中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

導語：本文作者前后經歷了40+個機器人的搭建、設計與運營，同時從0-1構建了機器人對話平臺。通過對過往經驗的復盤總結，作者對“對話機器人”的核心功能要點做了梳理與總結，希望這篇文章對你有所幫助，歡迎大家討論。

一、對話概述

在講對話核心功能之前，我們先看一下，什么是對話？

對話是對話雙方基于某個話題，通過語言進行信息交互的過程。比如：你早上起來，你媽媽跟你的對話：

Mother：早餐想吃啥？我給你煮

你：我喝點粥就好了

Mother：那煎荷包蛋給你吃吧

你：好嘞，我剛想吃

Mother：要一個還是兩個？

你：一個就好了

Mother：再給你弄點腐乳吧

你：好呀

1.1 對話組成部分

對話的定義中，有幾個關鍵的組成部分。

1.1.1 對話雙方

即一個對話中的信息傳遞與交互者，這里一般指的是雙方的對話，若是超過2人，則視為“群聊”?？梢韵胂胛⑿胖械亩x：單聊和群聊。

在上述的例子中，對話雙方就是你和你媽媽。你們倆通過語言進行信息的交互，如果你爸也參與進來，那就是三方的對話。相較于雙方的對話，三方（或更多）的對話，在信息交互上更為復雜些，這不在我們的討論范圍內。

1.1.2? 話題

一個對話的進行，必定有其對應的話題，話題與對話雙方的核心需求相關聯。

沒有話題的對話，幾乎不存在。當然，你可能會說，那我就漫無目的的閑聊唄，沒有固定話題呀。是的，這里我們把“閑聊”也看做一個話題。

“閑聊”雖然看起來漫無目的，但是其本質也是為了滿足對話雙方的需求與目的。如果沒有這個需求，那雙方可能連說話/打字都懶得動，故這里把“閑聊”也定義為某個話題。

在上述的例子中，你和你媽媽這個對話的話題就是“吃早餐”，為什么有這個話題？

因為你媽媽關心你早餐吃什么，你不論出于真的想吃早餐也好，想讓你媽媽放心也好，都是基于“吃早餐”這個話題，跟你媽媽聊幾句。當然你除了聊“吃早餐”，你可能也會在對話中，突然想起你昨天到的快遞，進而問你媽媽“快遞是不是拿了”。

此時，對話就變成了多個話題：“吃早餐”、“是否拿快遞”。

一個對話中，可能只有1個話題，也可能有多個話題。詳情你可以回想下生活中的各種對話。當多個話題交織在一起時，對話的結構也會變復雜。但是，幾乎沒有對話是沒話題，對話雙方在那兒對話的（想想是不是挺詭異），這種“牛頭不對馬嘴”的對話，同樣也不在我們的討論范圍內。

1.1.3 語言

語言是信息的載體。在對話中，基于話題，對話雙方是需要語言來交流的，語言可以通過語音（也就是說話）、文字（也就是打字）來表達。

而我們為什么需要語言呢？因為語言主要是來傳遞人要表達的信息的，再看上述的例子：你媽媽說：“早餐想吃啥？我給你煮”.

為啥你媽媽要這么說？因為你媽媽要知道你“早餐想吃啥”這個信息，因為獲取這個信息，她才能進行接下去的動作：你想喝粥，她就煮粥；你想吃包子，她就熱包子；你想吃龍蝦，她可能就把你抓過來打你頭并說：“一大早你腦子是睡傻了吧你”。

同樣的，你說“我喝點粥就好了”，也是通過語言來傳遞“你想喝粥”的信息給你媽媽，讓她接收到這個信息，你們倆都在使用語言傳遞各自想要表達的信息。

當然，語音、文字這兩種方式，能承載的信息是有差別的。語音能承載的信息更多，因為有語調、語速等更多維度的信息。這個也是目前AI對話領域的ASR信息衰減的一個原因，此處在不贅述。

