Bauen Sie einen Konversations -KI -Agenten mit Rasa auf

Kundenbedingte Konversation AI -Assistenten Betätigen Sie nicht im Vakuum. Sie sind in intestine definierte Geschäftsprozesse eingebettet. Aus diesem Grund wird erwartet, dass diese Systeme die Benutzer zuverlässig und konsequent durch jeden Schritt eines vorgegebenen Workflows führen.

Vorhandene agentische Frameworks, die ein Konzept des Instruments aufrufen oder nutzen Funktionsaufruf Die Interaktion mit Systemen (z. B. APIs oder Datenbanken), die dieses Ziel häufig nicht bestehen. Sie fehlen die Robustheit, Kontrolle und integrierte Unterstützung für komplexe Prozesse, die von Anwendungen für Unternehmensqualität erforderlich sind.

In diesem Artikel werden wir untersuchen, warum dies der Fall ist, und einen alternativen Ansatz einführen: Prozessanruf. Dies ermöglicht die Erstellung zuverlässiger, prozessbewusstes und leicht debuggierbares Gesprächsmittel. Wir werden auch Code -Beispiele weitergeben und Sie durchführen, um mit der Rasa -Plattform loszulegen.

Im aktuellen Paradigma sind AI -Agenten mit Werkzeugen ausgestattet, mit denen sie bestimmte Aufgaben lösen können. Diese Instruments führen in der Regel Atomaktionen aus, z. B. eine API zum Lesen oder Schreiben von Daten, Aktualisierung oder Abrufen von Daten aus einer Datenbank oder ähnlichen Vorgängen. Die Einschränkung eines solchen Ansatzes ist, dass es oft fehlt ZustandAI -Agenten aus mehreren Gründen unvorhersehbar und manchmal sogar unzuverlässig: manchmal sogar unzuverlässig:

• Verlust des Konversationskontexts: Der Agent erinnert sich nicht an frühere Gespräche oder Entscheidungen, was zu redundanten oder inkonsistenten Antworten führte.
• Schlechte Einhaltung von Geschäftsprozessen: Ohne Statusverfolgung kann der Agent die erforderlichen Schritte überspringen oder Schritte in der falschen Reihenfolge ausführen.
• Inkonsistente Ausführung wiederholter Aufgaben: Die gleiche Aufgabe kann zu unterschiedlichen Ergebnissen führen, die Erwartungen der Benutzer durchführen und das Vertrauen verringern.

Auf der anderen Seite haben Unternehmen intestine etablierte Prozesse, und AI-Assistenten werden ihnen voraussichtlich folgen, nicht improvisieren oder ihre eigenen schaffen. Ein für den Kundenservice eingesetztes Konversations -KI -Agent muss die Bedürfnisse der Benutzer verstehen, sie mit den richtigen Unternehmensprozessen verbinden, klar erklären, wie er helfen kann, und sie durch jeden Schritt zu führen, um ihre Ziele zu erreichen – und gleichzeitig einen reibungslosen und natürlichen Gesprächsfluss aufrechtzuerhalten.

Hier Prozessanruf Kommt herein. Mit Prozessanrufen ruft sich die LLM mit einem staatlichen Prozess zusammen und arbeitet zusammen. Der Benutzer stellt den Assistenten nach einer Frage, und das LLM sagt voraus, welcher spezifische, definierte Geschäftsprozess ausgelöst werden soll. Der Prozess arbeitet zusammen mit LLM zusammen, um das Gespräch voranzutreiben.

Lassen Sie uns darüber eingehen, wie Sie einen zuverlässigen KI-Assistenten aufbauen, indem wir den Prozessansatz in der Praxis verwenden. Wir werden einen Banken-KI-Agenten entwickeln, der in der Lage ist, einfache Prozesse zu bearbeiten, einschließlich der Übertragung von Geld, ein Sparkonto, die Beantwortung von häufig gestellten Fragen (FAQs) und die Befragung von Off-Matter-Anfragen.

Wie baue ich mit Rasa einen Konversations -KI -Agenten auf?

