Rasa 2025 全解析：从开源先锋到企业级 AI 平台的 CALM 革命

Rasa 已不再是过去那个单纯的开源框架。随着 CALM 架构与 Flows 的推出，Rasa 迎来了史上最具变革性的转型。本文将深入剖析 Rasa 在 2025 年的核心技术、产品生态，以及这场由大型语言模型（LLM）驱动的革命，如何为企业打造兼具智慧与可靠性的次世代对话式 AI。

前言：Rasa 的蜕变，一场精心策划的 AI 革命

如果您对 Rasa 的印象还停留在一个功能强大、但需要大量手动标注意图（intent）和编写对话脚本（stories）的开源框架，那么，请准备好刷新您的认知。在 2024 年至 2025 年间，Rasa 经历了一场深刻的蜕变，成功地从一个以开发者为中心的工具，演进为一个全面的企业级对话式 AI 平台。

这场革命的核心，是一个名为 CALM（Conversational AI with Language Models） 的全新架构。它不仅仅是技术升级，更是一次彻底的思维转变。Rasa 并没有选择成为另一个大型语言模型（LLM）的简单封装，而是深思熟虑地将 LLM 的强大理解能力，与企业级应用所必需的确定性、安全性和可控性完美融合。

这篇文章将带您全面了解 2025 年的 Rasa，无论您是资深开发者、技术决策者，还是对话设计师，都能从中掌握 Rasa 的最新动态与未来潜力。

一个小厘清：rasa.com vs. rasa.io

在开始之前，必须先澄清一个常见的混淆。本篇文章讨论的是由 Rasa Technologies GmbH 公司开发的对话式 AI 平台，其官方网站为 rasa.com。您可能还会看到一个名为 rasa.io 的网站，那是一个完全无关的 AI 电子邮件行销平台。请务必认明正身，我们接下来所有的内容，都将围绕着 rasa.com 的 Rasa 生态系统展开。

典范转移：为什么 CALM 架构会改变一切？

要理解 CALM 的重要性，我们得先回顾一下「传统」的 Rasa 开发模式。

过去，建构一个 Rasa 机器人，开发者的核心任务是：

1. 预测使用者意图： 尽可能地预想使用者会说什么，并将这些话语归类到预先定义好的「意图 (intent)」中。
2. 提供大量范例： 为每个意图提供数十甚至数百个训练范例。
3. 编写对话路径： 使用「故事 (stories)」和「规则 (rules)」来巨细靡遗地描绘出所有可能的对话流程。

这种方法提供了高度的控制性，但缺点也相当明显——它非常「脆弱」。一旦使用者的提问方式或对话流程偏离了预设脚本，系统就很容易出错。随着对话变得复杂，维护成千上万的意图和故事，简直是一场灾难。

而 CALM 架构的出现，正是为了解决这个根本性问题。

CALM 的设计哲学：在弹性与控制之间取得完美平衡

CALM 旨在融合 LLM 的强大语义理解能力，与企业级应用所必需的确定性业务逻辑控制。它巧妙地在两种极端之间找到了平衡点：

• 避免纯 LLM 的不可预测性： 纯粹依赖 LLM 的聊天机器人容易产生「幻觉」（Hallucination），在关键业务上胡言乱语，这是企业无法接受的。
• 克服传统 NLU 的僵化： CALM 利用 LLM 来理解非预期的输入，让对话更加流畅自然，不再轻易「卡关」。

Rasa 的 CALM 架构透过精妙的「关注点分离」设计，将 LLM 的能力用在刀口上，同时确保核心业务流程的绝对可控。

CALM 的三大支柱

1. 对话理解 (Dialogue Understanding)： 这是主要利用 LLM 的环节。当使用者输入讯息时，Rasa 不再只是将其分类为单一意图，而是利用 LLM 在完整的对话上下文中，生成一组结构化的「命令 (commands)」。例如，将「帮我转 1000 块给小明」这句话，解构成「启动『转帐』流程」、「设定『金额』为 1000」、「设定『收款人』为小明」等机器可执行的指令。
2. 对话管理 (Dialogue Management)： 这是确保「控制」与「确定性」的环节。它接收上述的命令序列，并以完全可预测的方式，严格按照开发者定义的业务逻辑来执行。这个环节不会依赖 LLM 进行猜测，确保了业务流程的准确无误。
3. 上下文回应重述 (Contextual Response Rephraser)： 在确定了要回覆的内容后，这个可选环节可以利用 LLM 对预定义的回应进行「润色」。例如，将制式的「交易已完成」美化成更自然的「好的，您的 1000 元转帐已经顺利完成啰！」。这一步在不改变核心业务意涵的前提下，为机器人增添了人情味。

