你大概会认为对话机器人全都得依赖复杂的大模型? 其实并非如此!在诸多简单场景之中, 像固定问答、业务引导之类场景里, 那样规则驱动的对话系统反倒会更加稳定, 更加易于控制-----确切地讲就如同给机器人编写一本会引导并回应话语的册子一样, 要使它严格遵照你设定的具体表述规则一样说话的。今天便借助 的两个相当重要的工具------也就是内置的re库以及第三方文库, 一步一步手把手教学来让你从最基础开始搭建具有特定规则的引擎。

一、先搞懂:什么是"规则引擎"?

规则引擎的核心是 "如果A,就做B" 的硬编码逻辑。比如:

二、工具1:re库------简单关键词匹配

re属于内置库, 无需额外进行安装, 它专门被用于在字符串当中“寻觅关键词”, 这恰似你于一篇文章里借助“Ctrl + F”去搜索单词那般。

1.先认识核心函数:re.()

这属于re库极为常用的函数, 其所具备的作用在于, 于一段经由文字所构成的内容里头, 去探寻是否存在与“模板”相契合的内容。

函数格式:

re.search(模板, 要搜索的文字, [其他设置]

其中:

(1)模板:用"正则表达式"写的搜索规则(后面详细讲)。

(2)要搜索的文字:用户输入的话(比如"你好呀!")。

(3)其他设置(可选):比如忽略大小写(re.)。

返回值:

(1)要是寻得, 那就返回一个“匹配对象”, 此“匹配对象”能够被理解成是“找到了”的一种标记。

(2)倘若并未寻觅到, 那就返回None, 此可被理解为是“没找到”的一种标记。

2.正则表达式:模板(字符作用详解)

告知电脑“我要找什么样的词”所用的“模板”, 是采取正则表达式来写。下面呈现的是新手必定知晓的字符:

字符/符号作用(零基础版)例子

r'内容'

告知, “里面的内容是原始字符串”, 要防止特殊符号被误解, 且必须附上r与引号。

r'你好'→ 搜索"你好"这个词

表示"或者",匹配多个关键词中的一个。

()

分组,把要提取的部分括起来(比如提取订单号)。

r'订单(\d+)'→ 提取"订单"后的数字

\d

匹配任意数字(0-9),等价于

\d{5}→ 匹配5位数字(如12345)

{n,}

前面的字符至少出现n次({5,}表示至少5次)。

\d{5,}→ 匹配5位以上数字(如)

使其与任意单独的一个字符相匹配, 此字符需排除换行符, 要是想要匹配".", 那就得写成\.。

r'天气.'→ 匹配"天气"+任意1个字符

**3.**实例代码(问候+天气机器人)

写下这样一个简单的机器人哈, 要是用户说出“你好”, 或者说出“嗨”, 又或者说出“hello”, 那么它就要回复问候, 要是用户说出“天气”, 又或者说出“气温”, 那么它就要回复天气。

import re                          # ① 导入re库(必须写,否则用不了re的函数)
def rule_bot(user_input):   # ② 定义一个函数,参数是用户输入的话    # ③ 把输入转为小写(避免"Hello"和"hello"匹配不到)    
text = user_input.lower()                # lower()是字符串自带函数,转小写              # ④ 规则1:用re.search()找问候关键词(你好|嗨|hello|您好)   
if re.search(r'你好|嗨|hello|您好', text):     # ⑤ 模板是r'你好|嗨|hello|您好'        
return "你好!我是规则机器人,很高兴为你服务~"                 # ⑥ 找到就返回这句话   
                          # ⑦ 规则2:用re.search()找天气关键词(天气|气温|下雨吗|温度)    
elif re.search(r'天气|气温|下雨吗|温度', text):       
return "【模拟天气】今天晴,20-28℃,微风~"  # 找到就返回天气                 # ⑧ 规则3:没找到任何关键词,返回默认回复    
else:        
return "抱歉,我只懂问候、天气哦~换个说法试试?"
               # ⑨ 测试函数:输入不同的话,看返回结果
print(rule_bot("你好呀!"))       # 输入"你好呀!"→ 匹配规则1 → 输出问候
print(rule_bot("今天会下雨吗?"))     # 输入"今天会下雨吗?"→ 匹配规则2 → 输出天气
print(rule_bot("你是谁?"))       # 没匹配 → 输出默认回复

