Rasa对话机器人连载四 第121课：Rasa对话机器人Debugging项目实战之电商零售对话机器人运行流程调试全程演示-4

在本节Rasa对话机器人教程中，我们深入探讨了如何调试电商零售对话机器人的运行流程。主要内容集中在NLU（自然语言理解）、rules.yml、stories.yml和domain.yml等关键文件的配置，以及如何处理调试过程中遇到的问题。 我们关注到nlu.yml文件中的意图`product_stock`，它包含了如“do you have size 8 shoes in stock？”这样的训练样本。NLU模块负责解析用户输入并识别其意图，同时提取相关实体，例如在这个例子中，size和number实体。 接下来，rules.yml文件的角色至关重要，因为它定义了特定情况下的硬编码行为。在这个场景中，一旦检测到`product_stock`意图，Rasa机器人会执行`action_deactivate_loop`，这将取消活动循环，随后执行`utter_product_stock_start`，即向用户回应“I can help you find some shoes!”。然而，理想情况下，我们希望直接进入`product_stock_form`表单，因此我们考虑去掉`action_deactivate_loop`以优化流程。 domain.yml文件则定义了机器人的响应和行为，`utter_product_stock_start`对应的就是上述的回应。在此，`I can help you find some shoes!`作为启动`product_stock_form`的前奏，进入产品库存查询的表单流程。 在调试过程中，我们可能会遇到冲突或错误，如日志中提到的“contradicting rules or stories found”。这通常意味着stories.yml文件中的故事存在矛盾。在这种情况下，我们需要查找并删除引起问题的交互历史，例如interactive_story_1，因为它记录了错误的交互路径。 删除了冲突的故事后，我们重新训练模型（使用`rasa train`命令），然后启动`rasa interactive`来测试新模型。当我们输入“do you have size 8 shoes in stock？”时，期望看到意图被正确识别（product_stock），实体（number=8）被提取，并且词槽`size`被填充。但实际运行中，size词槽并未填充，这可能是NLU模型或规则配置中的问题，需要进一步检查和调整。 调试Rasa对话机器人涉及理解其工作原理，包括NLU模型的训练、规则的定义以及故事的流程。通过交互式模式（interactive mode）和日志分析，我们可以逐步定位问题并优化模型，确保机器人能按预期执行任务。在这个过程中，对Rasa源码的理解、调试技巧和持续迭代是提高对话机器人性能的关键。