1.1.4 信息交互

對話的本質在于對話雙方間的信息交互。信息交互是讓對話進行的必要條件。

比如上述的例子中，你媽媽問你：“早餐想吃啥？我給你煮”。而你沒回應她，繼續玩弄自己的手機。那你媽媽會怎么樣呢？你媽媽大概率會再問你一次“早餐想吃啥？”（生氣值上升20%）。

為什么？因為在對話中，信息是需要交互的。你沒有回應你媽媽問你的話，這是信息的單向傳遞，你媽媽并沒有獲取到她想要的信息，所以她再問了你一次。假如你再不回答，那對于這個話題，對話就進行不下去了。你媽媽可能開始質問你，對話的話題就轉變為另一個：“為什么你媽媽問你話你不答”。

所以，信息交互對于對話而言，是至關重要的組成部分，也是讓對話進行的基石。

1.2 機器人在對話中的職責

在講機器人在對話中的角色與職責前，我們先來看一下，機器人能做的事情是什么？對話機器人的興起，得益于本次AI中的NLP領域的發展?？捎糜趯υ挼腁I能力有什么呢？

• 語義識別能力：意圖識別、實體識別、語義相似度識別
• 知識構建與識別能力：知識圖譜

看著似乎挺抽象是吧？沒事，我們后面會具體講。簡單地說，現在的AI技術決定了對話機器人可以解決的問題是：某個特定行業領域下，基于某類特定問題，提供簡單固定的解答/服務。

上述的“吃早餐”對話場景，如果是一個“早餐機器人”，它會怎么做呢？

假設它的工作流程是：詢問早餐需求->做早餐，那么，“詢問早餐需求”跟你的對話應該是這樣的：

Bot：早上好，請問你早餐想吃什么呢？（提供選項：粥，包子，面包，花生湯）

你：我想喝粥

Bot：好的。那您喝粥配荷包蛋可以嗎？

你：好啊，我剛想吃荷包蛋

Bot：吃一個還是兩個呢？

你：一個就好了

Bot：再配點腐乳嗎？

你：好呀

看完這段你可能會說：這效果不是跟我和我媽的對話一樣嘛！機器人真的有這么厲害嗎？

答案是NO，機器人并沒有那么厲害。為什么？我們從剛才說的對話機器人可解決的問題看。

1.2.1 特定行業領域的特定問題

上述的對話是基于“吃早餐”這個話題對應的“飲食”這類領域而定的。如果是所有領域（或者說是開放閾），機器人是處理不了的。

比如你突然問它：“我的快遞單號是多少”，它可能就沒法解答。因為它只是針對你“吃早餐”的機器人。問快遞單號的話，你可以打開淘寶，讓阿里小蜜機器人回答你：）

1.2.2 提供簡單固定的解答/服務

機器人只能提供固定流程的解答與服務，并不能解答復雜、隨機性太大的對話問題。

比如剛才的對話，機器人說：“早上好，請問你早餐想吃什么呢？”而你說：“有鍋邊糊嗎”（注解：鍋邊糊是福建早餐小吃）機器人可能壓根就不知道你在說什么。

因為機器人的這個問題，是有人為的預設值，若訪客回復內容，未落在預設值內，就會出現機器人無法處理的問題。

所以，在設計機器人時，需要了解當機器人發問后，訪客可能會說的內容。語言本身就是開放閾的內容，訪客會說什么，設計者只能按照概率大小去設計，盡量去覆蓋，并無法窮盡訪客的說法。

而訪客的語言，又受到個人因素、當時環境因素的影響，從本質上來說，這是永遠的矛盾點。

因此，對話機器人能解決的對話問題，是所有對話語言問題中的一部分，或者說一小部分。雖然對話機器人做不了非常智能、隨機性很大的對話問題，但是在某些領域，對話機器人還是可以很高效、便捷地幫人處理很多對話問題。

比如智能客服領域、系統內人力資源問答領域等等，這也是目前對話機器人的價值應用領域。

二、機器人對話

2.1 用戶對話場景

既然對話機器人是針對某個特定行業領域的對話，那么在設計對話功能之前，第一步是需要明確，對話機器人解決的是哪個行業領域，什么訪客，具體什么場景的的問題。這是對話機器人的框架與邊界，只有先確定，后面的設計才可以進行。

