---

背景痛点：传统客服为什么总“答非所问”

去年双十一，公司老客服系统直接“翻车”：用户问“我昨天下的单怎么还没发货”，机器人却回复“请提供订单号”。看似礼貌，实则完全没抓住“催发货”这个意图，更谈不上把“昨天”这个时间实体抽出来。
复盘发现三大硬伤：

1. 关键词匹配式意图识别，换个说法就失效
2. 没有上下文记忆，每轮对话都是“陌生人”
3. 业务系统耦合在代码里，改一句回复就要上线

痛定思痛，我们决定用开源方案重新造轮子，最终选型落在了 Rasa——理由下面慢慢聊。

技术选型：Rasa 凭啥脱颖而出

先把当时做的打分表搬出来（满分 5 分）：

维度	Dialogflow	LUIS+BotFram	Rasa
数据隐私	2	2	5
中文效果	3	3	4
可定制	2	3	5
费用	2	2	5
社区活跃度	4	3	4

结论简单粗暴：

1. 数据不出内网，GDPR、等保合规一票否决
2. 需要深度对接内部 CRM、订单、物流接口，黑盒 SaaS 改不动
3. 老板批的预算只够买两台 8C16G 云主机

于是 Rasa 成了唯一选项——Python 原生、MIT 协议、可离线训练、组件都能拆，自己改得起。

核心实现一：NLU 模型训练与数据标注

Rasa 把对话拆成 NLU（听懂话）和 Core（会接话）两大块。先搞定“听懂”。

1. 准备语料
   用 Excel 拉了个模板，三列：text、intent、entities。发给客服小姐姐，按真实聊天记录标注。两周撸出 1.2 万条，覆盖 37 个意图、18 类实体。
   标注规范重点：

   • 意图动词+名词，如 order_cancel、shipping_inquiry，别出现 want_to_know_shipping 这种啰嗦写法
   • 实体用 BILOU，同一实体不同表述都标，比如“昨天”“昨晚”全标 date:yesterday

2. 训练配置
   中文先用 LanguageModelFeaturizer 加载哈工大 LTP，再接 DIETClassifier 联合训练意图+实体。config.yml 关键片段：

language: zh

pipeline:
  - name: JiebaTokenizer
  - name: LanguageModelFeaturizer
    model_name: bert
    model_weights: bert-base-chinese
  - name: DIETClassifier
    epochs: 100
    transformer_size: 256
    batch_size: 64

3. 交叉验证
   rasa test nlu 一把梭，precision 0.89，recall 0.86，F1 0.87，基本可上线。对误分类样本再喂回去，三轮迭代后 F1 提到 0.91。

核心实现二：用 Rasa Core 设计多轮对话

有了意图，还得让机器人“记得住、聊得动”。Core 负责策略，官方推荐 3.x 新 Rule+Story 双轨制：

1. Rule 兜底高频单轮
   例如“你好”“谢谢”直接回固定模板，不走复杂模型，省算力。

2. Story 覆盖多轮
   把客服金牌话术抽象成流程图，再转成 Story 文件。举个例子——用户要改地址：

## shipping_change_address
* shipping_change_address
  - address_form
  - form{"name": "address_form"}
  - form{"name": null}
  - action_query_shipping
  - utter_change_success

3. Domain 声明 slot
   地址改完写进 slot: delivery_address，后续物流查询节点直接复用，不用再问。

核心实现三：自定义 Action Server 实战

光会聊天不够，还得查订单、调接口、写数据库。Action Server 就是干这个的。

1. 项目结构

actions/
├── actions.py
├── utils/
│   └── crm.py
└── requirements_actions.txt

2. 代码示例：查询订单并返回物流状态

import os
import logging
from typing import Any, Dict, List, Text
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher
from actions.utils.crm import get_order_shipping

logger = logging.getLogger(__name__)
# 日志落盘，方便排查
handler = logging.FileHandler("/var/log/rasa/actions.log")
logger.addHandler(handler)

class ActionQueryShipping(Action):
    def name(self) -> Text:
        return "action_query_shipping"

    def run(self,
            dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:

        order_id = tracker.get_slot("order_id")
        if not order_id:
            dispatcher.utter_message(text="亲，需要提供订单号哦～")
            return []

        try:
            data = get_order_shipping(order_id)
            status = data.get("status", "unknown")
            dispatcher.utter_message(
                text=f"订单 {order_id} 当前状态：{status}"
            )
            return [SlotSet("shipping_status", status)]
        except Exception as e:
            logger.exception("CRM exception")
            dispatcher.utter_message(text="物流查询开小差了，稍后再试")
            return []

3. 错误处理要点
   • 任何第三方超时不抛异常，用 asyncio.wait_for 包一层
   • 返回统一错误话术，避免把栈追踪甩给用户
   • 关键节点打日志，order_id 必须可追踪

生产考量：性能、安全两手抓

性能测试与优化

1. 压测工具：Locust 模拟 300 并发，平均响应 650 ms，95 线 1.2 s，老板嫌慢。
2. 异步改造：
   • Action Server 用 asyncio 改写 IO 等待，响应降到 280 ms
   • Redis 缓存热点订单，命中率 62%，再减 90 ms
3. 模型瘦身：
   • 把 DIET transformer_size 从 256 压到 128，F1 掉 0.8%，但推理速度翻倍
   • 开启 rasa shell --production 的 SANIC_WORKERS=4，8C 机器 CPU 吃到 70%，刚好

安全性设计

• 输入校验：正则+长度截断，防 SQL 注入和超长攻击
• 敏感过滤：手机号、身份证用 presidio 打码，日志落盘前脱敏
• HTTPS & JWT：Action 与业务系统走内网 HTTPS，Header 带 JWT，过期 30 s
• 限流：Nginx limit_req_zone 每 IP 10 r/s，超频直接 503

避坑指南：那些踩过的坑

1. 模型版本管理
   最初 git push 把模型文件也传上去，仓库膨胀到 2 G。后来改用 DVC 指向 OSS，只存 model.tar.gz 的指纹，回滚只需 dvc checkout。
2. 对话回退
   用户突然说“不对，我要取消”，记得在 Story 里加 * deny 或 * stop，否则机器人继续追问，体验极差。
3. 槽位冲突
   日期实体既想存“今天”又想存“2024-06-01”，结果互相覆盖。解决：用 slot_mapping 分 date_str 和 date_obj 两个槽，逻辑层再统一格式化。
4. 中文数字归一化
   “三十七” 得先转成 “37”，再喂给后端。写个 number_normalize 放 custom_component，否则 CRM 查不到订单。

写在最后

整套流程跑下来，客服机器人上线首周就接住 62% 的咨询量，人工坐席从 24×7 轮班改成白天高峰兜底，省下的预算够我们再开两条产品线。

不过新烦恼也来了：广东用户一句“俾我睇下單嘢”直接让 NLU 原地懵圈——方言识别还没解。你的业务场景里遇到过类似问题吗？都怎么破？欢迎留言一起拆坑。

---