skill 框架横向对比：

框架	优点	缺点	适用场景
Rasa	完全开源、支持自定义 NLU 模型	学习曲线陡峭、资源消耗较大	复杂对话场景、需要数据自主
Dialogflow	Google 技术栈、集成方便	免费版功能受限、黑盒模型	快速原型开发
Botpress	可视化流程设计、模块化架构	社区版功能裁剪	企业级客服系统

本文选用Rasa 开源方案，因其灵活的定制能力和透明的数据处理流程更适合学习实践。

创建项目目录并安装依赖：

mkdir my_skill && cd my_skill
python -m venv ./venv
source venv/bin/activate  # Linux/Mac
pip install rasa

关键配置文件说明：

domain.yml：定义意图 (intents)、实体(entities) 和响应(responses)

intents:
  - greet
  - request_weather

entities:
  - city

responses:
  utter_greet:
    - text: "Hello! How can I help?"

nlu.yml：标注训练数据

nlu:
- intent: greet
  examples: |
    - hi
    - hello
    - good morning

- intent: request_weather
  examples: |
    - what's the weather in [Beijing](city)
    - is it raining in [London](city)

Python 自定义 action 实现：

from typing import Any, Text, Dict, List
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher

class ActionShowWeather(Action):
    def name(self) -> Text:
        return "action_show_weather"

    async def run(self, dispatcher: CollectingDispatcher,
                  tracker: Tracker,
                  domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:

        # 提取实体
        city = tracker.get_slot("city")

        # 调用天气 API（伪代码）weather_data = get_weather_api(city)

        # 返回自然语言响应
        dispatcher.utter_message(f"{city}当前天气：{weather_data['temp']}℃ {weather_data['condition']}"
        )
        return []

使用 Locust 进行压力测试（locustfile.py 示例）：

from locust import HttpUser, task

class SkillUser(HttpUser):
    @task
    def query_weather(self):
        self.client.post("/webhook", 
            json={
                "message": "weather in Paris",
                "sender": "test_user"
            })

关键指标监控：