商城售前客服机器人自动化部署与优化实操指南

一、核心架构与工具选型

本方案采用基于规则与意图识别的混合架构，核心工具栈如下：

• 对话引擎: Rasa 3.5.2 (开源，社区活跃，文档齐全)
• 自然语言理解: Jieba 0.42.1 (中文分词) + spaCy 3.5.0 (实体识别)
• 知识库: Elasticsearch 8.9.0 (快速检索商品FAQ和规则)
• 部署环境: Docker 24.0.5 + Docker Compose 2.20.2 (确保环境一致性)

二、环境搭建与项目初始化

2.1 基础环境安装

在Ubuntu 22.04 LTS系统上执行以下命令，一步到位安装所有依赖：

 安装Docker和Docker Compose
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh
sudo apt-get install docker-compose-plugin -y
验证安装
docker --version && docker compose version

2.2 创建项目目录结构

执行以下命令创建标准化的项目文件夹：

mkdir -p mall-pre-sales-bot/{data,models,config,actions}
cd mall-pre-sales-bot

三、对话机器人核心配置

3.1 配置Rasa项目文件

在项目根目录创建config.yml文件，内容如下：

language: zh
pipeline:
- name: JiebaTokenizer
- name: RegexFeaturizer
- name: LexicalSyntacticFeaturizer
- name: CountVectorsFeaturizer
- name: CountVectorsFeaturizer
analyzer: "char_wb"
min_ngram: 1
max_ngram: 4
- name: DIETClassifier
epochs: 100
constrain_similarities: true
- name: EntitySynonymMapper
- name: ResponseSelector
epochs: 50
policies:
- name: MemoizationPolicy
- name: TEDPolicy
max_history: 5
epochs: 100
- name: RulePolicy

3.2 定义领域意图与回复

创建domain.yml文件，定义售前核心功能：

intents:
- greet
- ask_product_info
- ask_price
- ask_delivery_time
- ask_payment_method
- ask_return_policy
- ask_stock
- ask_discount
- goodbye
entities:
- product_name
- product_color
- product_size
slots:
product_name:
type: text
influence_conversation: false
responses:
utter_greet:
- text: "您好！我是商城售前助手，请问有什么可以帮您？"
utter_ask_product_info:
- text: "您想了解{product_name}的哪些信息呢？比如材质、尺寸、功能等。"
utter_ask_price:
- text: "{product_name}当前售价是299元，现在下单可以享受包邮服务。"
utter_ask_delivery_time:
- text: "正常情况下，下单后24小时内发货，全国大部分地区2-3天可送达。"

四、训练数据准备与标注

4.1 创建NLU训练数据

在data/nlu.yml中定义用户可能说的话：

version: "3.1"
nlu:
- intent: ask_product_info
examples: |
- 这个[手机](product_name)有什么功能
- 介绍一下[笔记本电脑](product_name)
- [运动鞋](product_name)的材质是什么
- 这个[商品](product_name)怎么样
- intent: ask_price
examples: |
- 这个多少钱
- [外套](product_name)价格是多少
- 现在有优惠吗
- 打折吗
- intent: ask_stock
examples: |
- 有货吗
- [蓝色](product_color)的还有吗
- [L码](product_size)缺货吗
- 什么时候补货

4.2 定义对话规则

在data/rules.yml中编写确定性的对话流：

version: "3.1"
rules:
- rule: 欢迎用户
steps:
- intent: greet
- action: utter_greet
- rule: 询问商品信息
steps:
- intent: ask_product_info
- action: utter_ask_product_info
- rule: 询问价格
steps:
- intent: ask_price
- slot_was_set:
- product_name: true
- action: utter_ask_price

五、训练与测试机器人

5.1 训练模型

在项目根目录执行训练命令：

 安装Rasa
pip3 install rasa==3.5.2 jieba==0.42.1
训练NLU和对话模型
rasa train --fixed-model-name mall_pre_sales_v1

训练完成后，会在models目录生成mall_pre_sales_v1.tar.gz模型文件。

5.2 测试对话效果

启动交互式测试：

 启动Rasa Shell进行测试
rasa shell --model models/mall_pre_sales_v1.tar.gz

在命令行中输入“你好”，机器人应回复“您好！我是商城售前助手...”。输入“这个手机多少钱”，机器人应询问具体是哪个产品。

六、集成知识库与商品数据

6.1 部署Elasticsearch

创建docker-compose.yml文件：

version: '3.8'
services:
elasticsearch:
image: elasticsearch:8.9.0
environment:
- discovery.type=single-node
- xpack.security.enabled=false
- "ES_JAVA_OPTS=-Xms512m -Xmx512m"
ports:
- "9200:9200"
volumes:
- es_data:/usr/share/elasticsearch/data
kibana:
image: kibana:8.9.0
ports:
- "5601:5601"
environment:
ELASTICSEARCH_HOSTS: '["http://elasticsearch:9200"]'
depends_on:
- elasticsearch
volumes:
es_data:

启动服务：docker compose up -d

6.2 导入商品FAQ数据

创建data/products_faq.json文件：

[
{
"product_id": "P001",
"product_name": "智能手机X10",
"questions": ["支持5G吗", "电池容量多大", "拍照效果如何"],
"answers": ["支持5G全网通", "电池容量5000mAh", "后置1亿像素主摄"],
"price": 2999,
"stock": 150
},
{
"product_id": "P002",
"product_name": "运动蓝牙耳机",
"questions": ["防水等级", "续航时间", "佩戴舒适度"],
"answers": ["IPX7级防水", "单次续航8小时", "人体工学设计，佩戴舒适"],
"price": 399,
"stock": 89
}
]

使用Python脚本导入数据到Elasticsearch：

import json
from elasticsearch import Elasticsearch
es = Elasticsearch(['http://localhost:9200'])
with open('data/products_faq.json', 'r', encoding='utf-8') as f:
products = json.load(f)
for product in products:
es.index(index='mall_products', id=product['product_id'], document=product)

七、部署与API集成

7.1 配置Rasa Action Server

创建actions/actions.py处理复杂查询：

from typing import Any, Text, Dict, List
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher
from elasticsearch import Elasticsearch
class ActionQueryProductInfo(Action):
def name(self) -> Text:
return "action_query_product_info"
def run(self, dispatcher: CollectingDispatcher,
tracker: Tracker,
domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:
product_name = tracker.get_slot("product_name")
es = Elasticsearch(['http://localhost:9200'])
查询商品信息
result = es.search(
index="mall_products",
body={
"query": {
"match": {
"product_name": product_name
}
}
}
)
if result['hits']['total']['value'] > 0:
product = result['hits']['hits'][0]['_source']
response = f"商品：{product['product_name']}\n价格：{product['price']}元\n库存：{product['stock']}件"
dispatcher.utter_message(text=response)
else:
dispatcher.utter_message(text=f"抱歉，没有找到{product_name}的相关信息")
return []

7.2 启动完整服务

创建启动脚本start_bot.sh：

!/bin/bash
启动Action Server
cd actions && rasa run actions --port 5055 &
启动Rasa API服务
rasa run --model models/mall_pre_sales_v1.tar.gz --enable-api --cors "" --port 5005

给脚本执行权限：chmod +x start_bot.sh，然后运行：./start_bot.sh

八、前端集成与测试

8.1 创建简单的Web测试界面

创建test_chat.html文件：

发送

8.2 API调用示例

测试机器人API的Python代码：

import requests
def test_chat_bot():
url = "http://localhost:5005/webhooks/rest/webhook"
test_cases = [
"你好",
"智能手机X10多少钱",
"运动蓝牙耳机有货吗",
"什么时候发货"
]
for message in test_cases:
payload = {
"sender": "test_user",
"message": message
}
response = requests.post(url, json=payload)
print(f"用户: {message}")
print(f"机器人: {response.json()[0]['text']}")
print("-"  50)
if __name__ == "__main__":
test_chat_bot()

九、监控与优化

9.1 配置日志记录

在config.yml中添加日志配置：

 日志配置
log_level: INFO
endpoints:
tracker_store:
type: sql
dialect: "sqlite"
url: "sqlite:///rasa_tracker.db"
event_broker:
type: sql
dialect: "sqlite"
url: "sqlite:///rasa_events.db"

9.2 定期重新训练

创建定时训练脚本retrain_model.py：

import subprocess
import datetime
import os
def retrain_model():
备份旧模型
if os.path.exists("models/mall_pre_sales_latest.tar.gz"):
timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")
os.rename("models/mall_pre_sales_latest.tar.gz",
f"models/backup/mall_pre_sales_{timestamp}.tar.gz")
执行训练
result = subprocess.run([
"rasa", "train",
"--fixed-model-name", "mall_pre_sales_latest",
"--config", "config.yml",
"--domain", "domain.yml",
"--data", "data/"
], capture_output=True, text=True)
if result.returncode == 0:
print(f"[{datetime.datetime.now()}] 模型训练成功")
else:
print(f"[{datetime.datetime.now()}] 训练失败: {result.stderr}")
if __name__ == "__main__":
retrain_model()

设置crontab每周日凌晨3点自动训练：0 3 0 python3 /path/to/retrain_model.py