本文最初发表于 Towards Data Science 博客，经原作者 Mandy Gu 授权，InfoQ 中文站翻译并分享。

Rasa 是一种开源的对话式人工智能框架，它使用机器学习来构建聊天机器人和人工智能助手。

今天，我将向大家展示如何使用 Rasa 构建自己的简单聊天机器人，并将其作为机器人部署到 Facebook messenger 上，一小时之内就可以完成。而你所需要的，只是一些简单的 Python 编程和可用的 Internet 连接。

完整的代码可以在我的GitHub 仓库 （https://github.com/happilyeverafter95/demo-bot）找到。

我的代码是在 Python 3.7 中开发和测试的。Rasa 目前只支持 Python 3.8 以下的版本 （更新请看这里：https://rasa.com/docs/rasa/installation/)。

要构建的机器人非常简单，无需深入研究任何高级自然语言处理应用。不过，Rasa 确实提供了对更复杂应用的充分支持。

为了了解更多关于自然语言处理的知识，我推荐 DeepLearning.AI 开设的这门 Coursera 课程《基于序列模型的自然语言处理》（Natural Language Processing with Sequence Models）。

“克隆”我的仓库https://github.com/happilyeverafter95/demo-bot 获取完整的代码。

确保所有的依赖关系都已安装。我们的简单机器人只需要两个库：

rasa==2.2.0
spacy==2.2.4

如果已经“克隆”了我的仓库，就可以运行pip install -r requirements.txt从根目录来安装这两个库。

spacy 语言模型需要在单独的步骤中安装。

python3 -m spacy download en_core_web_md
python3 -m spacy link en_core_web_md en

在展示如何训练和部署助手之前，先通过每个组件来了解它们是如何结合在一起的。

这些文件大部分可以通过运行rasa init来生成，rasa init会创建一个带有训练数据、动作和配置文件示例的新项目。

首先来看一下配置文件。

这是助手的所有端点的位置。为了支持 自定义动作（基本就是你可以编写用于调用其他 API、查询数据库或访问你构建的其他服务的自定义代码），我们需要创建动作服务器。要做到这一点，请在这个文件中包含action_endpoint。

其他端点也可以在这里定义，如，使用 Kafka 发送事件，或将对话存储在 Redis 中而不是内存中。

这就是 endpoints 文件的样子：

action_endpoint:
  url: "http://localhost:5055/webhook"

配置文件定义了如何训练模型，这是你可以发挥创造力的地方。第一行用于指定聊天机器人的语言。在这里，它将是英语：

language: "en"

下一个组件配置自然语言理解管道。我们使用的是 Rasa 推荐的“sensible”启动管道之一。

pipeline:  
  - name: SpacyNLP
  - name: SpacyTokenizer
  - name: SpacyFeaturizer
...

接下来是policies。这些是 Rasa 将遵循的响应用户信息的策略。

policies:  
  - name: MemoizationPolicy
  - name: RulePolicy
  core_fallback_threshold: 0.3
  core_fallback_action_name: action_default_fallback       
...`

MemoizationPolicy 会记住训练故事中的最后 X 个事件。可通过将max_history添加到策略配置来指定 X。

RulePolicy 利用我们为机器人编写的硬性规则（稍后会介绍）来生成响应。即使 RulePolicy 被指定在第二位，它也会优先于其他策略。因为 RulePolicy 在缺省情况下具有最高优先级：也可以配置这些优先级。根据策略配置，机器人首先要检查适用的规则，否则就会转向训练故事。

我们的策略还配置了默认的回退机制。当一个动作置信度分数低于core_fallback_threshold0.3 时，它将发送一个名为utter_default的预定义响应，并恢复到触发回退之前的状态。这在用户说一些完全没有意义的内容时是很有用的。

如果代码托管在像 GitHub 这样的地方，你应该在发布该文件前仔细考虑。需要使用此文件进行身份验证，我们会用它与 Facebook Messenger 机器人相连。现在，我暂时隐去了密码，但是稍后会介绍如何从 Facebook 生成此文件。