逐行解释

① re: 必须写!告诉"我要用re库里的函数"。

②名为def ()的函数被定义, 它存在参数, 此参数是用户输入的话。

③ text等于.lower(), 这其中, text是用户输入的字符串, lower()属于字符串方法, 它的作用是将字符串转成小写, 就像把"Hello"转变成"hello"的这种情况。

④要是re.(...)这个情况出现, re.(模板, 文字)会在text当中去寻找模板所对应的那部分内容。假如找得到(返回值不是None), 那么就要去执行接下来的这些。

⑤ 模板, r来表示原始字符串, 其中r后面引号内为, 你好, 竖线表示或者, 那么它所匹配的是, 嗨, 或者, hello, 又或者, 您好, 中的任何一个。

规则引擎搭建_Pythonre库使用_Python规则引擎

⑥ "...": 函数返回这句话(作为机器人的回复)。

⑦ 再不然倘若当, 假如正好是, 要是规则1未能够去成功匹配上的话, 那就尝试着去应用规则2。

⑧ else:如果所有规则都没匹配,执行else里的。

第⑨步, 进行print(("..."))操作, 这是在调用函数, 接着要传入测试输入, 之后会打印返回结果。

三、工具2:库------复杂规则推理

要是规则繁杂繁琐如同(举例来说诸如“用户表述头疼且发烧高于38.5℃进而建议前往就医”这种情形), 那么re库便是无法满足需求了。在这种时候采用库 ------ 即为一个称作“推理引擎”的库, 这种库能够做到恰似人类一样可实施“多条件判断”。

是第三方库,必须先安装才能用:

将电脑的“命令提示符”打开, 或者, 把Mac/Linux系统下的“终端”开启。

输入:

pip install pyknow  # 回车,等安装完成

2.核心概念:Fact(事实)+ Rule(规则)+ 引擎

的工作逻辑像"自动核对机":

依据实际情况: 将用户所输入的那些信息(诸如这样的表述“症状呈头疼形状, 严重程度显现为相对较低程度的轻微”)进行记录, 该行为好比塑造出一张类似“信息卡片”的事物。

倘若存在头疼以及较为轻微症状时, 便给出予以休息这般的建议, 而这呈现于写着“如果……就……”字样的纸条之上。

引擎(): 将“信息卡片”放置进去, 接着把“规则纸条”也放进去, 随后会自动进行核对, 从而触发符合相应条件的规则。

3.核心函数/字符详解

① class Fact:------ 定义"信息卡片"

用类(class)定义一个"事实",比如记录症状:

class Symptom(Fact):  # Symptom是自定义的名字,继承Fact    
pass                       
# 空着就行,pyknow会自动处理字段

往后能够以(症状名表示那样的情况, 严重程度划分成那样的等级)塑造出"信息卡片"。

② @Rule------ 定义"如果...就..."规则

用装饰器@Rule写规则,格式:

@Rule(条件)   # 条件是"信息卡片"的组合def 规则名(self):                
                # 函数名随便起,self是固定参数    
print("要执行的操作")    # 比如回复建议

③ 条件写法:多条件组合

(1)&:表示"并且"(同时满足)。

(2)P(变量, 条件), 处理数值条件, 比如体温大于38.5℃。

(3)MATCH.变量名:在规则中引用"信息卡片"的字段。

(4) 在引擎类当中, 要去创建一个引擎实例, 就如同(例如等于括号内的情况)这样去做。

(5)引擎里的旧信息会由.has() .reset() .清空, 每次新对话前, 都必须调用它。

(6)将“信息卡片”放置到引擎之中, 比如().((症状=...)) 的这种情况, 这是事实。

(7)让引擎启动, 这一过程是.run(), 它会自动去核对规则以及事实, 进而触发那些刚好符合条件的回复。

4.实例代码逐行讲解(症状咨询机器人)

