Rasa概述
Rasa是什么
Rasa是一个开源的机器学习框架，用于构建自动化的文本和语音对话系统，如聊天机器人和虚拟助手。Rasa由两部分组成：Rasa NLU（Natural Language Understanding，自然语言理解）和Rasa Core（现在更名为Rasa Actions，对话管理）。Rasa的目标是使开发者能够轻松地构建具有上下文感知能力的对话式AI助手.
Rasa介绍：了解Rasa是什么，它的用途，以及它如何与其他对话系统相比较。 Rasa架构：理解Rasa的整体架构，包括Rasa NLU和Rasa Core（现在称为Rasa Actions）的主要职责。 Rasa组件：熟悉Rasa的各个组件，包括管道（pipeline）、模型、训练数据、配置文件等。
安装与环境设置
安装Rasa：学习如何在本地环境中安装Rasa，包括依赖项和工具链。 开发环境：设置开发环境，包括IDE、版本控制系统等。
Rasa NLU
NLU基础：理解自然语言理解的概念，包括意图识别和实体抽取。 Pipeline概念：学习Rasa NLU的Pipeline架构，包括组件、训练数据和模型。 组件详解：深入了解Rasa NLU的各个组件，如Tokenizer、IntentClassifier、EntityExtractor等。 DIET模型：研究Rasa NLU中的DIET（Dual Intent and Entity Transformer）模型，以及如何使用Transformer架构。 训练与预测：掌握如何训练NLU模型和如何使用模型进行预测。 评估与优化：学习如何评估模型性能并进行优化。
Rasa Core（Rasa Actions）
对话管理：理解对话管理的概念，包括状态追踪和对话策略。 Story文件：学习如何编写Story文件来描述对话流程。 对话策略：了解Rasa Core中的不同对话策略，如RulePolicy、TEDPolicy等。 自定义动作：探索如何编写自定义动作来扩展Rasa的功能。 事件和状态：理解对话中的事件和状态，以及它们如何影响对话流程。
集成与部署
消息平台集成：学习如何将Rasa与不同的消息平台（如Facebook Messenger、Slack等）集成。 服务部署：掌握Rasa服务的部署，包括Rasa X（用于测试和监控）。 持续集成与部署：了解如何将Rasa集成到CI/CD流程中。
高级主题
多语言支持：学习如何使Rasa支持多种语言。 模型优化：探讨如何优化模型以提高性能和效率。 可扩展性与性能：了解如何设计可扩展的对话系统和处理高负载。 安全与隐私：讨论在对话系统中实现安全性和保护用户隐私的最佳实践。
实战项目
项目规划：选择一个实际项目，如构建一个客服聊天机器人。 数据准备：收集和准备训练数据。 模型训练与测试：训练模型并进行测试，迭代优化。 部署与维护：部署对话系统并进行日常维护。
社区与资源
官方文档：阅读和理解Rasa的官方文档。 社区论坛：加入Rasa社区，参与讨论和获取帮助。 教程与案例研究：查找在线教程和案例研究，学习他人如何使用Rasa。 通过以上提纲，你可以系统地学习Rasa，并逐步建立起构建和维护对话机器人的技能
项目地址
https://github.com/RasaHQ/rasa
参考链接
https://blog.csdn.net/goautodial/article/details/108559328 https://github.com/crownpku/rasa_nlu_chi