🚀 原文地址：https://rasa.com/docs/rasa/fallback-handoff

本篇文章是关于如何处理机器人的各种故障的指南。即使你完美地设计了你的机器人，用户也会不可避免地说出意料之外的话。在这些情况下，机器人会回复失败，作为业务方，确保它正常运行非常重要。

1. 处理超出范围的消息

为避免用户感到沮丧，我们可以处理那些用户可能会询问，但是尚未实现用户目标的问题。

1.1 创建范围外的意图

我们需要在 NLU 训练数据中定义 out_of_scope 意图，并将任何已知的范围外请求添加为训练样本，例如：

nlu:
- intent: out_of_scope
  examples: |
    - I want to order food
    - What is 2 + 2?
    - Who's the US President?

与每个意图一样，我们应该从真实对话中获取大部分示例。

1.2 定义响应消息

我们需要在域文件中定义一个范围外的响应，使用话语 utter_out_of_scope 作为默认响应，示例如下：

responses:
  utter_out_of_scope:
  - text: Sorry, I can't handle that request.

1.3 创建范围外的规则

最后，我们还需要给超出范围的请求编写规则：

rules:
- rule: out-of-scope
  steps:
  - intent: out_of_scope
  - action: utter_out_of_scope

1.4 处理特定范围外的消息

如果观察到用户询问你希望将来转换为用户目标的一些事情，我们可以将这些事情作为单独的意图来处理，为了让用户知道我们已经理解他们的信息，但目前还没有一个解决方案。例如，如果用户询问“我想在 Rasa 申请一份工作”，我们可以回复“我知道您在找工作，但恐怕我还不能掌握这项技能”。

与 out_of_scope 意图示例类似，我们需要使用训练示例创建新意图、定义响应消息，并创建规则。

2. 回退

尽管 Rasa 会泛化到未知的消息，但某些消息可能会收到分类低置信度。使用回退将有助于确保低置信度的消息得到妥善处理，让机器人可以选择默认消息进行响应或尝试消除用户输入中的歧义。

2.1 NLU回退

要处理 NLU 置信度低的传入消息，请使用 FallbackClassifier。使用此配置，当所有其他意图预测低于配置的置信度阈值时，将预测意图为 nlu_fallback。然后，当预测 nlu_fallback 意图时，我们可以编写一条规则告诉机器人应该做什么。

1）更新配置

要使用 FallbackClassifier，请将其添加到 NLU 管道中：

pipeline:
# other components
- name: FallbackClassifier
  threshold: 0.7

2）定义响应消息

当用户消息被分类为低置信度时，通过添加响应来定义机器人应该发送的消息：

responses:
  utter_please_rephrase:
  - text: I'm sorry, I didn't quite understand that. Could you rephrase?

3）创建NLU回退规则

以下规则是在用户在发送的消息被分类为置信度时，要求用户重新表述消息：

rules:
- rule: Ask the user to rephrase whenever they send a message with low NLU confidence
  steps:
  - intent: nlu_fallback
  - action: utter_please_rephrase

2.2 处理低动作置信度

由于用户可能会发送意料之外的消息，因此他们的行为可能会走上未知的对话路径。Rasa 使用经过优化后的机器学习策略来处理未知的对话路径，例如 TEDPolicy。

在机器学习策略无法给出高置信度的下个预测动作的情况下，如果没有高于所配配置的置信度阈值的策略，我们可以配置规则策略以预测默认动作。

在低置信度动作情况下，我们可以配置动作来进行处理以及相应的置信度阈值，具体步骤如下：

1）更新配置

我们需要将 RulePolicy 添加到配置文件中的策略中。默认情况下，规则策略有以下相关设置：

policies:
- name: RulePolicy
  # Confidence threshold for the `core_fallback_action_name` to apply.
  # The action will apply if no other action was predicted with
  # a confidence >= core_fallback_threshold
  core_fallback_threshold: 0.4
  core_fallback_action_name: "action_default_fallback"
  enable_fallback_prediction: True

2）定义默认响应消息

在动作置信度低于阈值时，要定义机器人说什么，需要在域文件中定义响应 utter_default：

responses:
  utter_default:
  - text: Sorry I didn't get that. Can you rephrase?

