提及智能客服，许多人都有不少抱怨，主要问题在于它有时给出的回复不够可靠。不过，今天我要向大家介绍一个相当出色的例子，那就是基于Rasa平台开发的智能客服系统。这个系统的满意度已经大幅提升，达到了惊人的98%。

Rasa是个啥东西

Rasa是一款开源的对话机器人框架，采用Python语言开发。建议使用Python 3.8版本，因为我之前尝试使用3.9版本时，安装依赖包遇到了不少困难，花费了大量时间仍未成功，这让我非常沮丧。Rasa的一大优势是数据可以存储在自己的服务器上，这样隐私泄露的担忧就减少了。目前，许多机器人都是通过调用阿里云、百度云等服务的API来工作的，数据需要传输到外部。

用Rasa构建的客服机器人，我们无需担忧隐私问题。我们能够自主管理数据，让人感到非常安心。

项目结构搭建流程

# 创建虚拟环境
python -m venv rasa-env

# 激活虚拟环境
source rasa-env/bin/activate  # Linux/Mac
rasa-env\Scripts\activate     # Windows

# 安装Rasa
pip install rasa

只需一个指令，就能迅速搭建起项目的基本框架。这其中包含了众多关键要素。

准备训练数据至关重要。举例来说，例子越多越理想。起初我只编写了几个，但机器人显得有些愚笨，回答问题时常常偏离主题。后来我扩充至50个以上，明显察觉到机器人的回答准确度显著提升。

rasa init

设计对话流程并不容易。其中最棘手的是故事流程的设计。需要考虑各种可能的分支情况，比如用户提出退款请求，这时就需要先询问订单编号。如果用户表示不知道订单号，我们也要有相应的应对流程。

网页接入的配置

接入机器人到网页是个相对容易的过程。我尝试过将其连接到微信公众号，可那设置过程颇为繁琐。因此，我建议先确保网页版本运行顺畅，然后再考虑其他平台。在网页接入方面，有许多细节需要留心。

version： “3.1”
nlu：
- intent： greet
  examples： |
    - 你好
    - 在吗
    - hi
    - hello
    
- intent： ask_refund
  examples： |
    - 怎么退款
    - 我要退货
    - 产品不满意想退

每一步都得严格按照规定执行，否则很容易出现失误。我在接入这个网页时遇到了不少麻烦，但最终还是成功解决了。

自定义动作的设置

stories：
- story： refund path
  steps：
  - intent： ask_refund
  - action： utter_ask_order_number
  - intent： provide_order_number
  - action： action_process_refund

自定义动作环节同样很重要。需根据具体需求来设定动作。只有这样，机器人才能按我们的意愿完成任务。例如，针对客户提出的特别要求，我们可以设计特定的动作来满足他们的需求。

若未正确配置自定义操作，机器人遭遇特定情形时将陷入迷茫。因此，这一环节务必谨慎对待。

开发中的得力助手

from typing import Any， Text， Dict， List
from rasa_sdk import Action， Tracker
from rasa_sdk.executor import CollectingDispatcher

class ActionProcessRefund(Action)：
    def name(self) -> Text：
        return “action_process_refund”

    def run(self， dispatcher： CollectingDispatcher，
            tracker： Tracker，
            domain： Dict[Text， Any]) -> List[Dict[Text， Any]]：
        order_number = tracker.get_slot(“order_number”)
        # 调用退款API
        dispatcher.utter_message(f“订单{order_number}已提交退款申请”)
        return []

开发过程中遇到难题别着急。查阅Rasa的官方文档，通常能找到解决方法。真找不到，就在GitHub上创建一个issue。通常两三天内就能得到回复，挺方便的。

我常利用这些资源，成功解决了开发中遇到的问题，也因此节省了大量时间。

from rasa.core.channels.webchat import WebChatInput

input_channel = WebChatInput(
    static_assets_path=“static”，
    base_url=“http：//localhost：5005”，
    socket_path=“/socket.io/”
)

系统上线后的好处

系统一上线，客服的小姐姐们感觉工作轻松多了。简单的问题，机器人就能搞定，这样她们就能把精力集中在解决那些更复杂的问题上。这样一来，工作效率明显提升了。

客户们都说，这24小时内秒速响应真是太周到了。这让他们觉得整个服务过程都变得更好了。那种感觉真的挺棒的。

好的，我已经将使用Rasa构建智能客服系统的经历分享给大家了。大家是否产生了尝试的欲望？若您有相关经验，欢迎在评论区交流。同时，别忘了点赞并转发这篇文章。