Die RASA-Plattform ist ein Gesprächs-KI-Framework, das eine Finish-to-Finish-Lösung für den Bau von AI-Assistenten bietet. Im Zentrum der Rasa-Plattform ist ruhig (Gesprächs-KI mit Sprachmodellen), Rasas KI-gesteuerte Dialog-Orchestrierungs-Engine. Calm wurde entwickelt, um die Geschäftslogik in das adaptive Konversationsmanagement zu integrieren. Die Kernmerkmale von Calmen sind Dialogverständnis, Dialogmanager und Kontextrephraser.

Mit Rasa können Sie Enterprise-Grade, fließende Textual content- und Sprach-AI-Assistenten bauen. Lassen Sie uns die Umgebung einrichten, um Ihren AI -Bankbankenassistenten aufzubauen.

Einrichten der Umgebung

Zuerst müssen Sie einen KOSTENLOSEN Developer Version -Schlüssel erhalten Hier. Eine Bestätigungs -E -Mail wird an die von Ihnen angegebene E -Mail -Adresse gesendet, und Sie müssen Ihr Token aus dieser Nachricht kopieren.

Es gibt zwei Möglichkeiten, mit Rasa zu beginnen:

• Verwenden von Github -Codenspazialen
• Lokale Set up mit Python

In diesem Tutorial verwenden wir Github -Codenspaziale, da Sie damit beginnen, einen Agenten direkt in Ihrem Browser zu erstellen, ohne dass eine lokale Set up erforderlich ist. Diese Choice ist supreme für Anfänger und alle, die neu in Rasa sind.

Was Sie brauchen:

• Ein Github -Konto
• Ein Rasa Developer Version Key – Get It It Hier.

Erstellen Sie Ihren ersten Konversations -KI -Agenten

Um Ihre erste zu erstellen AI -Agent Gehen Sie mit RASA die folgenden Schritte durch:

1. Gehen zu Rasa Codespaces GitHub und klicken Sie auf „Codespace erstellen auf Foremost“. Dadurch wird in Ihrem Browser ein neues Codespace geöffnet.
2. Sobald der Codespace fertig ist, öffnen Sie die .Env -Datei und fügen Sie eine neue Umgebungsvariable hinzu:

RASA_PRO_LICENSE="your-rasa-pro-license-key"

3. Führen Sie dann im Terminal die folgenden Befehle aus:

Laden Sie die Umgebungsvariablen mit:

supply .env

Um die virtuelle Umgebung zu aktivieren:

supply .venv/bin/activate

Erstellen Sie Ihren ersten Agenten mit der von Rasa bereitgestellten Tutorial -Vorlage. Während der Set up drücken Sie Eingeben oder sagen Ja zu jeder Frage.

Führen Sie den folgenden Befehl im Terminal aus:

rasa init --template tutorial

Eine neue Registerkarte mit dem Rasa -Inspektor wird sich öffnen. Versuchen Sie, Ihrem Agenten ein paar Fragen zu stellen, z. B.:

• Hey, wie geht es dir?
• Was kannst du tun?

Sie können auch den Befehl ausprobieren:

• „Hilf mir, Geld zu überweisen.“

Geld übertragen ist ein Beispiel für Transaktionsflusswo der Agent einer vordefinierten Folge von Aktionen wie das Anfordern von fehlenden Informationen, das Aufrufen einer API, das Aktualisieren eines Datensatzes in einer Datenbank oder ähnliche Beantragung folgt.

Einen Fluss aufbauen

Erinnern Sie sich, wie wir über den Aufbau einer zuverlässigen, deterministischen Ausführung der Geschäftslogik am Anfang gesprochen haben? Sie können einen solchen Prozess in RASA mit Flüssen erstellen. Wir werden unserem Agenten Funktionen hinzufügen, um ein Sparkonto zu eröffnen, um zu demonstrieren, wie Prozessanruf arbeitet in der Praxis.

Mit Strömungen können Sie eine vordefinierte Folge von Schritten erstellen, die befolgt werden müssen, um ein bestimmtes Ergebnis zu erzielen. Natürlich würde das Öffnen eines echten Sparkontos bei einer Financial institution viel mehr Schritte umfassen, z. B. die Authentifizierung des Benutzer benutzerdefinierte Aktionendie im Wesentlichen Python -Funktionen sind.

