Rasa Core与Botkit对话流程差异及Rasa银行机器人状态跟踪问询

嘿，我来结合实际开发经验帮你梳理这两个问题～

一、Rasa Core vs Botkit：对话流程的核心区别 #

这俩框架的对话逻辑差异其实挺大的，主要体现在这几个方面：

• 对话驱动逻辑：
  Rasa Core是机器学习驱动的概率式管理——它会盯着用户的历史对话和当前输入，靠模型预测最合理的下一步动作，不用硬编码所有可能的对话分支。比如用户聊到一半突然跳话题，它也能自适应调整，特别适合复杂、开放的对话场景。
  Botkit则是规则/脚本主导，你得提前用代码把对话的分支、触发条件都写死，比如一堆if-else或者对话树。这种方式上手快，适合流程固定的机器人（比如简单FAQ、固定流程引导），但遇到复杂多轮对话时，规则会越堆越多，维护起来头大。
• 状态管理方式：
  Rasa Core自带对话状态跟踪器（Tracker），会自动记录用户的意图、实体、对话历史和会话状态。你只需要在domain.yml里定义slots（相当于对话变量），比如用户选的银行、贷款类型，状态更新完全由模型来搞定，不用手动写逻辑。
  Botkit的状态得你自己手动管——通常是把状态存在会话对象或者数据库里，然后写代码判断当前处于哪个对话节点，再决定下一步该干嘛。灵活性是高，但要写的代码也多，很容易遗漏场景。
• 学习曲线与扩展性：
  Rasa Core的学习曲线有点陡，得搞懂NLU、对话管理、Domain配置这些模块，但胜在能迭代优化——你可以不断标注对话数据训练模型，让机器人越用越聪明，适合需要长期迭代的复杂系统。
  Botkit上手贼快，有很多开箱即用的工具和平台适配器（比如对接Slack、微信），适合快速搭个简单机器人，但面对复杂多轮对话时，维护成本会直线上升，因为要不断加新的规则分支。

二、Rasa银行机器人：跟踪“Axis Bank”对应的前置问题及后续处理 #

你遇到的这个场景，核心就是用Rasa的对话状态跟踪来关联用户的回复和前置问题，具体可以这么做：

1. 先定义对话状态的“标记位”（Slots） #

在你的domain.yml里添加两个关键slot，用来记录对话状态和用户选择的银行：

slots:
  # 标记当前是否处于贷款申请流程中
  loan_request_initiated:
    type: bool
    initial_value: False
  # 存储用户选择的银行
  selected_bank:
    type: text
    influence_conversation: True

influence_conversation: True表示这个slot会影响对话路径的判断，Rasa会根据它的值来匹配对应的故事分支。

2. 用Story定义对话流程 #

你需要在stories.yml里写清楚对话的流转逻辑：

• 当用户说“我想申请贷款”时，触发apply_loan意图，机器人回复询问银行，同时把loan_request_initiated设为True，标记当前处于贷款申请流程：

stories:
- story: 用户发起贷款申请
  steps:
  - intent: apply_loan
  - action: utter_ask_which_bank  # 比如这个动作的回复是“请问你想选择哪家银行申请贷款？”
  - slot:
      loan_request_initiated: True

• 当用户回复“Axis Bank”时，Rasa先识别意图（比如inform_bank）和bank实体，然后通过slot_was_set判断当前处于贷款申请状态，触发后续动作：

- story: 用户回复选择的银行
  steps:
  - slot_was_set:
      loan_request_initiated: True
  - intent: inform_bank
  - entities:
      - bank: Axis Bank
  - action: utter_confirm_loan_details  # 比如回复“好的，你将向Axis Bank申请贷款，接下来需要你提供个人身份证号和收入证明哦”
  - slot:
      selected_bank: Axis Bank

3. 确保Rasa能准确识别用户输入 #

• 给NLU的训练数据加足够的样本：比如inform_bank意图里要包含“Axis Bank”“我选Axis Bank”“就Axis Bank吧”这类例子，同时把“Axis Bank”标注为bank实体，让Rasa能准确抽取。
• 处理歧义场景：如果用户可能在其他场景提到银行（比如“Axis Bank的储蓄卡怎么挂失”），Rasa会通过loan_request_initiated这个slot来区分——只有当这个slot为True时，才会把银行名称关联到贷款流程，否则会匹配到对应的储蓄卡挂失意图。

4. 复杂场景可以用自定义动作 #

如果需要验证银行是否支持贷款，你可以写一个自定义动作action_validate_bank，在用户输入银行后调用这个动作：

from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher

class ActionValidateBank(Action):
    def name(self) -> str:
        return "action_validate_bank"

    def run(self, dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: dict) -> list:
        selected_bank = tracker.get_slot("selected_bank")
        # 假设你有一个支持贷款的银行列表
        supported_banks = ["Axis Bank", "HDFC Bank", "ICICI Bank"]
        if selected_bank in supported_banks:
            dispatcher.utter_message(text=f"好的，{selected_bank}支持贷款申请，接下来请提供你的身份证号")
        else:
            dispatcher.utter_message(text=f"抱歉，{selected_bank}暂不支持我们的贷款服务，请选择其他银行")
        return []

然后在stories.yml里把原来的utter_confirm_loan_details换成这个自定义动作就行。

小技巧：测试对话流程 #

用rasa train训练完模型后，用rasa shell测试对话，确保当loan_request_initiated为True时，用户输入“Axis Bank”能正确触发后续动作，避免误匹配其他意图。

内容的提问来源于stack exchange，提问作者Arti Berde