2.1.1 確定行業領域

比如：“電商行業”、“金融行業”、“醫療行業”等等，行業決定了訪客特性、機器人應答策略、機器人知識庫內容與結構。

2.1.2 確定對話場景

比如：“售后場景”、“售前場景”、“企業內部接待支持”、“微信群聊”等等。不同的對話場景，可能對應不同的對話目的，決定了機器人“該如何應答”。

場景往下拆分，根據顆粒度從大到小，又可分為：場景->意圖，指的是場景從大到小的拆分。

有的機器人根據業務需要，還會更細地拆分為：場景->主題->意圖（父意圖）->意圖（子意圖）。每個意圖下分別對應不同的機器人對話流程，同時流程間會設定各種規則，以應對在對話中訪客不同的發問情況。

如何確定對話場景？

一般需要AI訓練師/AI PM，根據行業內的場景情況，通過人工對話數據，或查閱相關資料/訪談的方式，了解行業場景特性，并拆分出具體的訪客意圖。

比如：在“電腦培訓售前場景”中，根據訪客對話場景，會劃分“咨詢網頁設計”、“咨詢JAVA課程”、“咨詢SEO課程”，“咨詢Python課程”等等。常見的，對話場景的數量，一般在20個-50個之間不等（當然，某些特定對話場景會超出這個范圍）。

對話場景的劃分，需遵循MECE原則：相互獨立，完全窮盡。即：所有意圖需覆蓋所有的訪客意圖情況（完全窮盡），且意圖之間盡量相互獨立，互不交叉（相互獨立）。這會為后續的應答策略，做一個良好的場景設定，讓后續的對話設計更好進行。

2.2 機器人應答策略

雖然不同的對話場景中，機器人具體的應答策略是不一樣的：比如售后場景的機器人主要以解答為主，而售前場景的機器人是引導訪客留聯。但是在所有場景的機器人中，是有一套適用于對話機器人設計的應答策略方法論的，差別點在于具體落地機器人的實現展示方式。

2.2.1 單輪對話、多輪對話

根據機器人與訪客對話形式的不同，可以將對話形態劃分為單輪對話、多輪對話，通俗地講即：你想讓機器人如何解決訪客的問題。

2.2.1.1 單輪對話：訪客問一個問題，機器人立即回答

比如：

訪客：“你們培訓地點是在哪兒??？”

BOT：“我們是在海淀區知春路25號百事大廈13樓”

這類訪客問題中，訪客問的是一個客觀的，不隨訪客信息/其他信息等的不同而不同的回答。即：不論訪客是小明，還是小紅，“培訓地點”它永遠都是“海淀區知春路25號百事大廈13樓”。所以機器人只需要根據事實（通常將該類知識配置在知識庫中），直接回答即可。

由于其交互是一問一答，在一個對話輪次中即可解決問題，故稱之為“單輪對話”。

2.2.1.2 多輪對話：訪客問一個問題，機器人通過詢問訪客信息，根據訪客不同的信息作出回答

比如：

訪客：“我可以報六級英語培訓班嗎”

BOT：“請問下您通過四級英語考試了嗎？”

訪客：“通過了”

BOT：“嗯好的，您可以報六級英語培訓班的，這邊登記下您的信息”

這類訪客問題中，若要進行回復（無論是機器人/人工），則需確定某些參數信息才可回復?！笆欠裢ㄟ^四級英語考試”，是上述例子中的參數變量。

“通過”對應一個回答；“未通過”則對應另一個回答。機器人需要通過詢問訪客這些信息，才能進行回答。所以對話需要進行多輪的交互，一般為“機器人詢問-訪客答”的方式，故稱之為“多輪對話”。

