环境：ubuntu 16.04
主要是运行github项目https://github.com/zqhZY/_rasa_chatbot ，用来回答一些手机通信业务，项目里面有训练集。
如有问题，期待大家指正，非常感谢！
1.Rasa介绍
rasa是开源的工具，包括rasa core和rasa nlu。官网：https://rasa.com/
rasa nlu主要用于用户意图识别和实体识别，会将原始句子"I am looking for a Mexican restaurant in the center of town"转化为以下格式的数据：
{
"intent": "search_restaurant",
"entities": {
"cuisine" : "Mexican",
"location" : "center"
}
}rasa core主要是对话流程的配置和训练。
2. 运行上述github项目
首先按照项目中的readme.md中安装依赖包（“install depedency”）--train nlu model --test rasa nlu
在train-nlu时出错，报错说没有“models/ivr/demo/metadata.json”这个文件，于是将bot.py文件中的train_nlu()拿出来单独执行，并将train_nlu()修改如下：
#用于训练意图识别和实体识别的模型，并将模型保存到models/ivr/demo文件夹下
def train_nlu():
from rasa_nlu.training_data import load_data
from rasa_nlu import config
from rasa_nlu.model import Trainer
training_data = load_data("data/mobile_nlu_data.json")
trainer = Trainer(config.load("mobile_nlu_model_config.json"))
trainer.train(training_data)
model_directory = trainer.persist("models/", project_name="ivr", fixed_model_name="demo")
return model_directory
执行后查看是否生成了“models/ivr/demo/metadata.json”文件。
执行python bot.py train-dialogue，出错“Agent.train()不能支持featurizer和max_history参数”，不知道具体如何解决这个错误，将train-dialogue()函数修改如下：
from rasa_core.policies.keras_policy import KerasPolicy
from rasa_core.policies.memoization import MemoizationPolicy
from rasa_core.featurizers import MaxHistoryTrackerFeaturizer,BinarySingleStateFeaturizer
def train_dialogue(domain_file="mobile_domain.yml",
model_path="models/dialogue",
training_data_file="data/stories1.md"):
agent=Agent(domain_file,
policies=[MemoizationPolicy(max_history=6),
KerasPolicy(MaxHistoryTrackerFeaturizer(BinarySingleStateFeaturizer(),max_history=6))])
training_data=agent.load_data(training_data_file)
#训练agent的策略policy
agent.train(training_data,epochs=100)
agent.persist(model_path)
return agent对话模型保存在"models/dialogue"文件夹下。
执行python bot.py online_train，用于在线训练，可以输入句子，并调整返回的intent和action，并将结果保存到stories.md。
执行python bot.py run，测试与机器人对话。
3. 使用Http API 【参考链接：http://www.rasa.com/docs/core/server/】
执行 python -m rasa_core.run --enable_api -d models/dialogue -u models/ivr/demo -o out.log
说明：
--enable_api, 是否可以使用额外的API-d, Rasa Core model的路径-u, Rasa NLU model的路径-o, 日志文件的路径
执行curl -XPOST localhost:5050/conversations/default/parse -d '{"query":"你好"}'
可以看到意图识别和实体识别的结果，其中default是用户编号，也可以改成
curl -XPOST localhost:5050/conversations/1/parse -d '{"query":"你好"}'
执行curl -XPOST localhost:5005/conversations/default/respond -d '{"query":"你好"}'
可以查看对“你好”的回复。
之后会尝试利用http API来构建前端网页，待更新。
4.不足
目前体验到的不足是：
故事需要考虑多种可能性且需要人工定义，在多个故事间不能随意切换，则人工不可能定义出全部可能的流程。
意图识别和实体识别不知道如何用自己训练好的模型取代，而当使用rasa nlu时不知道如何提高准确率。
使用http API给定某个用户的输入后，不知道该如何清空该用户的输入，从而重新开始按故事定义的流程走。