Wir erstellen eine vereinfachte Model, in der wir den Benutzer nach zusätzlichen Informationen fragen, bevor wir ein neues Sparkonto eröffnen:

• Der Title
• Die Währung
• Die Begriff Länge

Sobald diese Schritte definiert sind, die Ai Der Agent wird ihnen konsequent folgen und die Geschäftslogik wie vorgeschrieben ausführen und gleichzeitig die Fähigkeiten von verbessert Llms Für ein besseres Dialogverständnis.

Fügen Sie Sparkonto -Fluss hinzu

Wir werden diesen Fluss jetzt zu unserem Assistenten hinzufügen, indem wir die bearbeiten fließt.yml Datei im Datenverzeichnis:

 open_savings_account:
   description: Gather particulars to open a financial savings account.
   steps:
     - gather: account_name
       description: The identify the consumer desires to present their financial savings account.
     - gather: forex
       description: The forex for the financial savings account.
     - gather: length
       description: The period of time (e.g., months or years) for the financial savings account.
     - motion: utter_confirm_savings_account_opened

Wie Sie sehen können, sind die Flows im YAML -Format geschrieben. Wenn Sie die Syntax der Flows verstehen möchten, können Sie die offizielle Dokumentation bei Rasa Docs lesen Hier.

Aktualisieren Sie als nächstes die Area.yml -Datei, um die erforderlichen Slots Und Antworten. Denken Sie an Area.yml Als Universum Ihres Konversations -KI -Assistenten: Wenn Sie neue Slots oder Antworten hinzufügen, müssen Sie sie hier einfügen, damit Ihr Assistent über sie weiß.

Fügen Sie dem Slots -Abschnitt neue Slots hinzu:

 account_name:
    kind: textual content
    mappings:
      - kind: from_llm
  forex:
    kind: textual content
    mappings:
      - kind: from_llm
  length:
    kind: textual content
    mappings:
      - kind: from_llm

Fügen Sie dem Abschnitt Antworten neue Antworten hinzu:

 utter_ask_account_name:
   - textual content: "What would you wish to name your new account?"

 utter_ask_currency:
   - textual content: "Which forex would you want to make use of?"

 utter_ask_duration:
   - textual content: "What number of months or years would you want to avoid wasting for?"

 utter_confirm_savings_account_opened:
  - textual content: "Your financial savings account '{account_name}' has been efficiently opened."

Führen Sie schließlich die folgenden Befehle aus, um Ihren Assistenten zu trainieren und den Rasa -Inspektor zu öffnen:

rasa practice
rasa examine

Sie können jetzt den neuen Sparkonto -Fluss testen, indem Sie mit Ihrem Agenten chatten und so etwas sagen wie:

I need to open a financial savings account

Der Assistent folgt dem von Ihnen definierten Prozess und sammelt die erforderlichen Particulars Schritt für Schritt.

Vorteile der Verwendung von Strömen

Einige der Vorteile der Verwendung von Strömen sind:

• Komplexe Prozesse abbauen in wiederverwendbare Stücke
• Verknüpfungsströme zusammen, um fortgeschrittenere Interaktionen aufzubauen
• Skalierbarkeit – Sie können die Fähigkeiten Ihres Assistenten ausbauen, während Sie die Dinge organisiert halten
• Kontrolle – Sie definieren genau, wie sich der Assistent in bestimmten Szenarien verhalten sollte

Durch Flüsse erleichtert es, strukturierte Gespräche zu verwalten, insbesondere wenn Sie die Geschäftslogik konsequent und zuverlässig ausführen müssen.

Umgang mit Informationsfragen

Nachdem Sie nun wissen, wie Sie einen Fluss hinzufügen, können Sie die Funktionalität Ihres Agenten so erweitern, dass Sie eine beliebige Anzahl von Aufgaben erledigen, die jeweils entsprechend Ihren Anweisungen ausgeführt werden. Unabhängig davon, ob Sie 10 Flows oder 100 haben, nutzt Rasa die Leistung von LLMs, um den richtigen auszulösen.

Aber was ist, wenn der Benutzer eine Informationsfrage anstelle eines Transaktions stellt?