這兩種對話形式，也構成了目前對話機器人的對話，是對話的框架基礎。為什么沒有其他類型的對話形式呢？

原因很簡單，因為現有的NLP技術，在支撐具體業務場景下，這兩種對話形式是最有效的?；蛘邠Q句話說，暫時沒有第三種方式讓機器人更好地服務訪客。

而對話機器人的設計，主要在于對話策略的設計，具體表現在對話流程的邏輯設計。單輪對話由于其一問一答的形式，基本不需要對話邏輯的設計，其重點在于知識的構建和回答的設計。所以，對話設計的重點，在于多輪對話的設計。

2.2.2 多輪對話設計

多輪對話的設計要點：場景、對話流程、信息流轉。

2.2.2.1 場景

定義對話場景，行業內機器人的做法主要是通過意圖定義場景。比如：“咨詢Python課程”這個意圖，通過對意圖的解答和服務，來完成機器人對話。

2.2.2.2 對話流程

這個是對話機器人的核心，包括：對話流程如何運轉、異常情況該如何處理、多輪對話與單輪對話的協作配合。

2.2.2.3 信息流程

對話內的信息，是對話的核心要素。所以需要設計：對話內信息如何流轉；同時，由于機器人是需要和對話外的系統做信息交流，所以也需設計對話外信息如何與對話內信息進行交互流轉。

2.3 核心功能要點

2.3.1 場景識別

場景識別，是對對話場景、用戶意圖的識別。這也是對話中體現AI技術運用的核心功能。行業內主流的做法，是用意圖來定義，對應的AI技術就是意圖識別，本質上是一種分類算法。

比如：“咨詢Python課程”這個意圖，需要提供訪客關于這個意圖的各式各樣的說法，進行模型訓練，從而“教會”模型去識別。所以需提供讓用戶可進行意圖定義、語料定義的功能，讓用戶可進行配置。

通常的做法是：

2.3.1.1 讓用戶構建語料

主要有2種方式：

1. 讓用戶自行構想創建。但這種方式是及其枯燥和艱難的，因為定義一個意圖，需要幾十條甚至上百、上千條的對話語料（對模型來說，數據量越多越好）。對于用戶來說，任務艱巨且乏味；
2. 抽取人工對話數據，通過系統推薦構建語料庫。這種方式是在用戶創建數條語料后，系統根據相似度，從人工對話數據語料中，推薦給用戶。用戶可自行決定添加/不添加，省去了自己憑空想象的枯燥過程。

2.3.1.2 讓用戶構建意圖句式

與第一種方式不同，這種方式是讓用戶抽象意圖的各種表達方式，通過一個句式，來涵蓋訪客的說法。句式內容可包括：關鍵詞、正則表達式、實體。通過配置詞順序、匹配度，來構建句式，從而實現匹配訪客說法的目的。

值得注意的是，這種構建方法，本質上是通過“寫規則”來設計，與AI的理念實際上是相反的。所以一般作為補充第一種方式使用。

其弊端也很明顯：往往句式寫多了，句式之間可能出現交叉、互斥的情況。而配置的人卻較難發現與調整。當句式越來越多后，就更難進行調整，對對話機器人實則是一種隱患。

當然，這種方式在機器人冷啟動時相當好用，這也是其存在的可能是最大的價值。

除了上述通過意圖來定義用戶場景外，還能通過其他維度進行定義。比如，通過關鍵詞、實體、正則表達式、變量，來定義用戶場景。

定義的維度越豐富，能支撐的業務也就越多，同時對于后續流程的處理，也就需考慮更為復雜的情況。所以基于當前需解決的業務形態來設計，至關重要。

2.3.2 流程邏輯

流程邏輯的構建，可以說是對話機器人的骨架。流程決定了對話機器人是否可為訪客提供價值。流程與場景一般是一一對應的關系，通常我們若用意圖來定義場景的話，那么每一個意圖，將會對應一個對話流程。

還是上述“電腦培訓行業”的機器人，當機器人向訪客詢問：“請問你想了解哪方面的培訓課程呢？”

• 訪客若說：“我想了解Python課”，那么對應意圖識別的結果為“咨詢Python課程”，于是進入“Python課程”的對話流程；
• 訪客若說：“我想了解JAVA課”，那么對應意圖識別的結果為“咨詢JAVA課程”，于是進入“JAVA課程”的對話流程。

