大象笔记
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
PostgreSQL 常用命令
PostgreSQL 的命令相对 MySQL 还是有点难记。单词缩写不太直观。
## 列出所有数据库
```
postgres=# \l
List of datab
WSL Ubuntu 18.04 安装 PostgreSQL 数据库
## 安装
```
sudo apt update
sudo apt install postgresql postgresql-contrib
```
## 查看版本号
```
> psql --version
p
在 google colab 上申请免费的 gpu 资源
首先在 google colab 上新建一个笔记本，然后菜单里选择
“修改” - “笔记本设置”
对话机器人 rasa （四）：生产环境部署，Ubuntu 服务器基于 docker
由于线上生产环境使用的是腾讯云的服务器，Ubuntu server 版本比较低，是 18.04。自带的 python 版本为 3.6，不满足对话机器人框架 rasa 对 python 版本的最低要求。
而升级 python 版本可能破
对话机器人 Rasa （三）：基于规则添加一个意图对应的回复
使用 Rasa rules.yml 是最简单的指定回复内容的方式，即，添加一条匹配规则。
添加一个意图对应的回复，需要编辑三个文件。
以回复用户的夸奖为例：
## nlu.yml
意图识别：
data/nlu.
对话机器人 Rasa （二）：中文支持
[Rasa 安装](/install-chat-robot-framework-rasa)之后，默认是不支持中文对话的。
## 学习、配置的策略
查到的示例，pipeline 配置各不相同，不动手试，难以知道相互间的优劣。