🚀 原文地址：https://rasa.com/docs/rasa/command-line-interface

Rasa 提供了执行一些常用任务的命令行接口，下表为这些命令功能描述，并对一些命令做详细的解释。

1. rasa init

rasa init 命令是一个项目初始化命令，帮助你搭建出一个完整的机器人，并给出一些示例训练数据，它将创建以下项目结构：

.
├── actions
│   ├── __init__.py
│   └── actions.py
├── config.yml
├── credentials.yml
├── data
│   ├── nlu.yml
│   └── stories.yml
├── domain.yml
├── endpoints.yml
├── models
│   └── <timestamp>.tar.gz
└── tests
   └── test_stories.yml

在初始化过程中，Rasa 将会训练是否需要使用示例数据来训练一个初始化模型，如果回答 No，那么 models 文件夹将是空的。

Rasa 所有的命令行接口都会要求这样的项目文件结构，所以使用 rasa init 来创建项目是最好的方式。此外，初始化项目之后，我们就可以直接使用 rasa train、rasa shell 以及 rasa test 这些命令，而无须进行任何配置。

2. rasa train

前面提到，rasa train 的作用是使用 NLU 数据和故事训练模型，训练好的模型文件默认存放在项目下 models 文件夹中，当然我们也可以通过定义 --out 参数来修改存储位置，所生成的模型文件名通常是 .tar.gz 格式，这样可以方便你进行区分先后训练模型的版本。一个好的习惯是，在模型达到一个里程碑时，我们应该给模型文件打上 Tag。当然，它也有一个 --fixed-model-name 参数，用来修正模型文件名。

如果 models 文件夹下已经存在模型，那么只有模型中已经更改的部分将会被重新训练。例如，如果你只修改了 NLU 训练数据，那么只有 NLU 的那部分会被重新训练。

rasa train 还有 nlu 和 core 位置两个参数，分别用于单独训练 NLU 或者对话模型。如果所提供的数据仅仅适用于其中一个，那么 rasa train 在默认情况下会回退到 rasa train core 或者 rasa train nlu。

🔔 rasa train 会默认调用 GPU 训练，前提是 Nvida 和 Tensorflow GPU 版本都已经正常可用。

2.1 增量式学习

3. rasa interactive

前面我们介绍了，我们可以在开启 Rasa X 之后，就可以在 UI 界面中和机器人进行聊天。对于那些更喜欢命令行的小伙伴，可以通过执行 rasa interactive 来打开一个交互式学习的 Session。

只想 rasa interactive 之后，首先 Rasa 会帮我们训练出一个模型，并开启一个交互式的 Shell，当你在机器人交流过程中纠正它的预测。如果在 pipeline 包含了 UnexpecTEDIntentPolicy，则可以在对话中的任意轮次触发 action_unlikely_intent。随后，终端中将显示以下消息：

The bot wants to run 'action_unlikely_intent' to indicate that the last user message was unexpected at this point in the conversation. Check out UnexpecTEDIntentPolicy docs to learn more.

上述消息表明，你已经探索了一条不属于当前训练故事集中的对话路径，因此，推荐将这条路径添加到训练故事中。像其他机器人的操作一样，你可以选择确认或拒绝此操作。

如果你训练模型时使用了 --model 参数，Rasa 将会跳过训练过程直接加载指定模型。

在交互式学习过程中，Rasa 将会根据训练数据绘制出当前对话和一些类似对话的表示图，以便你了解到你当前所处的位置。当会话开始时，我们就可以通过浏览 http://localhost:5005/visualization.html 来查看可视化图，该图的生成将会花费一定时间，如果需要跳过可视化过程，可以使用 rasa interactive --skip-visualization。

