在RASA NLU/CORE中捕获置信度（confidence）值

当然有办法捕获置信度值啦！而且结合你提到的tracker、slots这类思路，不管你用的是主流对话AI框架还是自定义开发，都有可行的方案。我给你梳理几个实用的方向：

绝大多数对话AI框架在输出意图预测结果时，都会附带对应的置信度分数。拿常用的Rasa举例，不管是调用NLU预测接口，还是在自定义动作里，你都能从tracker的最新消息数据里拿到这个值：

# 在Rasa自定义动作中获取当前意图的置信度
latest_intent_info = tracker.latest_message['intent']
confidence_score = latest_intent_info.get('confidence', 0.0)

拿到分数后，直接用if/else判断就行——比如你设定0.7作为阈值，当置信度低于这个值时，就返回预设的“抱歉，这个问题我暂时无法处理”之类的标准回复。

如果你需要在整个对话流程中随时调用这个置信度值，可以把它存在自定义的slot里，就像追踪用户其他信息那样。还是以Rasa为例：
首先在domain.yml里定义一个专门的slot：

slots:
  intent_confidence:
    type: float
    influence_conversation: false  # 这个值不影响对话路径，只是用来做判断用

然后写一个自定义动作，把获取到的置信度存入这个slot：

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

class ActionStoreIntentConfidence(Action):
    def name(self) -> str:
        return "action_store_intent_confidence"

    def run(self, dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: dict) -> list:
        # 获取最新意图的置信度
        confidence = tracker.latest_message['intent']['confidence']
        # 存入slot
        return [SlotSet("intent_confidence", confidence)]

之后在任何需要判断的环节，都可以通过tracker.get_slot("intent_confidence")取出这个值，再执行对应的逻辑。

有些框架还支持直接在配置里设置置信度阈值，自动帮你处理超出范围的请求。比如Rasa可以在config.yml的NLU pipeline里设置：

pipeline:
  - name: WhitespaceTokenizer
  - name: CountVectorsFeaturizer
  - name: DIETClassifier
    epochs: 100
    intent_confidence_threshold: 0.7  # 低于这个值的意图会被标记为低置信

然后在domain.yml里定义一个out_of_scope意图，配置好对应的回复。当框架检测到意图置信度低于阈值时，会自动触发这个意图的回复，不用你手动写if/else逻辑，省心很多。

如果你是自己从零开发的模型，那只要在模型预测的时候，让模型额外输出置信度分数（比如分类模型的softmax输出值），然后在业务逻辑层拿到这个分数做判断就行，核心思路是一致的。

内容的提问来源于stack exchange，提问作者Walter U.