當然，訪客也有可能什么都不說，或者壓根就不回答機器人的問題，只顧自己描述自己的問題。這就需要機器人設計者（AI訓練師），構建“無意圖”/“通用意圖”，來覆蓋訪客的各種場景，讓機器人應對自如。

以下講講流程邏輯功能設計中的關鍵要點：當你開始設計對話機器人時，你就會發現，對話機器人的骨架，其實是一棵對話樹。

除了對訪客問題的識別，通過AI能力進行外，這棵樹幾乎全部是由AI PM/AI訓練師，通過定義對話規則，來構成的。這也就是我們說的對話策略。而流程的設計，即使這棵樹的設計。

2.3.2.1 流程間邏輯

一個機器人中，必定有多個流程，一般數量在幾十個，流程間邏輯的設計尤為重要。

• 流程優先級

眾多流程中，當訪客的問題，同時滿足多個流程進入條件時，哪一個流程優先觸發？

通常的做法是，讓用戶給意圖/流程做一個優先級的排序。如按照編輯順序從上往下，越重要的意圖，用戶可以放在越前面。這是一種對于大多數場景有效的做法，但是真的就沒問題嗎？

答案是NO，比如：

訪客：“Python課和JAVA課，哪個好學??？”

這種情況下，訪客意圖是“咨詢Python課程”，還是“咨詢JAVA課程”呢？

按照我們剛才說的策略，用戶意圖“咨詢Python課程”排在“咨詢JAVA課程”前面，則進入“咨詢Python課程”意圖的流程，反之則對換——這能解決訪客的問題嗎？

這是通過人工預判的方式，來提前設定訪客問題的意圖歸屬。而訪客的意圖，可能隨著對話場景、對話語境、自身情況的不同，而存在差異的。簡單來說，就是我們用一種簡單的一刀切的方式，來解決訪客的可能復雜的意圖問題。這是一種概率押賭的方式，只能解決一大部分問題，而非所有問題。

很遺憾，目前的AI技術，只到這個能力，還尚未到真正的“人工智能”時代。所以技術不夠，產品來湊，需要產品經理來不足AI不好解決的問題。

我們的做法是，針對這句訪客問題，可用知識圖譜進行答疑（當然也可配置FAQ+規則，但是需要做的排列組合較多，如：Python+JAVA；Python+C語言，等等），同時進入一個“無意圖”的流程。通過進一步詢問來確定訪客的意圖及對應的流程。

• 流程間跳轉關系

流程間分為同級流程，與父子流程。

同級流程：同級流程之間的跳轉，一般和流程中新意圖的識別有關。當訪客觸發新的意圖時，即做流程跳轉，比如：

訪客：“我想學Python”? ? —-進入“Python課程”流程

BOT：“可以的，我先了解下您的情況”

…

訪客：“C語言怎么樣?。俊?#8212;-跳轉至“C語言課程”流程

…

父子流程：子流程的準入條件，需為先觸發父流程。二者為并非同級關系，而是從屬關系。

比如：在醫療口腔中，“牙齒美白”與“冷光美白”是父子流程關系。因為“冷光美白”是“牙齒美白”中的一種方式。

訪客：“你們能做牙齒美白嗎？”? ? —-進入“牙齒美白”流程

BOT：“可以的，我先了解下您的情況”

…

訪客：“冷光的你們有沒有??？”—-跳轉至“冷光美白”流程

…

一般而言，進入子流程后，將不再返回至父流程。因為子流程是更細的場景，對話機器人的服務原則是，進入更細的場景，即能提供更有針對性的服務。

• 流程執行唯一性

同級流程中，當流程執行后，訪客問題再次出發了該流程，是否可再次進入呢？

這個問題其實根據不同的行業與業務場景，策略的選擇是不一樣的。通常來講，對于售后服務等來說，重復進入同一個流程，要求是較低的。

同時由于詞槽收集可避免重復發問，所以可接受再次進入流程；而售前引導性的場景，就較為幾回再次進入同一流程，因為這樣往往會讓機器人看著更加“不智能”，降低訪客對服務的信任感，所以一般是不能再次進入的。