当动作置信度低于阈值时，Rasa 将运行动作 action_default_fallback。这将发送 utter_default 响应，并恢复到导致回退的用户消息之前的对话状态，因此不会影响对未来动作的预测。

3）自定义默认动作

action_default_fallback 是 Rasa 中的一个默认动作，它向用户发送 utter_default 响应，我们可以创建自定义动作来作为回退。以下代码片段是自定义动作的实现，它与 action_default_fallback 执行相同的操作，但分派不同的模板 utter_fallback_template：

from typing import Any, Text, Dict, List
from rasa_sdk import Action, Tracker
from rasa_sdk.events import UserUtteranceReverted
from rasa_sdk.executor import CollectingDispatcher
class ActionDefaultFallback(Action):
    """Executes the fallback action and goes back to the previous state
    of the dialogue"""
    def name(self) -> Text:
        return ACTION_DEFAULT_FALLBACK_NAME
    async def run(
            self,
            dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any],
            ) -> List[Dict[Text, Any]]:
        dispatcher.utter_message(template="my_custom_fallback_template")
        # Revert user message which led to fallback.
        return [UserUtteranceReverted()]

2.3 两阶段回退

为了让机器人有机会弄清楚用户想要什么，我们希望通过提出澄清问题来尝试消除用户消息中的歧义。两阶段回退用于使用以下程序处理多个阶段的低 NLU 置信度：

用户消息被分类为低置信度
- 要求用户确认意图
用户确认或否认了意图
- 如果用户确认，对话将继续就像意图从一开始就被分类为高置信度
- 如果用户否认，他们将被要求重新表述消息
用户重新表述他们的意图
- 如果重新表述的消息被分类为高置信度，则对话会继续，就好像用户从一开始就有这样的意图
- 如果重新表述的消息还是低置信度，那么用户将被要求确认该意图
用户去人或拒绝重新表述意图
- 如果用户确认，则对话会继续，就好像用户从一开始就有这样的意图
- 如果用户否认，将会触发最终回退动作，例如转接给人工。默认最终回退动作称之为 utter_default_fallback，此操作会导致机器人发出 utter_default 响应，并重置对话状态，就好像在两阶段回退期间发生的回合没有发生一样。

可以使用以下步骤启用两阶段回退：

1）更新配置

将 FallbackClassifier 添加到配置文件中的管道中，以及将 RulePolicy 添加到策略中：

recipe: default.v1
pipeline:
# other components
- name: FallbackClassifier
  threshold: 0.7
policies:
# other policies
- RulePolicy

2）定义回退响应

当需要定义机器人如何要求用户重新表述他们的消息，请在域中定义 utter_ask_rephrase 响应：

responses:
  utter_ask_rephrase:
  - text: I'm sorry, I didn't quite understand that. Could you rephrase?

Rasa 提供了默认实现来询问用户的意图，并要求用户进行重新表述。

3）定义两阶段规则

在训练数据中添加如下规则，此规则将确保 Rasa 在收到具有低分类置信度消息时激活两阶段回退：

rules:
- rule: Implementation of the Two-Stage-Fallback
  steps:
  - intent: nlu_fallback
  - action: action_two_stage_fallback
  - active_loop: action_two_stage_fallback

4）定义最终回退动作

当用户拒绝重新表述意图时，机器人如何进行响应，请在域中定义 utter_default 响应：

responses:
  utter_default:
  - text: I'm sorry, I can't help you.