4. rasa shell

rasa shell 用于开启一个聊天会话，默认情况下，它将加载最新的训练好的模型。当然，你也可以使用 --model 参数来指定需要加载的模型。

如果仅使用 NLU 模型的话，对于所输入的任何消息，那么 rasa shell 将会输出预测的意图和实体。

如果你已经训练一个 Rasa 组合模型，但是只想查看模型从文本中提取的意图和实体，那么可以使用 rasa shell nlu。

5. rasa run

6. rasa run actions

运行 rasa run actions 将使用 Rasa SDK 开启一个 Action 服务器。

7. rasa visualize

rasa visualize 用于将故事生成一个图，如果故事的路径是在默认位置 data 之外，我们可以使用 --stories 参数来指定其位置。

8. rasa test

9. rasa data split

使用 rasa data split nlu 可以将 NLU 训练数据分成训练集和测试集，默认情况下会按照 80/20 比例来切分训练集和测试集。除此之外，我们还可以指定训练数据、比例以及输出文件夹。

10. rasa data convert nlu

我们可以通过运行 rasa data convert nlu 来将 LUIS、WIT、Dialogflow 以及 JSON 格式的文件转换为 YAML 或 JSON 格式文件。

11. rasa data migrate

Rasa 2.0 和 3.0 最大的区别在于领域文件的格式，我们可以将 2.0 域文件迁移到 3.0 上。通过运行 rasa data migrate 来进行迁移，还可以指定输入（输出）文件或文件夹：

$ rasa data migrate -d DOMAIN --out OUT_PATH

如果没有指定参数，Rasa 则会使用默认的域文件 domain.yml，并且它会帮我们备份 2.0 域文件为 original_domain.yaml，如果是指定的是文件夹，则会生成 original_domain 文件夹。

值得注意的是，对于迁移的域文件中的插槽，如果这些插槽是表单中的 required_slots，那么将会包含映射条件。

:::warning 🔔 注意
————
对于所提供的域文件，遇到以下条件时 Rasa 就会抛出异常且迁移过程会被中断

• 无效的域文件
• 域文件已经是 3.0 格式
• 原始域文件中缺少插槽和表单
• 插槽和表单分布在多个域文件中

这样做的目的在于避免域文件中迁移部分重复，请确保所有插槽和表单的定义被分组到单个文件中。 :::

12. rasa data validate

rasa data validate 用于检查域、NLU 数据或者故事中的错误和不一致的地方。验证器将会在数据中搜索错误，例如，一些相同训练示例却有 2 个意图。同时。验证器还会检查故事中是否存在对于同一段度化历史，机器人采取了不同的动作。如果故事之间存在冲突，这将会阻碍模型学习对话的正确模式。

如果在 config.yml 文件中给一个或多个策略传递了max_history 值，那么请将这些值的最小值使用 --max-history <max_history> 传递给验证器。我们也可以使用 rasa data validate stories 来验证故事的结构。

如果对于未使用的意图或响应在验证时需要中断，就可以使用 --fail-on-warnings。

:::info 💡 注意
———————————————
如果规则和故事是一致的，那么 rasa data validate 便不会测试。然而，RulePolicy 会在训练期间规则和故事之间的冲突。

如果使用端对端的故事，那么将可能不能捕获所有冲突。具体而言，如果两个用户输入在同样的特征化后却导致不同的 token，那么冲突的动作就会存在，但工具并不会报告这个问题。 :::

13. rasa export

rasa export 使用事件代理器从跟踪器中导出事件，同时我们还可以指定环境文件的位置、事件的最大最小时间戳，以及对话 ID 的列表。

:::info 💡 将对话导入到Rasa X
———————————————
该命令常用于将老的对话导入到 Rasa X 中进行标注。 :::

14. rasa evaluate markers

以下命令将标记配置文件中的标记应用于跟踪器预先存在的对话，并生成包含提取标记和汇总统计信息的 CSV 文件：

$ rasa evaluate markers all extracted_markers.csv

15. rasa x

Rasa X 是一种练习对话驱动开发的工具，在 Rasa 项目下执行 rasa x 来开启。