但是無論如何，這個問題都是在對話機器人中，流程邏輯設計中應考慮的要素。

2.3.2.2 流程內邏輯

流程內的邏輯，指的是當訪客進入某流程時，機器人的應答策略。

• 流程準入條件

前面說了，流程一般的準入條件為意圖。但一些較復雜的場景，除了意圖外，我們還可以用關鍵詞、正則表達式、實體、變量來定義訪客的場景，作為流程準入的條件。

流程準入條件，可以看成是流程的大門：條件定義得寬泛，則門越大，進入流程的訪客問題類別更少，在流程中需處理的情況就越多；條件定義得苛刻，則門越窄，進入流程的訪客問題類別越少，在流程中需處理的情況就越少。但是同時，需定義的流程數量也更多。

• 流程進展

流程進展是對話處理的關鍵。簡單來說就是，機器人如何發問？當機器人發問后，訪客的各種回復情況，怎么處理？

a. 機器人如何發問？

a）發問內容

發問內容與當前意圖下，機器人需獲取的信息相關。通常為設計者設計的固定詢問話術，進行發問。

這里順便提到AI技術：NLG，即對話生成?？赏ㄟ^AI通過對話場景，生成相應的話術內容。但從實際效果來看，目前的NLG尚未達到業務對話要求，固定的話術效果會更好。

b）發問順序

發問順序通常是固定的預設順序。通常設計者會根據用戶場景，設計某個意圖下，機器人發問的具體順序。當然，在發問之前，若機器人已收集到相應信息，可做跳過處理。

b. 訪客回復后，機器人如何處理？

訪客回復后的處理，是對話流程往下進行的必要條件。機器人發問后，訪客的回應可能有幾種情況：

a）提供了機器人發問的信息

情況1：提供了單一信息，比如：

BOT：“你想咨詢什么課程呢？”

訪客：“Python課”

這種情況是最理想的情況。我們只需要設定不同信息下對應不同的對話分支走向即可，對話樹也即順利進行下去。

情況1：提供了多信息

BOT：“你想咨詢什么課程呢？”

訪客：“Python和JAVA的課程我都考慮”

這種情況中，AI算法會從訪客的回復中提取“Python”和“JAVA”兩個信息，并且并不知道訪客到底是想要哪個。這種情況就需要做特殊處理，有幾種常見的處理方式：

• 隨機選取一個信息，進行后續對話分支的執行；
• 構建句式，選取其中一個信息，作為分支執行的條件；
• 進入除預設分支外的默認/其他分支，執行后續的動作。

具體適用哪種策略，也需根據不同機器人而設計。

b) 訪客回復，但未提供機器人發問的信息

情況1：訪客的回復內容，未在預設的對話分支中，比如：

BOT：“你想咨詢電腦培訓的什么課程呢？”

訪客：“我想咨詢畫畫的班”

這種情況下，一般設計者也較難預知這種訪客的回復，一般會讓對話走“默認/其他”分支流程，以便讓對話繼續。當然，事后發現了問題，也可以通過補充對話分支的方式，來擴充機器人應答能力。

情況2：訪客的回復內容，新起了一個話題，比如：

訪客：“我想咨詢下Python課程”

BOT：“好的。請問您是什么學歷呢？”

訪客：“對了，你們的JAVA課怎么樣??？”

這種情況，訪客已經新起了個話題“JAVA課”，對話可以進入“JAVA課”的意圖流程中。當然，也可以不進入，這就涉及到“新流程優先”還是流程內“分支優先”的問題。

一般而言，對于場景較為垂類，較無多話題交叉的對話，使用“分支優先”是更優的選擇；而對于對話中較長有多話題交叉的對話，使用“新流程優先”效果會更好一些。這也是策略的選擇，通過概率大小決定應答策略。

c) 訪客不回復

當機器人發問后，訪客不回復。有可能是訪客離開了對話，也有可能是訪客切換了應用程序（常見于手機中）。訪客若不提供相關的信息，對話不好進行下去。

處理的方式有：間隔一段時間（如幾十秒）后，機器人再次發問（話術可有所變化），以獲得相應信息；或是靜默等待，若訪客依然不回復，則自動填入信息默認值，執行下一步對話動作。

