Rasa是一个经典的基于Python开发的开源对话机器人框架，经过多年完善，到目前已经发展到了3.x版本，其完备的框架可以确保只需少量训练数据，即可满足大部分客服机器人的需求。由于Rasa发展的实在迅速，本文撰写时，Rasa的版本为3.2.1，但是之前研究的主要是Rasa 2.8.x的结构，读者接触到的更高版本可能新增的特征本文不会涉及，在此表示歉意。

Rasa基本结构

Rasa2和3的基本架构很类似，均为下图所示的结构：

architecture

可以看出，Rasa开源系统中主要包含这么几个部分：NLU、对话策略和Agent，而在源码中，对话策略和Agent被包含在了core模块中，而nlu则独自为一模块，两个模块分别可独立提供对话策略管理（core模块）和自然语言理解（NLU模块）功能，在后文我们将会对这两个部分做更详细的解读。

除开上面的核心模块，在图中还可以看到有下面几个模块：

  1. Action Server：提供可扩展的Action及其对应能力给机器人调用；
  2. Tracker Store：在Rasa中，每一通对话都会被记录为一个tracker，顾名思义，这里就是存储tracker的地方，有内存存储（默认）、SQL存储、MongoDB存储、Redis存储、DynamoDB 存储以及自定义位置存储；
  3. Lock Store：为了确保对话的顺序进行，Rasa采用锁方式来锁定消息活动对话，而这些锁的信息也会被存在内存、Redis，或是自定义的位置；
  4. Filesystem(Model Storage)：为训练好的模型提供存储，可以存储在本地硬盘、服务器，甚至各类云服务器（Azure，Google等）上面。
Rasa训练文件结构

介绍了基本架构，下面来看一下Rasa的训练bot文件组成部分，一个完整的bot例子如下结构所示：

file_structure

其中各个部分的功能为：

  1. actions文件夹存放的是自定义的action及其对应的能力实现方式；
  2. data文件夹包含三个文件：
    1. nlu.yml：这个文件主要定义了机器人要识别的用户意图，以及对应意图的可能表述，如：意图“问好”，可能表述有你好、早上好、晚上好等等；此外，还可以在这里标注所需要识别的实体，添加同义词，添加识别意图和实体的正则表达式，添加实体速查表等功能；
    2. rules.yml：这个文件主要为识别到的意图提供强约束的机器人反馈，主要应用于短对话，并且只能根据已有的各种意图做出反应；
    3. stories.yml：这个文件主要存放训练机器人策略跳转的数据，可以为机器人提供未知对话情况下的反应能力；
  3. model文件夹主要存储训练好的模型；
  4. tests文件夹主要存储测试用例test_stories.yml；
  5. config.yml：为Rasa模型提供整体配置，包括使用语言、NLU处理流水线、对话策略等内容；
  6. domain.yml：这个文件定义了所有的意图、实体、槽位、机器人回复、需要填充的表单、自定义的action和机器人部分配置；
  7. endpoints.yml：这个文件可以配置机器人需要的第三方自定义功能，如nlg服务器的url等；
  8. credentials.yml：这个文件可以配置机器人要调用的第三方平台认证相关功能（没有使用过…）。
Rasa信息处理流程

最后，我们来看一下Rasa对于消息的处理情况，当一条消息进入到Rasa机器人接口后，有下面的一个简单处理流程：

data_flow

首先，由NLU的Interpreter模块（Rasa2.x）/graph_runner（Rasa3.x）对输入文本进行处理，得到文本的一系列特征，如实体，意图等等；

接下来，将识别到的一系列特征传入本轮对话的的Tracker，它会记录本轮对话的所有对话状态信息；

记录完毕之后，Policy模块将会对Tracker的信息进行处理，并预测出要执行的Action；

最后，执行Action，输出结果，更新Tracker。至此，一个粗略的Rasa信息处理流程结束。

在接下来的部分里面，我们将会依次分析Rasa各模块的细节及使用到的模型和算法，最后，将会以一个中文对话机器人项目来结束这次的学习。