聊天机器人：从规则到神经

规则聊天机器人从不意外。检索聊天机器人从不幻觉。生成式聊天机器人从不无聊。生产系统三者都用。

类型: 构建 语言: Python 前置条件: Phase 5 · 05（情感分析），Phase 5 · 13（问答系统） 时间: ~75 分钟

问题

用户输入”I need to change my flight”并期望一个有用的回应。三种架构可以产生那个回应。

• 基于规则。 正则匹配”change flight” → 预写模板。“I can help you change your flight. What’s your booking reference?” 确定性、可审计、零意外。每个意图需要一条规则。新意图需要新规则。
• 检索式。 编码用户消息，在标注的意图-回应库中找最相似的，返回对应回应。比规则更灵活。仍然只返回预写回应。
• 生成式。 大型语言模型产生回应。灵活、流畅、能处理未预见的输入。可能幻觉、越界、或做你不想做的事。

生产聊天机器人是三者的混合。意图分类器路由到规则或检索。回退到生成式。本课程构建每种并命名路由逻辑。

概念

意图分类。 将用户消息分类到固定意图集。航班变更、退款、状态查询等。课程05的文本分类器做这个。意图分类器是路由器：它决定哪个后端处理请求。

实体提取。 从用户消息中提取参数。日期、航班号、金额。课程06的NER做这个。

对话状态跟踪。 跨轮次记住对话的当前状态。用户说了什么，还缺什么，下一步是什么。有限状态机或神经模型。

回应生成。 规则 → 模板填充。检索 → 最相似回应。生成式 → LLM输出。

构建它

步骤 1：基于规则的聊天机器人

import re

INTENT_PATTERNS = {
    "greet": [r"\b(hi|hello|hey)\b"],
    "change_flight": [r"\bchange\s+flight\b", r"\bmodify\s+booking\b"],
    "refund": [r"\brefund\b", r"\bmoney\s+back\b"],
    "status": [r"\bflight\s+status\b", r"\bwhere\s+is\s+my\s+flight\b"],
}

RESPONSES = {
    "greet": "Hello! How can I help you today?",
    "change_flight": "I can help you change your flight. What's your booking reference?",
    "refund": "I'll process your refund request. Can you provide your booking reference?",
    "status": "Let me check your flight status. What's your flight number?",
    "fallback": "I'm not sure I understand. Could you rephrase that?",
}


def rule_based_chat(message):
    for intent, patterns in INTENT_PATTERNS.items():
        for pattern in patterns:
            if re.search(pattern, message, re.IGNORECASE):
                return RESPONSES[intent]
    return RESPONSES["fallback"]

步骤 2：意图分类器

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline


class IntentClassifier:
    def __init__(self):
        self.pipeline = Pipeline([
            ("tfidf", TfidfVectorizer(ngram_range=(1, 2), sublinear_tf=True)),
            ("clf", LogisticRegression(C=1.0, max_iter=1000)),
        ])
        self.intents = []

    def train(self, texts, labels):
        self.intents = sorted(set(labels))
        self.pipeline.fit(texts, labels)

    def predict(self, text):
        intent = self.pipeline.predict([text])[0]
        prob = self.pipeline.predict_proba([text]).max()
        return intent, prob

步骤 3：混合路由

class HybridChatbot:
    def __init__(self, intent_classifier, responses, confidence_threshold=0.6):
        self.classifier = intent_classifier
        self.responses = responses
        self.threshold = confidence_threshold

    def respond(self, message):
        intent, confidence = self.classifier.predict(message)
        if confidence >= self.threshold:
            return self.responses.get(intent, self.responses["fallback"])
        return self.responses["fallback"]

步骤 4：生成式回退

def generate_response(message, context="", llm=None):
    if llm is None:
        return "I'll connect you with a human agent."
    prompt = f"""You are a helpful airline assistant.
Context: {context}
User: {message}
Assistant:"""
    return llm(prompt)

使用它

交付它

将结果保存为 outputs/skill-chatbot-architect.md。

练习

1. 简单。 构建一个覆盖5个意图的基于规则聊天机器人。测试20条消息。测量准确率和回退率。
2. 中等。 在标注数据上训练意图分类器。与基于规则比较。测量意图分类的精确率/召回率。
3. 困难。 构建带对话状态跟踪的完整混合聊天机器人。跟踪多轮对话（如航班变更需要预订参考 + 新日期）。测量任务完成率。

关键术语

延伸阅读

• Jurafsky and Martin — Dialog Systems — 经典教科书处理。
• Bocklisch et al. (2017). Rasa: Open Source Language Understanding and Dialogue Management — 开源对话框架。