AI
(90)对话机器人 Rasa（十）: 回复消息格式化，加粗换行等
例如，我想在 Rasa actions.py 中，对 dispatcher.utter_message 返回的消息进行格式化。
## 加粗
这里类似 Markdown 的语法，需要加粗的文本前后加双星号即可。
## 换
对话机器人 Rasa（九）: docker compose 同时部署 rasa core 和 actions 服务
尝试手动启动了两个 docker containter：
- 一个用于 rasa core
- 一个用于 rasa actions
但是，发现测试对话不涉及 actions 服务的，一切正常返回；
但是跟 actions 相
对话机器人 Rasa（八）: actions 通过 Python 查询天气信息
非常典型地一个应用场景，即通过 rasa 从提交消息中提取城市和时间，然后调用三方天气接口查询天气，再返回用户。
但是按照官方文档，及电子书，网上资料里配置，jieba dict 也好，lookup table 也好，都会因为 DIE
对话机器人 Rasa（七）：Action 支持 Python 查询今天星期几
## 场景
例如，跟 Rasa 机器人对话中，询问今天星期几，然后使用 Python 返回中文答复。
## nlu.yml
增加自然语言解析：
```
- intent: weekday
examples: |
对话机器人 Rasa 中文系列教程
Rasa 是一个自然语言处理开源框架，用于构建聊天机器人和智能助手。它提供了一系列用于处理对话流程的工具和算法，包括自然语言理解（NLU）、对话管理、对话策略等。
使用 Rasa，可以创建一个可扩展、灵活且高度个性化的聊天机器人，该机器人
一个简单问题快速区分 ChatGPT 4 与 3.5
今天在 V2EX 论坛上学到了一个有趣的技巧：如何一句话区分 ChatGPT 3.5 与 4。
目前我用到的大部分免费的 ChatGPT 套壳网站都是基于 ChatGPT 3.5 的，偶有标榜使用了 ChatGPT 4 接口的网站。即
Rasa 中 JiebaTokenizer, LanguageModelFeaturizer 与 DIETClassifier 各自的作用及区别
虽然我已经 [用 Rasa 实现了中文自动问答机器人功能](/chat-robot-rasa-support-chinese-language)，但是里面 pipeline 的配置，其实我完全没看明白各个组件起到的作用。我已经很认真地读了几
对话机器人 rasa（六）: 基于 websocket 的网页组件
由于要现场演示 Rasa 对话机器人的实际效果，感觉用 Rasa Shell 命令来演示不太正式。
还是用网页版 Rasa 组件来演示更直观一些，也容易理解。
再就是我想把对话场景制作成一段小视频，或 gif，放到 PPT 里给客户演示
对话机器人 Rasa（五）：自动化测试
## 自动化的必要性
手动跑一遍覆盖各种问题的对话，太耗费时间了。例如，即便最简单的有十几个意图识别的对话场景，手动测试一遍都需要很长时间。
而且记不住有哪些 rule ... 需要对照着 nlu.yml 文件才能记起来。
比较高
对话机器人 Rasa 何时使用 rule，何时使用 story
在配置 Rasa 对话规则的时候，我一直有一个疑问。
Rasa 中 story 的意义是什么？
我在跟 Rasa 对话的时候，似乎也没发现按照 story 的流程走。
查了一下：
Rasa 包含了两种方式来定义对话流