Rasa config.yml中SpacyNLP模型路径环境变量未解析问题

AI 小北

2026-8-26

根因说明

Rasa 并未对所有配置文件默认开启${ENV_VAR}格式的环境变量插值替换。你在endpoints.yml中使用环境变量能正常生效，是因为Rasa在加载服务连接类配置（端点、凭证等）时专门内置了环境变量解析逻辑，但加载config.yml的NLU/对话流水线配置时，默认不会处理这类占位符，你写的${LANG_MODEL}会被当做普通字符串直接传给SpacyNLP组件，自然会触发模型找不到的报错。

可行解决方案

你可以根据自己的流水线场景选下面任意一种方案：

方案1：用envsubst预渲染配置（最通用，适配所有Rasa版本）
这是批量训练多机器人场景下最稳定的方案，不依赖Rasa本身的配置解析逻辑：
1. 将你当前写了环境变量占位符的config.yml重命名为config.template.yml，作为配置模板保留
2. 执行Rasa命令前，先通过系统自带的envsubst工具（Linux/macOS默认预装，属于gettext工具集）把环境变量替换到模板里，生成实际生效的配置：
```
# 先设置需要的环境变量
export LANG_MODEL="en_core_web_lg"
# 渲染生成可用配置
envsubst < config.template.yml > config.runtime.yml
```
1. 训练时指定渲染后的配置文件即可：
```
rasa train -c config.runtime.yml
```
如果不想留下多余的生成文件，可以直接用进程替换把渲染后的内容传给Rasa，不需要落地临时文件：
```
rasa train -c <(envsubst < config.template.yml)
```
你可以把这部分逻辑封装到训练脚本里，切换不同机器人时只需要提前导出对应环境变量即可，不需要反复修改配置文件。
方案2：通过命令行参数覆写流水线配置
不需要修改配置文件里的占位符，执行训练命令时直接传入需要覆写的配置项：
```
export LANG_MODEL="en_core_web_lg"
rasa train \
  --config-value language="../../language_models/${LANG_MODEL}" \
  --pipeline-config "SpacyNLP.model=../../language_models/${LANG_MODEL}"
```
这种方式适合临时调整参数的场景，多机器人批量训练时不如模板渲染的方式好维护。
方案3：使用支持config环境变量解析的Rasa版本
较新的Rasa版本已经补充了config.yml的环境变量解析逻辑，如果你的Rasa版本比较旧，可以升级后直接使用你原来的写法，不需要额外调整。注意升级前做好版本兼容测试，避免原有自定义组件、规则逻辑不兼容新版本。

小提示：如果你的SpaCy模型是直接安装在当前运行Rasa的Python虚拟环境中的，不需要写../../language_models/前缀，直接把LANG_MODEL设为模型名（比如en_core_web_lg），配置里直接写model: "${LANG_MODEL}"即可，SpaCy会自动从当前环境加载对应模型，减少相对路径出错的概率。

内容的提问来源于stack exchange，提问作者Steinn Hauser Magnússon