Rasa - Framework d'IA conversationnelle

Rasa - Framework d’IA conversationnelle

Rasa est un framework open-source pour la construction d’assistants conversationnels contextuels. Contrairement aux chatbots basés uniquement sur les prompts, Rasa vous donne un contrôle explicite sur le dialogue : vous définissez les intentions, les entités, et les flux, et l’assistant suit la logique métier que vous spécifiez plutôt que ce que le modèle improvise. Tout s’exécute sur votre propre infrastructure, ce qui est important pour les domaines réglementés. La Rasa moderne (CALM) mélange la compréhension basée sur les LLM avec l’exécution de flux déterministes — le modèle interprète, vos flux décident.

Installation

Méthode	Commande
pip	`pip install rasa`
Nouveau projet	`rasa init`
Prérequis	Python 3.9–3.11 (vérifier le support actuel)
Vérifier	`rasa --version`

Structure du projet

Chemin	Contient
`domain.yml`	Intentions, entités, slots, réponses, actions
`data/nlu.yml`	Exemples d’entraînement par intention
`data/stories.yml`	Chemins de conversation d’exemple
`data/rules.yml`	Règles déterministes
`data/flows.yml`	Flux de logique métier CALM
`config.yml`	Pipeline NLU/policy
`actions/actions.py`	Actions Python personnalisées

CLI principal

Commande	Description
`rasa init`	Organiser un nouvel assistant
`rasa train`	Entraîner le modèle
`rasa shell`	Discuter avec lui dans le terminal
`rasa run`	Démarrer le serveur
`rasa run actions`	Démarrer le serveur d’action personnalisée
`rasa test`	Exécuter les tests contre les histoires de test
`rasa interactive`	Entraînement/correction interactifs
`rasa data validate`	Vérifier la cohérence des données

Définir les intentions et réponses

# domain.yml
intents:
  - greet
  - check_balance

responses:
  utter_greet:
    - text: "Hi! How can I help?"

slots:
  account_id:
    type: text
    mappings:
      - type: from_entity
        entity: account_id

actions:
  - action_fetch_balance

# data/nlu.yml
nlu:
  - intent: check_balance
    examples: |
      - what's my balance
      - how much money do I have
      - show account [12345](account_id)

Flux (CALM)

# data/flows.yml
flows:
  check_balance:
    description: Look up the user's account balance
    steps:
      - collect: account_id
      - action: action_fetch_balance
      - action: utter_balance

Type d’étape	Fait
`collect`	Demander et remplir un slot
`action`	Exécuter une action personnalisée ou utter
`link`	Sauter à un autre flux
`set_slots`	Assigner les valeurs de slots
`next` avec `if`	Branchement conditionnel

Les flux sont déterministes : le LLM décide quel flux l’utilisateur veut, mais le flux lui-même s’exécute exactement comme écrit.

Actions personnalisées

from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher

class ActionFetchBalance(Action):
    def name(self) -> str:
        return "action_fetch_balance"

    def run(self, dispatcher: CollectingDispatcher, tracker: Tracker, domain):
        account = tracker.get_slot("account_id")
        balance = lookup_balance(account)
        dispatcher.utter_message(text=f"Your balance is ${balance}")
        return []

Exécutez avec rasa run actions (port par défaut 5055).

Test

rasa test                 # tests end-to-end
rasa test nlu --cross-validation
rasa data validate        # détecter les décalages domaine/données

Type de test	Vérifie
Tests NLU	Précision de l’intention/entité
Tests d’histoire	Chemins de conversation complets
Validation croisée	Généralisation du NLU

Canaux et déploiement

Canal	Note
REST	Endpoint HTTP par défaut
Widget Web	Chat intégrable
Slack / Teams / Telegram	Connecteurs intégrés
Voix	Via intégrations de téléphonie
Déploiement	Docker, Kubernetes/Helm, auto-hébergé

Rasa vs chatbots basés sur LLM uniquement

Aspect	Rasa	Bot LLM basé sur prompt uniquement
Contrôle	Flux/logique métier explicites	Émergent, difficile à contraindre
Prévisibilité	Élevée	Variable
Conformité	Chemins vérifiables	Difficile
Hébergement	Entièrement auto-hébergé	Généralement dépendant d’API
Meilleur pour	Assistants régulés, orientés vers les tâches	Conversation ouverte

Pour les agents ouverts, voir LangGraph ou Mastra ; la force de Rasa est les flux de tâches déterministes et vérifiables.