Sie möchten nicht für jede Frage einen dedizierten Fluss erstellen, wie z. „Wie lange dauert eine Geldübertragung?“ oder „Was ist die Kommission für internationale Übertragungen?“

Um solche Fragen zu bearbeiten, enthält Rasa eine Komponente namens namens Enterprise -Suche. Es gibt verschiedene Möglichkeiten, mit der Enterprise -Suche in Rasa zu beginnen und Benutzer mit Ihren Dokumenten chatten zu lassen:

• Fügen Sie Dokumente direkt zu Ihrem Projektverzeichnis hinzu und verwenden Sie den Faiss Vector Retailer
• Verwenden Sie eine der unterstützten externen Vektor -Datenbanken wie QDrant oder Milvus
• Schließen Sie eine andere Vektordatenbank Ihrer Wahl an

In diesem Tutorial verwenden wir die erste Choice: Faiss Vector Retailer. Hier sind die Schritte, damit Ihr KI -Agent Informationsfragen versteht:

Standardmäßig verwendet die Enterprise -Suche OpenAI als Normal -LLM -Anbieter, sodass Sie Ihre hinzufügen müssen OPENAI_API_KEY zur .env -Datei.

Bereiten Sie Ihre Daten in .txt vor Format und fügen Sie es hinzu zu docs/faq.txt Damit Ihr AI -Agent Fragen basierend auf den bereitgestellten Daten beantworten kann, ohne darauf ausdrücklich programmiert zu werden.

Als nächstes in Ihrer Konfiguration EnterpriseSearchPolicy:

- identify: EnterpriseSearchPolicy

Bearbeiten die patterns.yml Datei in der information Ordner, um das folgende Suchmuster einzuschließen:

pattern_search:
  description: Circulate for dealing with knowledge-based questions
  identify: sample search
  steps:
    - motion: action_trigger_search

Rennen und führen Sie Ihren Agenten erneut aus. Sie können jetzt sowohl Transaktions- als auch Informationsanfragen testen.

Umgang mit Fragen außerhalb des Umfangs

Das Letzte, was wir abdecken möchten, ist, was zu tun ist, wenn Benutzer Fragen stellen, die nicht mit einer Fluss- oder Unternehmenssuche beantwortet werden können.

In Rasa gibt es ein Standardmuster. pattern_chitchatentwickelt, um solche Situationen zu bewältigen. Alle Abfragen außerhalb des SCOPE werden dort weitergeleitet, und Sie haben einige Optionen:

• Antworten Sie mit einer vordefinierten Nachricht wie „Ich bin mir nicht sicher, wie ich das beantworten soll.“
• Verwenden Sie ein LLM und eine benutzerdefinierte Eingabeaufforderung, um abwechslungsreichere und natürlichere Antworten zu erzeugen.

pattern_chitchat:
  description: Handles off-topic or normal small discuss
  identify: sample chitchat
  steps:
    - motion: action_handle_chitchat

Sie können dann Ihre definieren action_handle_chitchat als statische Antwort oder verwenden Sie sie, um eine Verbindung zu einem LLM für dynamische Antworten herzustellen.

Dies stellt sicher, dass Ihr Assistent immer anmutig reagiert, auch wenn die Frage außerhalb seiner Kerngeschäftslogik oder Wissensbasis fällt.

Abschluss

In diesem Artikel haben wir das Conversational AI Framework Rasa und die Verwendung eines zuverlässigen und skalierbaren KI-Agenten untersucht, der genau definierten Geschäftsprozessen strikt folgt. Wir haben gezeigt, wie der Ansatz des Prozessaufrufs implementiert werden kann, der Vorhersehbarkeit, Kontrolle und Ausrichtung auf die realen Geschäftsanforderungen gewährleistet.

Sie haben gelernt, wie man:

• Richten Sie die Umgebung ein und starten Sie RASA in GitHub -Codenspaien
• Erstellen Sie Transaktionsflüsse wie das Übertragen von Geld und das Öffnen eines Sparkontos
• Verwenden Sie die Enterprise -Suche, um Informationsfragen zu behandeln
• Behandeln Sie außerhalb des Umfangs und allgemeinen Fragen mit Fallback-Mustern

Jetzt verfügen Sie über alle Instruments, um AI -Assistenten zu erstellen, die sicher in klar definierter Geschäftslogik arbeiten können. Probieren Sie es selbst aus, holen Sie sich Ihre Entwicklerausgabelizenzschlüsselund erstellen Sie heute Ihren ersten Assistenten.