设置您的第一个 Rasa 项目

Rasa 是一个用于创建对话式人工智能和聊天机器人的开源框架。如果您想在 Rasa 中配置您的第一个项目，那么您来对地方了。在这篇博客中，Iwe将从头开始一步步建立一个Rasa项目。

什么是拉莎？

在深入探讨之前，让我们先澄清一下 Rasa 是什么。 Rasa 由两个主要组件组成：

1. Rasa 开源：构建自然语言理解 (NLU) 和对话管理的框架。

2. Rasa X：随着时间的推移改进和管理您的助手的工具。

Rasa 采用 Python 编写，允许灵活定制，使其成为开发人员的热门选择。

先决条件

要设置 Rasa，您需要：

• Python 3.8 或 3.9（Rasa 目前不支持 3.10）

• pip（Python 包管理器）

• 虚拟环境（可选但推荐）

熟悉 Python 和基本命令行用法会有所帮助，但不是必需的。

第1步：安装Python并创建虚拟环境

1. 下载Python:

• 前往 Python 网站并下载 Python 3.8 或 3.9。

1. 创建虚拟环境：使用虚拟环境可以使 Rasa 项目依赖项与全局 Python 设置隔离。

   python -m venv venv
   源 venv/bin/activate

第2步：安装Rasa

1. 通过 pip 安装 Rasa：

   pip install rasa

   1. 验证安装：

   rasa --版本

您应该看到显示的 Rasa 版本和 Python 版本。

第 3 步：创建您的第一个 Rasa 项目

现在，让我们创建您的 Rasa 项目：

1. 运行以下命令：

   rasa初始化

   1. 按照提示操作：

• Rasa 将建立一个新的项目目录，其结构如下：

  我的_项目/
  ├── 行动/
  ├── 数据/
  ├── 模特/
  ├── 测试/
  ├── config.yml
  ├──凭证.yml
  ├── 域名.yml
  └──端点.yml

• 系统将提示我们训练模型并测试您的助手。快来尝试一下吧！

第 4 步：了解 Rasa 中的关键文件

以下是项目中关键文件的细分：

• domain.yml：定义机器人的个性、意图、响应和实体。

• data/nlu.yml：包含意图识别的训练示例。

• data/stories.yml：定义对话流来训练对话模型。

• config.yml：指定用于意图分类和实体识别的机器学习管道。

• endpoints.yml：配置在哪里查找外部服务（例如操作服务器）。

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

第 5 步：训练你的 Rasa 模型

1. 如果尚未接受过训练，请使用以下命令来训练您的助手：

   拉萨火车

   1. 这将在 models/ 目录中生成一个模型文件，准备好为您的聊天机器人提供动力！

第 6 步：测试您的助手

1. 在本地测试您的助手：

   拉沙贝壳

   1. 输入一些消息，看看助理如何回应。例如：

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

第7步：添加自定义操作

希望您的机器人执行从 API 获取数据等操作？添加自定义操作！

1. 打开 actions/ 目录并创建一个 Python 文件（例如 actions.py）。

2. 写下您的自定义操作：

   从 rasa_sdk 导入操作
   从 rasa_sdk.executor 导入 CollectingDispatcher

   类 ActionHelloWorld(Action):
   def 名称（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：

   行动：

   • action_hello_world
     1. 启动动作服务器：

   rasa 运行操作

参考 ？

• Rasa 官方文档

• Python 下载

• Virtualenv 文档

快乐编码

以上是设置您的第一个 Rasa 项目的详细内容。更多信息请关注PHP中文网其他相关文章！