設定您的第一個 Rasa 項目

Rasa 是一個用於創建對話式人工智慧和聊天機器人的開源框架。如果您想在 Rasa 中配置您的第一個項目，那麼您來對地方了。在這篇部落格中，Iwe將從頭開始一步一步建立一個Rasa專案。

什麼是拉莎？

在深入探討之前，讓我們先澄清一下 Rasa 是什麼。 Rasa 由兩個主要組件組成：

1. Rasa 開源：建構自然語言理解 (NLU) 與對話管理的架構。

2. Rasa X：隨著時間的推移改進和管理您的助理的工具。

Rasa 採用 Python 編寫，允許靈活定制，使其成為開發人員的熱門選擇。

先決條件

要設定 Rasa，您需要：

• Python 3.8 或 3.9（Rasa 目前不支援 3.10）

• pip（Python 套件管理器）

• 虛擬環境（可選但建議）

熟悉 Python 和基本命令列用法會有所幫助，但不是必需的。

步驟1：安裝Python並建立虛擬環境

1. 下載Python:

• 前往 Python 網站並下載 Python 3.8 或 3.9。

1. 建立虛擬環境：使用虛擬環境可以讓 Rasa 專案依賴項與全域 Python 設定隔離。

   python -m venv venv
   源 venv/bin/activate

第2步：安裝Rasa

1. 透過 pip 安裝 Rasa：

   pip install rasa

   1. 驗證安裝：

   rasa --版本

您應該會看到顯示的 Rasa 版本和 Python 版本。

步驟 3：建立您的第一個 Rasa 項目

現在，讓我們建立您的 Rasa 專案：

1. 執行以下指令：

   rasa初始化

   1. 依照提示操作：

• Rasa 將建立一個新的專案目錄，其架構如下：

  我的_項目/
  ├── 行動/
  ├── 數據/
  ├── 模特兒/
  ├── 檢定/
  ├── config.yml
  ├──憑證.yml
  ├── 網域.yml
  └──端點.yml

• 系統將提示我們訓練模型並測試您的助手。快來嘗試一下吧！

第 4 步：了解 Rasa 中的關鍵文件

以下是專案中關鍵文件的細分：

• domain.yml：定義機器人的個性、意圖、回應和實體。

• data/nlu.yml：包含意圖辨識的訓練範例。

• data/stories.yml：定義對話流來訓練對話模型。

• config.yml：指定用於意圖分類和實體識別的機器學習管道。

• endpoints.yml：設定在哪裡尋找外部服務（例如操作伺服器）。

• credentials.yml：配置第三方集成，例如 Slack 或 Telegram。

第 5 步：訓練你的 Rasa 模型

1. 如果尚未接受過訓練，請使用以下命令來訓練您的助手：

   拉薩火車

   1. 這將在 models/ 目錄中產生一個模型文件，準備好為您的聊天機器人提供動力！

第 6 步：測試您的助手

1. 在本地測試您的助手：

   拉沙貝殼

   1. 輸入一些訊息，看看助理如何回應。例如：

> Hi Hello! <br>
Hey! How are you?<br>

步驟7：新增自訂操作

希望您的機器人執行從 API 取得資料等操作？新增自訂操作！

1. 開啟 actions/ 目錄並建立一個 Python 檔案（例如 actions.py）。

2. 寫下您的自訂動作：

   從 rasa_sdk 匯入操作
   從 rasa_sdk.executor 導入 CollectingDispatcher

   類別 ActionHelloWorld(Action):
   def 名稱（自己）：
   返回“action_hello_world”

   def run(self, dispatcher, tracker, domain):
       dispatcher.utter_message(text="Hello, world!")
       return []
   

   1. 更新domain.yml以包含您的操作：

   行動：

   • action_hello_world
     1. 啟動動作伺服器：

   rasa 運作操作

參考 ？

• Rasa 官方文件

• Python 下載

• Virtualenv 文件

快樂編碼

以上是設定您的第一個 Rasa 項目的詳細內容。更多資訊請關注PHP中文網其他相關文章！