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Debugging过程中关于NLU组件加载运行，各个policies如何进行预测，ResponseSelector如何选择response等内容进行详细分析。
一、Rasa对话机器人项目实战之教育领域Education Bot项目Debugging进阶实战
Education Bot对RulePolicy、AugmentedMemoizationPolicy、TEDPolicy使用Debugging实验分析
输入信息：
对话机器人反馈如下：
可以看到选项1对应的intent为get_started_playground，为了对这个intent进行处理，可以检查训练数据，首先检查rules文件，发现没有这个intent相关内容，然后检查stories，发现在get_started_playground.yml文件中存在以下数据：
从数据中可以看到，intent “get_started_playground”会触发action “utter_playground_intro”，检查domain文件，找到这个action的定义：
执行完action “utter_playground_intro”之后会执行action “utter_ask_playground_help”：
根据stories，如果确认执行上面的action，那么会激活form “playground_form”，如果是”No”，则执行另一个action “utter_interested_in_installation”。
输入No，则按照pipeline的配置进行处理：
Gavin老师Transformer直播课感悟 - Rasa对话机器人项目实战之教育领域Education Bot项目Debugging进阶实战（六十二)
