AI客服应用教程：从零搭建自动问答机器人

想自己搭一个能自动回答常见问题的AI客服，又担心流程太复杂？
这篇教程会带你从零开始，在一台云服务器上部署一个基于开源工具Rasa的客服机器人。
整个过程不需要写太多代码，重点是把环境装好、把问答数据喂进去，最后通过接口测试确认它能正常回复。
下面按实际操作的顺序展开。

先确认服务器环境和必备条件

建议准备一台至少2核4G内存的Linux云服务器（Ubuntu 22.04或CentOS 7以上），并确保能通过SSH登录。
操作系统需要自带Python 3.8以上版本，如果没有，先升级。
另外，确保服务器能访问外网，因为后续要拉取Docker镜像和Python包。

登录服务器后，先更新软件源并安装基础工具：

sudo apt update && sudo apt upgrade -y
sudo apt install -y curl git vim

如果使用CentOS，把apt换成yum即可。
接着检查Python版本：

python3 --version

如果低于3.8，建议用pyenv或系统包管理器安装新版本。
这里假设已满足要求。

用Docker快速拉起Rasa服务

Rasa是一个开源的对话式AI框架，适合用来做客服机器人。
为了简化依赖管理，我们用Docker来运行。
先安装Docker和Docker Compose：

curl -fsSL https://get.docker.com | sudo sh
sudo usermod -aG docker $USER

执行完需要重新登录SSH，让用户组生效。
然后验证Docker是否可用：

docker --version

随后创建一个工作目录，并编写docker-compose.yml文件：

mkdir ~/ai-customer-service && cd ~/ai-customer-service
vim docker-compose.yml

把以下内容粘贴进去（注意缩进）：

version: '3.0'
services:
  rasa:
    image: rasa/rasa:3.6.0-full
    ports:
      - "5005:5005"
    volumes:
      - ./rasa:/app
    command: run --enable-api --cors "*" --debug

保存后，在rasa子目录里初始化项目：

mkdir rasa && cd rasa
docker run --rm -v $(pwd):/app rasa/rasa:3.6.0-full init --no-prompt

这会在当前目录生成默认的配置文件、训练数据和模型目录。
回到上级目录，启动服务：

docker-compose up -d

用docker-compose logs -f查看日志，看到Rasa server is up and running表示启动成功。
此时API监听在5005端口。

导入客服知识库并训练模型

默认项目里已经包含一些示例意图和回复，但我们需要换成自己的客服问答。
编辑rasa/data/nlu.yml，按YAML格式添加意图和例句，例如：

version: "3.1"
nlu:
- intent: ask_shipping
  examples: |
    - 发货时间要多久
    - 什么时候能发货
    - 快递几天能到

再编辑rasa/domain.yml，在responses部分添加对应的回复模板：

responses:
  utter_ask_shipping:
  - text: "一般下单后48小时内发货，物流时间视地区而定，通常3-5天送达。"

同时确保rules.yml或stories.yml里包含对应的规则，让机器人知道收到ask_shipping意图时回复utter_ask_shipping。
最简单的做法是在rasa/data/rules.yml里增加：

version: "3.1"
rules:
- rule: 回复发货问题
  steps:
  - intent: ask_shipping
  - action: utter_ask_shipping

保存后，重新训练模型：

docker-compose exec rasa rasa train

训练完成后，重启服务加载新模型：

docker-compose restart rasa

通过HTTP接口测试机器人回复

Rasa提供了REST API，可以用curl模拟用户发消息。
先确认服务正常运行：

curl http://localhost:5005/status

返回{"status":"ok"}表示正常。
然后发送一条测试消息：

curl -X POST http://localhost:5005/webhooks/rest/webhook \
  -H "Content-Type: application/json" \
  -d '{"sender":"test_user","message":"发货时间要多久"}'

如果返回的JSON里包含text字段且内容与预期回复一致，说明客服机器人已经能正确应答。
如果返回空数组，检查意图是否被正确识别，可以查看日志里的NLU解析结果。

常见报错和避坑提醒

部署过程中容易遇到几个典型问题。
一是Docker权限不足，执行docker命令提示permission denied，确认当前用户已加入docker组并重新登录。
二是训练时内存不足，Rasa训练需要一定内存，如果服务器只有1G内存可能会被OOM杀掉，建议至少2G并加swap。
三是端口5005被占用，用ss -tlnp | grep 5005查看占用进程，修改docker-compose.yml的端口映射或停止冲突服务。
四是修改了YAML文件但没重新训练，机器人不会生效，每次改完数据都要执行rasa train并重启容器。
另外，生产环境不要直接暴露5005端口到公网，建议用Nginx反向代理并加认证，或者只在内网调用。

验证与后续维护建议

功能验证除了发消息，还可以用rasa test运行测试用例，检查意图识别和规则回复的准确率。
日常维护时，定期备份rasa/data目录和训练好的模型文件，避免数据丢失。
如果客服问答量增大，可以考虑把Rasa接入微信公众号或网页聊天窗口，通过webhook对接。
对于刚接触AI客服的团队，先跑通基础问答流程，再逐步增加多轮对话和实体抽取，更容易落地。