• 流程打斷處理

在機器人發問-訪客回復的多輪對話 交互中，我們預想的是訪客會按照我們預設的對話節奏進行。但是實際過程中，訪客并不在意機器人是按照什么規則、什么節奏進行對話的，所以會出現當機器人正在應答，訪客進行打斷的情況（特別是在語音機器人的場景中）。

一般的處理方式是：被打斷后，機器人暫?；貜?，等待訪客表述完。被打斷的流程，若進入了新的流程，一般會等新流程執行結束后，再次回到原有流程。這個可根據不同的流程而設定“打斷后恢復”的設置。

2.3.3 信息流轉

前文講了，對話中的信息流轉，是對話的重要屬性，信息流轉分為對話內與對話外的信息流轉。

2.3.3.1 對話內信息流轉

即通過獲取訪客信息，做信息的記錄、傳遞、更新與使用。其中，有兩個要素是最重要的：

• 實體：實體是系統獲取訪客信息的來源。可以通過AI的實體識別能力，也可通過定義關鍵詞庫的方式進行識別，這是信息獲取的源頭；
• 變量（詞槽）：通過實體識別獲取了訪客信息后，需要存在一個載體中，這個載體就是變量（詞槽）。變量就像人體血液中的紅細胞一樣，獲取、運輸、更新對話信息，并把信息給對話的中控系統使用。可作為條件判斷的依據，也可作為話術的內容。

2.3.3.2 對話外信息流轉

在對話機器人中，對話信息不僅在對話中流轉，也可跟對話外部的系統做信息的交互，比如：

訪客：“幫我查一下明天的天氣”

BOT：“好的。明天北京天氣晴，氣溫15-23攝氏度?！?/p>

對話機器人需要通過外部系統（查天氣系統），才能獲取具體的天氣信息。其中，通過將具體的日期、地點信息傳遞給查天氣系統，獲取相應的天氣信息，這就是對話外信息流轉。

一般會設置接口調用的方式，通過設定接口和參數，與對話 機器人外的系統做信息交互。從而實現各種對話機器人技能的落地，如：查天氣、訂火車票、開電視、打開音樂等等

2.3.4 流程與知識庫協作

如果說流程是整個對話機器人的骨架，那么知識庫就如同機器人的血肉，因為機器人做答疑的一大部分內容，是通過知識庫進行的。而流程與知識庫需通過寫作配合，才能讓對話機器人在解答訪客問題的同時，又讓對話順利無縫地進展，從而最終達到對話目的。

流程與知識庫協作的策略，主要有以下2種：

1. 訪客發送的每條信息，先使用知識庫做解答，后執行流程的動作與話術：該策略適用于“解答型服務”的對話。即：盡量解答訪客的每個問題，即使機器人的對話顯得啰嗦，也可接受。
2. 當訪客回復未在預設的對話分支中時，才使用知識庫做解答

該策略適用于“引導性服務”的對話，對話重點在于讓對話引導的體驗更加，而不在于解答訪客的每個問題。兩種策略均各有利弊，側重點不同，提供的服務體驗也不同，可根據具體情況而確定。

三、總結

對話機器人產品，鑒于現有的AI技術，可以說有一大部分是需要AI PM做規則設計、策略設計的。

設計思路可概括為：用判斷概率的方式，選擇其對話策略。所以對話中有大量的邏輯設計、策略選擇，根據對話機器人所處的行業領域與用戶場景，做不同的取舍和側重點設計。

本文主要概述了對話機器人的設計要點，但有些要點中，又有其豐富的設計理念和實操細節，本文不在此方面贅述。后續會針對重點要素做詳細講解，希望對你有幫助。

作者：咖喱魚丸，5年PM經驗，2年AI PM經驗

本文由 @咖喱魚蛋egg 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議