创作一个机器人, 当用户表述为"头疼+轻微"这种情况之时, 给出建议休息 , 当用户说的是"头疼+严重+发烧大于38.5℃"这种状况的时候, 给出建议就医。

from pyknow import *          # ① 导入pyknow库所有内容
                                           # ② 定义"事实":记录症状(信息卡片)
classSymptom(Fact):pass  
                                       # 空类,pyknow会自动识别字段# ③ 定义"引擎"(规则处理器)classMedicalAdvisor(KnowledgeEngine):     # 继承KnowledgeEngine# ④ 规则1:单一症状(头疼+轻微)→ 建议休息
@Rule(Symptom(symptom="头疼", severity="轻微"))                 # 条件:症状=头疼,严重程度=轻微
defadvise_headache_mild(self):      # 规则函数,self是固定参数
print("建议:多休息,避免强光,可热敷缓解~")                # 触发后执行的操作# ⑤ 规则2:多条件组合(头疼+严重 且 发烧>38.5℃)→ 建议就医    
# 条件1:头疼+严重(&是"并且")  
@Rule(Symptom(symptom="头疼", severity="严重")&Symptom(symptom="发烧",temperature=P(lambda t: t > 38.5))  
# 条件2:发烧+体温>38.5℃)
defadvise_emergency(self):print(" 警告:症状较严重,建议立即测血压/体温,不适随诊!")    # ⑥ 规则3:默认规则(没匹配到任何症状时触发)    
@Rule()  # 无条件,就是"兜底的"defdefault_advice(self):print("抱歉,暂不支持该症状咨询,请咨询专业医生~")
# ⑦ 运行机器人:输入症状,引擎自动匹配规则
defrun_symptom_bot():engine=MedicalAdvisor()  # 创建引擎实例  
engine.reset()       # 清空旧信息(必须!)# 模拟用户输入(实际中可从对话获取,这里简化)# 例1:用户输入"头疼,轻微"→ 症状=头疼,严重程度=轻微  
engine.declare(Symptom(symptom="头疼", severity="轻微"))  # 声明事实(放信息卡片)    engine.run()  # 启动引擎,触发规则1 → 输出建议休息# 例2:用户输入"头疼,严重"+"发烧,39℃"→ 两个条件都满足    
engine.reset()  # 先清空  
engine.declare(Symptom(symptom="头疼", severity="严重")) 
         # 卡片1:头疼+严重  engine.declare(Symptom(symptom="发烧", temperature=39.0))  # 卡片2:发烧+39℃    
engine.run()  # 触发规则2 → 输出警告# ⑧ 测试运行
run_symptom_bot()

逐行解释:

这里的“from *”, 是要进行导入啊, 导入的内容是所有功能, 这些功能包括Fact、Rule等等。

② 定义用来存储症状名, 还有严重程度以及体温等等的“症状事实”, 通过 class (Fact), 然后 pass:

③ class ():定义引擎类,继承(的核心引擎)。

④ @Rule((...)): 规则1的条件, 当引擎之中存在"症状等于头疼, 严重程度为轻微"这样的事实的时候, 触发而后下面的那个函数。

⑤ , &以及P( t: t>38.5) , 规则2的条件是 , “头疼且严重”, 并且 , “发烧且体温大于38.5℃”。P( t: t>38.5) 是数值判断工具 , t代表体温值。

⑥, @Rule(), 此乃默认规则, 不存在任何条件, 于其他规则悉皆不匹配之际方可触发。

⑦. 将“症状事实”放置于引擎之中, 这等同于给予引擎一张信息卡片。⑧. 运行 run(), 以此启动引擎, 让其自行检查全部规则, 进而触发契合条件的回复。

四、动手试试!从"抄代码"到"改代码"

Logo

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