课时1：简单对话场景搭建和云小蜜接口集成（二）|学习笔记

开发者学堂课程【3节课走进云小蜜产品：课时1：简单对话场景搭建和云小蜜接口集成】学习笔记，与课程紧密联系，让用户快速学习知识。

课程地址：https://developer.aliyun.com/learning/course/298/detail/3495

课时1：简单对话场景搭建和云小蜜接口集成（二）

五、运用云小蜜搭建一个对话场景

如图所示，用简单的线框图描绘多轮对话：

一个典型的多轮对话，有多个对话轮次，每一个对话轮次都由用户发起。用户说一句，机器人回答一句。用简单线框图描绘出一个多轮对话，例如查天气的场景，用户说“要查天气”，机器人说“查哪里的天气”，这就是一轮对话。接下来开始第二轮用户回答说“北京”，然后机器人说“北京天气晴”，以上相当于多轮对话场景当中的第二轮对话。所以可以理解为一个多轮对话，由多个轮次组成。每个轮次最基本的元素是用户说一句，机器人回答一句。用以上模型将多轮对话建模出来。在云小蜜产品当中也是基于该模型进行建模。

以下是使用该建模概念构建对话场景。首先在阿里云控制台首页点开云小蜜，此时到达云小蜜的控制台首页，在控制台首页可以看到目前都是体验版，也就是免费的版本，免费版本可以创建一个机器人。一个机器人就是一个聊天对象，所有的问题都会问这个机器人，机器人会回答所有问题，所以需要赋予机器技能，例如查询天气，订火车票，操控家居，此时需要新建机器人，如图所示：

可以选择在线文本机器人，语音导航机器人和语音 web 机器人。在本次去年营当中选择文本机器人，语言方面选择中文，点击创建。此时开始对机器人进行教学，使其能够进行多轮问答。在云小蜜产品当中，机器人配置页面找到对话流管理，点击对话工厂：

该部分是负责配置机器人进行多轮问答的能力。如图所示是对话工厂的入口界面：

包含对话流列表页面，还可以新建对话流，对话流可以理解为机器人多轮对话的技能，比如查天气是一个技能，买火车票是一个技能。技能就可以理解为机器人通过多轮对话可以帮助用户完成的任务，例如查天气。机器人通过多轮对话收集到要查询的天气，最终将天气查出，以上就是技能，所以在设计机器人时可以将技能封装为一个对话流单元。以此可以灵活的控制机器人做事情，实现技能。在云小蜜产品当中会默认给用户预置一个查询天气的对话流。如图所示：

首先介绍功能按钮的作用，使用户有感知。当开发完一个对话流之后能达到的效果。首先假设已经开发完成一个对话流，点击保存草稿，保存草稿就是将当前画布当中所有的修改保存下来，然后点击测试。点击测试就是相当于将当前对话流提交到测试环境，测试环境类似于沙河环境。对于线上没有影响，只存在隔离沙河环境，可以在该环境中进行调试测试。此时左边会弹出调试窗，调试窗的目的就是为了模拟真实的线上对话。可以在此进行调试：

首先询问机器人“我要查天气”。机器人会返回“请问您要查哪里的天气？”，此时用户回答“北京”之后机器人就会将北京当前的天气情况做描述。以上就是一个多轮对话场景，此时机器人已经具备了查询天气的技能。因为首先在此开发了一个对话流程，并且将其保存，点击测试提交到了沙河环境。此时的调试窗运行的就是在沙河环境当中。允许在沙河环境当中和机器人进行多轮对话，并且调试查看效果如何，如果用户觉得调试完成，就可以点击发布按钮。发布按钮也就是上线成功，上线成功意味着当前对话流已经从测试沙河环境被推到了线上环境，就可以通过云小蜜的 chat 接口对机器人进行访问。如果没有点击发布，线上环境的机器人不具备查询能力，当点击发布之后才可以。此时需要注意在机器人配置旁的 type，Type 当中有集群的力 ID 以及和 secre t的获取方式。以上参数就是在相关文档当中所看到的参数，所以需要到机器人当中查询实例 ID，Sessionld 以及 tex 和 secret。

用户的多轮场景包括用户说机器人说，云小蜜的对话工厂产品就是利用该概念进行多轮对话建模。要开发运动对话场景，所需要做的事就是在对话工厂的画布当中构建出流程。进入到对话工厂当中，在左边的画布当中有以下节点：

首先会针对用户说节点和机器人回答节点做讲解。首先查询对话流如下：

绿色的是用户说节点。例如在用户说节点，将其节点名称命名为用户说查天气，代表在该节点当中首先需要用户说查天气，选择意图名称为查天气意图。意图代表用户想做的事，可以用意图概念作为一个单元，在单元中写一些。用户为了表示查天气意图所会说的话术。机器人就会根据话术去理解用户的意图，假设配了如下用户话术：

话术1:我要查北京的天气

话术2:帮我查北京的天气

话术3:北京天气怎么样

话术4:今天出门带伞吗

话术5:今天 下雨吗

假设用户说查天气，机器人发现查天气，这句话与话术当中的话术很相像，机器人就会认为用户的意图是查天气，所以机器人就会自动将流程流转到该节点。接下来加入一个回复节点，节点名称设置为机器人回复天气状况，文本回复设置为北京天气晴。将两个节点连接起来，就会构成简单的一个对话。用户需要做的只是在对话工厂的画布当中，按照概念将流程建模出来：用户说-机器人说-用户说-机器人说，以上是两种最基本的节点。

在安利当中，机器人说查询哪里的天气，用户回答北京。该流程是机器人在向用户收集信息。该信息是地址槽。如果是买火车票场景，机器人可能希望向用户收集更多信息，包括出发地，目的地及出发时间三个信息。所以如果使用用户说机器人说的方式配置该场景会较为复杂。但是在云小蜜的产品当中，通过一个填槽节点就可以完成所有信息收集，在查天气填槽的节点当中，选择意图为查天气意图当中的city参数。在该节点机器人就会一直持续与用户沟通，直到收集完所有槽位。机器人通过何种话术进行收集，可以通过配置反问话术来完成：

实现的效果如下:

填槽节点就是将几个收集信息的过程集合为一个过程，是一个组合节点，是系统默认提供的能力，不需要每一轮重复配置。机器人想节点。在案例当中，用户说北京，表示需要查询北京的天气，机器人不能随便说一个数字，需要查询一个天气得到结果，或者通过计算之后得到结果才能将结果返回。该过程就是机器人思考的过程。机器人的思考过程可能是调用一个接口，也可能是做加减乘除运算，或者分支判断等等。所以在此提供了机器人想节点，机器人想节点就是函数，通过函数能力可以赋予机器人更丰富的能力。如图所示：

在该节点调用了 http 接口，该接口需要接收一个参数，参数就是需要查询天气的城市名称。此时会进行变量的引用。然后赋值给 city。机器人调用该接口时，就会将刚才收集到的 city 槽位，无论是北京还是天津作为参数，传给函数 HTTP 接口，此时机器人就会请求 HTTP 接口返回要查询的城市的天气情况。由于接口是动态的，所以希望机器人回复时是动态的结果。无论函数返回什么，希望用该答案作为机器人的动态输出。在机器人回复期间，希望能够动态引用该函数调用的结果，作为机器人的回复，所以此时可以使用变量的引用。例如 function output，function output 就代表将上一个节点函数的输出作为机器人的回复。假设函数返回的答案是北京天气晴。那么机器人的回复就是北京天气晴，是一个动态结果，而不是一个固定的答案，以上是四种节点的建模概念。