本文继续围绕工业级业务对话平台和框架Rasa，对Rasa对话机器人项目实战之教育领域Education Bot项目的架构进行分析，并通过debug模式演示与分析Rasa Agent如何与核心组件NLU Pipeline和Dialogue Policies进行交互以完成对用户输入的语言理解与预测，以及微服务调用等。
一、图解Rasa对话机器人项目实战之教育领域Education Bot项目及综合调试Debugging实战解密
通过Rasa Architecture图解对话机器人项目实战之教育领域Education Bot项目
运行命令rasa shell启动Rasa Server（Agent），会加载训练好的模型，包括NLU Pipeline和Dialogue Polices两部分使用的模型：
运行命令rasa run actions，会启动rasa action server并注册微服务actions：
Agent相当于 对话机器人的控制中心，而业务处理如访问数据库或者调用第三方API等是通过Action Server来处理的。从架构图中可以看到，核心路径是用户与Agent交互及Action Server与Agent进行交互。项目中的nlu部分与NLU Pipelines相关：
而rules和stories部分与Dialogue Polices相关：
Actions部分就是定义和配置了运行在Action Sever之上的微服务：
Config.yml定义了在NLU Pipeline中使用的各个graph components，包括意图分类和实体提取组件：
Config.yml也定义了在架构图中Dialogue Policies部分使用的各个policies组件：
2. 通过Graph Architecture图解对话机器人项目实战之教育领域Education Bot项目
本文开头展示的Rasa graph architecture图显示了各个graph 组件之间的依赖关系，从而构成有向无环图（缩写为DAG）。Rasa框架通过把各个组件抽象为graph component的方式来模糊NLU Pipeline中的组件和Dialogue Policies中的组件之间的差别，所以以一个DAG图的方式统一了所有组件。从图中可以看到，各个组件之间并不完全是顺序执行的方式，组件与组件之间可以并行运行，从而带来了高效率。另外，从DAG图中可以看到，Rasa也提供了end-to-end learning的方式，即Dialogue Policies部分可以直接依赖于Featurizers组件的输出来进行处理，而不需要依赖DIETClassifier的输出结果。Policy Ensemble组件会根据各个policies组件的预测结果给出最佳的关于next action的预测结果。
3. 通过Training Flow图解对话机器人项目实战之教育领域Education Bot项目
在下面这个流程图中，首先把domain配置信息和训练数据（nlu，rules，stories等）加载进来，训练各个组件并进行持久化操作。Policies会根据stories的数据提取features并更新自己模型的参数。
4. Rasa Server NLU启动过程Debugging及图解
在Rasa server启动过程中，可以看到有报错信息，这是因为没有启动ducking server，而在NLU pipeline配置里使用了DuckllingEntityExtractor：
进入debug模式：
会加载很多库，包括Rasa SDK相关的库，redis相关的，tensor flow相关的等等：
启动基于Sanic框架构建的Rasa server：
这里使用了开发模式常用的InMemoryTrackerStore：
加载各个NLU pipeline的组件：
5. Rasa Server Policies启动过程Debugging及图解
在Rasa server启动过程中也会加载Dialogue Policies中的各个组件，如RulePolicy，AugmentedMoizationPolicy，TEDPolicy等：
启动Rasa server完成：
6. 通过Debugging的模式解析用户输入Message完整的NLU处理过程
输入信息：
首先从Lock Store中获取lock，启动一个新的session，并执行action_session_start：
这是当前tracker中slots的状态信息，都是None的状态：
然后依次调用NLU pipeline的各个组件对输入信息进行处理：
运行ResponseSelector，添加各个分类的key，如果用户输入识别的intent符合这些分类就会进行相应的处理：
这是对用户输入消息处理后输出的intent和entities信息：
对话机器人通过微服务检索信息后返回：
在微服务的run方法中通过调用API执行搜索：
这是discourse API定义的query方法：
提取并验证slots信息：
7. 通过Debugging的模式解析用户输入Message完整的Policies处理过程
运行RulePolicy和TEDPolicy预测next action：
通过Policy Ensemble组件对各个policy预测结果进行选择，最后选择了RulePolicy的预测结果，并调用微服务action执行搜索：
执行搜索完成后，会再次调用各个policy进行预测下一个action，可以看到最后预测的action是”action_listen”（系统默认行为），即进入等待用户输入下一条消息的状态：
欢迎订阅Rasa系列课程：
========================================================================
Rasa 3.x 源码高手之路：系统架构、内核算法、源码实现详解：
https://appz0c1mshy7438./v1/auth?redirect_url=https%3A%2F%2Fappz0c1mshy7438.%2Fv1%2Fgoods%2Fgoods_detail%2Fp_62353091e4b0beaee43652c9%3Fentry%3D2%26entry_type%3D2001%26share_type%3D5%26share_user_id%3Du_621b7b85b8dc5_3yDAYnFXeM%26type%3D3
Rasa 3.x 源码高手之路：基于Transformer的对话机器人RasaPolice：
https://appz0c1mshy7438./v1/auth?redirect_url=https%3A%2F%2Fappz0c1mshy7438.%2Fv1%2Fgoods%2Fgoods_detail%2Fp_62353421e4b04d7e2fd83665%3Fentry%3D2%26entry_type%3D2001%26share_type%3D5%26share_user_id%3Du_621b7b85b8dc5_3yDAYnFXeM%26type%3D3
星空NLP对话机器人论文班：NLP领域10篇最高质量的对话机器人经典论文解密：
https://appz0c1mshy7438./v1/goods/goods_detail/p_623874b7e4b04e8d90256da1?type=3&share_type=5&share_user_id=u_621b7b85b8dc5_3yDAYnFXeM&entry=2&entry_type=2001
Rasa 3.X 智能对话机器人案例开发硬核实战高手之路 （7大项目Expert版本）：
https://appz0c1mshy7438./v1/goods/goods_detail/p_62276dd8e4b0beaee431c848?type=3&share_type=5&share_user_id=u_621b7b85b8dc5_3yDAYnFXeM&entry=2&entry_type=2001
Advanced Python硬核实力高手实战之路：架构、算法、源码、案例（81讲）：
https://appz0c1mshy7438./v1/goods/goods_detail/p_6227e564e4b0beaee431ce2a?type=3&share_type=5&share_user_id=u_621b7b85b8dc5_3yDAYnFXeM&entry=2&entry_type=2001
NLP on Transformers 高手之路137课Pro版：
https://appz0c1mshy7438./v1/goods/goods_detail/p_621c0289e4b04d7e2fd0365a?type=3&share_type=5&share_user_id=u_621b7b85b8dc5_3yDAYnFXeM&entry=2&entry_type=2001
Gavin老师Transformer直播课感悟 - 图解Rasa对话机器人项目实战之教育领域Education Bot项目及综合调试Debugging实战解密（七十七)