注意：我的 GitHub 仓库中并没有包含此文件。你需要创建这个文件，然后用稍后生成的令牌对其进行填充。

facebook:
  verify: "[this is your custom verification token]"
  secret: "[this is generated from facebook]"
  page-access-token: "[this is generated from facebook]"

来自 RASA 的官方 文档：

领域定义了助手操作的范围。它指定了你的机器人应该知道的意图、实体、槽、响应、形式和动作。它还定义了对话会话的配置。

domain.yml 文件被分解为意图、实体、槽、响应、动作和会话配置。

• 训练机器人识别定义的意图，并根据检测到的意图采取不同的行为。

• 如果在管道中指定了一个实体提取器，它将提取这个文件中定义的所有实体；实体可以用来进一步控制对话流程。

• 槽是机器人将信息存储到内存中的键值对；槽可以在对话期间的任何时候被设置、重置和检索。

• 响应是预先定义的响应模板，用于机器人发送消息；当机器人达到该状态时，默认回退将始终发送与utter_default相关联的消息。

• 动作包括任何已定义的自定义动作。

在会话配置中，可以定义会话过期时间，以及是否应该将槽引入到新的会话中。

将训练数据分成三个文件夹：nlu、rules 和 stories。在 nlu 文件夹中，定义了意图和实体。在 rules 文件夹中，定义了通过 RulePolicy 进行操作的规则。stories 文件夹中包含了模拟对话，这些对话被用作额外的训练数据，以了解如何管理对话。

在 NLU 设置中，定义了一些非常基本的意图。下面是“greet”意图的一个例子，它使用了以下的训练数据：

nlu:
  - intent: greet  
    examples: |    
      - hey    
      - hello    
      - hiya
...

官方文档 更详细地介绍了如何改进 NLU 组件，例如加入实体、同义词和查找表。

rules 定义了机器人应该始终遵循的小型对话模式。RulePolicy 利用这些 rules 来管理对话流程。

这里定义了一个简单的规则“always greet the user”。当机器人遇到“greet”意图时（它根据上面提供的数据学习识别问候意图），它会用自定义动作action_greet来跟进。

- rule: always greet the user 
  steps:    
    - intent: greet    
    - action: action_greet

stories 是“真实”对话的例子，用于进一步训练机器人的对话管理模型。它们被写成用户和机器人之间的对话交流。

我们将包括一个非常简单的故事。

version: "2.0"
stories:
  - story: generic happy path
steps:
  - intent: greet
  - action: action_greet
  - intent: select_price
  - action: action_select_upper_price
  - intent: select_purpose
  - action: action_select_purpose
  - intent: select_brand
  - action: action_select_brand

自定义动作对于更复杂的机器人来说非常有用，它们可以用来调用其他内部自然语言处理服务或公共 API 来改善对话体验。

自定义动作存储在actions/actions.py中。

下面是自定义动作action_greet的一个例子，它可以向用户问候。

class ActionGreet(Action):
def name(self) -> Text:
return 'action_greet'
def run(self, dispatcher: CollectingDispatcher,
tracker: Tracker,
domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:
dispatcher.utter_message(template='utter_greet')
dispatcher.utter_message(template='utter_price')
return []`