或者，我们可以通过在编写自定义动作 action_default_fallback 来完成更复杂的行为。例如，如果希望机器人呼叫并停止与用户进行交互：

from typing import Any, Dict, List, Text
from rasa_sdk import Action, Tracker
from rasa_sdk.events import UserUtteranceReverted
from rasa_sdk.executor import CollectingDispatcher
class ActionDefaultFallback(Action):
    def name(self) -> Text:
        return "action_default_fallback"
    def run(
            self,
            dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any],
            ) -> List[Dict[Text, Any]]:
        # tell the user they are being passed to a customer service agent
        dispatcher.utter_message(text="I am passing you to a human...")
        # assume there's a function to call customer service
        # pass the tracker so that the agent has a record of the conversation between the user
        # and the bot for context
        call_customer_service(tracker)
        # pause the tracker so that the bot stops responding to user input
        return [ConversationPaused(), UserUtteranceReverted()]

:::warning 💡 自定义最终回退动作返回的事件
————————————————
应该将 UserUtteranceReverted() 作为自定义 action_default_fallback 返回的事件之一。不包括导致跟踪器在两阶段回退过程中发生所有事件的事件，这可能会干扰机器人策略管道的后续动作预测。最好是将来两阶段回退过程中发生的事件视为未发生，以便机器人可以应用规则或记忆的故事来正确地预测下一步动作。 :::

3. 人工交接

作为回退动作的一部分，一些情况下，我们希望机器人可以移交对话给人工进行处理。一个实现人工转接的直接方法是配置消息或语音通道，根据特定机器人或用户消息切换侦听的主机。

例如，作为两阶段回退的最终动作，机器人可以询问使用“你需要转接人工助理么？”，如果用户回答需要，机器人将发送带有特定负载的消息，例如 handoff_to_human 到通道。当此通道接收到消息，它将停止监听 Rasa Server，并会向人工通道发送一条消息，其中包含到那时为止的聊天对话记录。

从前端移交给人工的实现将取决于我们所使用的通道，可以在 Financial Demo 和 Helpdesk-Assitant 中查看使用聊天室频道改编的实现示例。

4. 总结

为了让机器人优雅地处理故障，我们应该处理已知范围外的消息，并添加一个回退行为的表单。如果我们想添加人工对接，可以将其添加或作为回退设置的最后一步。以下是我们需要对每种方法进行更改的步骤：

对于范围外的意图：

将每个范围外意图的训练示例添加到 NLU 数据中
定义范围外的响应或动作
为范围外的每个意图定义规则
在配置文件 config.yml 中添加 RulePolicy

对于单阶段 NLU 回退：

在配置文件 config.yml 管道添加 FallbackClassifier
定义回退响应或动作
给 nlu_fallback 意图定义规则
在配置文件 config.yml 中添加 RulePolicy

对于处理低核心置信度：

在 config.yml 文件中给核心回退配置 RulePolicy
可选择性配置自定义回退动作
定义 utter_default 响应

对于两阶段回退：

在配置文件 config.yml 管道添加 FallbackClassifier
给 nlu_fallback 意图定义规则，用于触发 action_two_stage_fallback 动作
在领域中定义范围外意图
在配置文件 config.yml 中添加 RulePolicy

对于转接人工：

配置前端切换主机
编写自定义动作（可以是回退动作）来发送转交的负载
添加触发转交的规则（如果不是回退的一部分）
在配置文件 config.yml 中添加 RulePolicy

Python 教程

🔋回退和人工交接

1. 处理超出范围的消息

1.1 创建范围外的意图

1.2 定义响应消息

1.3 创建范围外的规则

1.4 处理特定范围外的消息

2. 回退

2.1 NLU回退

1）更新配置

2）定义响应消息

3）创建NLU回退规则

2.2 处理低动作置信度

1）更新配置

2）定义默认响应消息

3）自定义默认动作

2.3 两阶段回退

1）更新配置

2）定义回退响应

3）定义两阶段规则

4）定义最终回退动作

3. 人工交接

4. 总结