Rasa后端聊天机器人的超出范围及意外查询处理问题

1. 添加out_of_scope意图及训练数据 #

在NLU训练文件（如nlu.yml）中新增专门的out_of_scope意图，覆盖各类超出业务范围的场景，包含纯数字、随机字符串、无关问题等示例：

nlu:
- intent: out_of_scope
  examples: |
    - 123456
    - asdfghjkl
    - 今天天气怎么样
    - 你会做饭吗
    - #$%^&*()

2. 设置NLU置信度阈值 #

在config.yml的pipeline配置中，为意图分类器设置置信度阈值，确保只有置信度达标的请求才匹配业务意图，否则触发低置信度处理逻辑（以DIETClassifier为例）：

pipeline:
  - name: DIETClassifier
    confidence_threshold: 0.7  # 可根据实际效果在0.6-0.8区间调整
    # 其他pipeline配置项...

同时在domain.yml中设置全局意图置信度阈值：

intents:
  - your_business_intent_1
  - your_business_intent_2
  - out_of_scope
  # 其他业务意图...
confidence_threshold: 0.7

3. 用Rules定义超出范围查询的处理逻辑 #

在rules.yml中添加规则，匹配out_of_scope意图或低置信度情况，返回指定提示：

rules:
- rule: 处理超出范围的查询
  steps:
  - intent: out_of_scope
  - action: utter_out_of_scope
- rule: 处理低置信度查询
  steps:
  - intent: nlu_fallback
  - action: utter_out_of_scope

在domain.yml中定义对应的回复模板：

responses:
  utter_out_of_scope:
  - text: "I am not trained for such queries"

4. 配置默认回退动作防止无限循环 #

若机器人出现无限处理循环，可通过配置默认回退动作限制触发次数。在domain.yml中声明动作：

actions:
  - action_default_fallback

也可自定义简单的回退动作替代默认逻辑，避免重复进入处理流程。

5. 重新训练模型 #

完成所有配置后，重新训练NLU和Core模型：

rasa train

测试时，输入超出范围的查询或随机内容，机器人会自动返回指定提示，不再随机匹配业务意图或陷入循环。

内容的提问来源于stack exchange，提问作者Geethapriya G H