每个自定义操作都遵循一个非常标准的格式。有一个name方法返回自定义动作的名称，这个名称必须与 domain.yml 中提供的名称一致。

run方法需要接受调度器、跟踪器和域。

• 调度器用于生成响应（在这里，它将发出两条消息）。

• 追踪器指的是对话追踪器，可以利用它调出槽值、当前和过去的状态。

返回值是一个在动作结束时执行的事件列表。下面是一些我们可以包含在其中的常用事件：

• SlotSet：用于设置槽值。

• FollowupAction：触发一个后续行动。

• Restarted：结束当前对话。

一旦准备好以上所有的文件，就可以训练机器人了。在根目录下运行rasa train来开始这个过程。根据数据有多少，管道有多复杂，这可能需要一段时间。

如果能够看到这条消息，就说明模型已经成功训练并保存。

需要运行两个命令来启动机器人：一个用于动作服务器，一个用于机器人本身。在这里，我把它合并成一行。

注意：这将在本地启动机器人。稍后，将需要用 Facebook 生成的令牌来填充我们的凭据文件，以便将其部署到 Messenger。

rasa run -m models --enable-api --cors "*" --debug & rasa run actions

这是我的终端在该命令运行完成后的样子。每次服务器进行对话时，都会有额外的日志。

在运行上述操作时，动作服务器将占用 5055 端口，机器人将占用 5005 端口。

可以通过 ping http://localhost:5005 来测试服务器是否在运行。

有几种方式可以让你开始与机器人交互。

可以通过 REST API 与机器人进行交互。当 RASA 服务器运行时，发送这个请求，以用户身份发送消息：

curl --request POST \
  --url http://localhost:5005/webhooks/rest/webhook \
  --header 'content-type: application/json' \
  --data '{"sender": "sender_id", "message": "hi"}'

sender 字段是对话的唯一 ID。当同一 sender 字段下连续发送消息时，服务器将识别它是一个对话的一部分。message 字段是要发送的文本。

可以运行rasa shell，通过命令行与机器人开始对话。

我对部署 Rasa 服务器的偏好是通过 ngrok 来完成，这将使你的本地端口暴露在公共互联网上。另外，你也可以使用像 Heroku 这样的服务，但是 Rasa 镜像的大小让它很难在大多数免费服务保持应用的运行。

1. 创建 ngrok 账户。

2. 按照这些说明在计算机上设置 ngrok：https://ngrok.com/download。

3. 在单独的终端中运行./ngrok http 5005，在端口 5005 上启动 HTTP 隧道。

确保终端在任何时候都能运行，只要终端被中止，那么隧道就会停止，机器人在 Messenger 上就会没有反应。

记下生成的 URL。需要向 Facebook 提供安全的 URL（带 https 的那个）。

Facebook 机器人需要连接到 Facebook 页面。需要一个 Facebook 账户来 创建一个页面。

一旦页面创建完毕，请访问 https://developers.facebook.com/apps。点击绿色的“Create App”按钮，创建一个新的应用程序。

选择第一个选项，然后按照说明创建应用程序。

点击下方的“Set Up”按钮，将“Messenger”添加到应用中。

一旦应用程序被创建，它应该引导你到 Messenger 下的“Setting”页面。如果没有自动进入那里，请导航到应用程序仪表板，然后进入“Messengers”→“Settings”。

首先，将 Facebook 页面链接到应用程序。

在链接页面旁边，添加订阅允许 messages。

一旦页面被链接，点击页面旁边的“generate token”。追踪这个令牌（token），因为它将需要包含在你的 Rasa 项目中。我们将此标记称为“页面访问令牌”.

接下来，在仪表板上导航到 settings→basic，找到应用密码（app secret）。

然后，向下滚动到“webhooks”来添加一个新的回调 URL。

在填写回调细节之前，在 Rasa 项目中创建 credentials.yml。这个文件应该是这样的：

facebook:
 verify: "<verify>"
 secret: "<your secret>"
 page-access-token: "<your page access token>"

下面是如何填充字段：

• verify：创建一个你选择的安全验证令牌。

• sectet：这是应用程序的密码，从 basic settings 中获取。

• page-access-token：使用之前为页面生成的页面访问令牌。

通过运行以下命令再次启动 Rasa 服务器。这与之前的命令略有不同，因为我们现在利用了凭据标志。

rasa run -m models --enable-api --cors "*" --debug --credentials credentials.yml & rasa run actions

取出作为 credentials.yml 一部分创建的验证令牌，并在 Webhooks 部分的回调 URL 一起输入。

• 回调 URL 是 https://{ngrok_url}/webhooks/facebook/webhook。

注意：在任何时候，如果 ngrok 隧道停止，都必须重新启动它，并更新 Facebook 上的回调 URL。

导航到你的页面并尝试给机器人发消息。

太棒了，都准备好了！实际上，在目前的状态下，机器人并不会就笔记本计算机的推荐话题做出有意义的对话……也许有一天它会 😆

Mandy Gu，Wealthsimple 数据科学家。

原文链接：

https://towardsdatascience.com/build-a-chatbot-with-facebook-messenger-in-under-60-minutes-f4c8b8046a91

你也「在看」吗？👇