为什么选择开源方案？
在项目启动前，主要纠结两个问题：是买服务还是自己造轮子？
自研的挑战：如果完全从零开始，需要组建涵盖自然语言理解（NLU）、对话管理（DM）、自然语言生成（NLG）的团队。光是意图识别和实体抽取模型的训练、标注数据的准备，就是一项浩大的工程，更别提后续的维护和迭代了。开发周期长，初期投入成本非常高。
第三方服务的顾虑：使用成熟的客服 SaaS 平台固然快，但所有对话数据都经过对方服务器，存在数据主权和隐私泄露的风险。同时，这类服务的业务逻辑和对话流程定制通常有局限，很难深度融入自己的业务系统。
开源框架的优势：像 Rasa、Botpress 这类开源项目，提供了一个相对成熟的底座。它们封装了 NLU、DM 等核心组件，可以在其基础上进行二次开发，既能控制数据和代码，又能大大降低开发难度，在灵活性和成本之间取得了不错的平衡。
主流开源框架技术选型
市面上主流的开源对话机器人框架不少，重点对比了 Rasa 和 Botpress。
1. Rasa Rasa 是一个功能非常全面的开源机器学习框架，用于构建基于文本和语音的对话助手。
- NLU 准确率：其 NLU 组件（Rasa NLU）支持使用预训练模型（如 BERT）进行意图分类和实体抽取，准确率较高，尤其擅长处理复杂的、表达多变的用户输入。它采用 pipeline 方式，可以灵活组合不同的组件（分词器、特征提取器、分类器等）。
- 扩展性：核心对话管理由 Rasa Core 负责，采用基于机器学习的对话策略，可以通过故事（stories）进行训练，能处理更非线性的对话流。其架构是微服务化的，各个组件可以独立扩展，与外部系统集成也方便。
- 学习曲线：相对陡峭，需要理解其领域（domain）、故事、规则等概念，配置和训练过程对开发者有一定要求。
2. Botpress Botpress 定位为一个'开发人员优先'的对话机器人平台。
- NLU 准确率：早期版本 NLU 能力较弱，但新版本已经集成或可以对接主流的 NLU 服务（包括 Rasa NLU、LUIS、Dialogflow 等）。其自带的 NLU 更偏向于规则和关键词匹配，在处理句式固定的场景下表现不错。
- 扩展性：最大的特点是提供了一个可视化的流程编辑器，通过拖拽节点来设计对话流，对于业务逻辑清晰的场景（如信息查询、任务办理）开发效率极高。它内置了频道连接、用户管理、内容管理等功能，开箱即用性更强。
- 学习曲线：对于熟悉流程设计的开发者来说上手更快，但如果需要深度定制 NLU 模型，可能还是需要结合其他框架。
我的选择：由于需求对 NLU 的准确率要求较高，且希望有更强的机器学习能力来处理模糊表述，最终选择了 Rasa 作为基础框架。它的开源社区活跃，遇到问题容易找到解决方案。
核心功能实现：从意图识别到对话管理
选定框架后，就开始动手搭建。Rasa 项目的核心是 config.yml、domain.yml、nlu.yml、stories.yml 和 rules.yml 这几个配置文件，以及自定义的 Action Server。
1. 构建意图识别与实体抽取 Pipeline
首先需要在 config.yml 中定义 NLU pipeline。选择了一个结合预训练词向量和 Transformer 模型的配置，以平衡准确率和速度。
# config.yml 片段
language: zh
pipeline:
- name: JiebaTokenizer
- name: LanguageModelFeaturizer