这种设计，为那些无法承受 AI 在客户面前「失控」的企业，提供了至关重要的安全感。

Flows：定义业务逻辑的全新语言

随着 CALM 架构的引入，Rasa 推出了 Flows，一种基于 YAML 的全新结构，用于取代过去的 Stories 和 Rules。

Flows 让开发者的心智模型发生了根本转变：从「模拟所有可能的对话路径」解放出来，转而专注于「定义完成一项任务所需的逻辑步骤」。这种抽象化，让 LLM 去处理对话中的各种灵活变化，而开发者只需关心核心业务流程，大幅减少了训练数据和脚本编写的工作量。

一个 Flow 的核心组成包括：

• description (描述): 这不只是注解！在 CALM 架构下，LLM 会直接分析这段自然语言描述，来判断何时该启动这个 Flow。这是一种基于语义的触发机制，远比传统的意图触发更智慧。
• steps (步骤): 定义了任务的执行序列，例如：
  • collect：向使用者提问以收集资讯（填充 slot）。
  • action：执行自订动作（如呼叫 API）或发送一则讯息。
  • link：连结到另一个 Flow，实现模组化与复用。
  • if/else：内建明确的条件分支，让复杂的逻辑判断变得前所未有的清晰。

这对开发意味着什么？ 想像一下，过去要处理一个「查询订单状态，如果未付款则引导至付款页面」的流程，你需要编写多个 Stories 来覆盖不同情境。现在，你只需要一个 Flow，用几个步骤和一个 if/else 判断就能清晰地定义完成。这就是 Flows 带来的威力——结构化、可维护且更强大。

Rasa 2025 生态系统：分工明确的「三剑客」

在 CALM 架构的基础上，Rasa 的产品生态也演变得更加成熟，分工明确：

1. Rasa Open Source：稳定、安全的基石

开源版本现在的战略定位非常清晰：作为整个生态系统稳定、可靠且安全的基石。其更新重点不再是华丽的新功能，而是对核心的加固。例如，在近期的版本中，Rasa 团队投入大量精力修复安全漏洞，甚至不惜做出破坏性变更（如用更安全的 safetensors 替换有风险的 pickle 序列化方法），将安全性置于首位。

这为所有 Rasa 应用提供了一个坚实的底座。

2. Rasa Pro：企业创新的引擎

如果说开源版是基石，那 Rasa Pro 就是驱动创新的引擎。所有最尖端的功能，包括：

• CALM 与 Flows 架构
• 进阶语音能力 (如与 Genesys、Audiocodes 的深度整合)
• 企业级隐私控制 (如 PII 数据脱敏)

这些功能都被整合在 Rasa Pro 中，专为满足大规模、高风险的企业级应用而设计。

3. Rasa Studio：连接设计与开发的桥梁

Rasa Studio 在 2025 年迎来了蜕变，从一个辅助开发工具，成长为平台的核心协作中枢。特别是其视觉化流程建构器 (Visual Flow Builder)，让非技术背景的对话设计师和业务分析师，也能透过拖拽节点的方式，直观地设计和理解复杂的 Flows。

此外，UI 内的丰富回应编辑、整合式提示工程 (Prompt Engineering) 和一键式语音测试等功能，极大地降低了开发门槛，成为连接设计、业务和开发团队的关键桥梁，有效回应了 Botpress 等竞争对手在视觉化方面的优势。

2025 年的 Rasa：优缺点再评估

基于以上的巨大变革，我们需要重新审视 Rasa 的优缺点。

优点

1. 无与伦比的控制力与安全性： CALM 架构在利用 LLM 的同时，将核心业务逻辑牢牢掌握在开发者手中，提供了独一无二的可靠性。
2. 高度客制化与数据隐私： 开源的本质让您可以完全掌控程式码和数据，这对于有严格合规要求的金融、医疗等行业至关重要。
3. 开发效率提升： Flows 大幅简化了复杂对话的定义，减少了维护成本，让团队能更快地交付价值。
4. 协作体验优化： 成熟的 Rasa Studio 让跨职能团队（设计、产品、开发）的协作变得前所未有的顺畅。

缺点

1. 学习曲线依然存在： 虽然不再需要大量标注数据，但新的技能需求转向了流程建模、业务逻辑设计和提示工程，这对团队提出了新的要求。
2. 核心创新功能需要付费： 最具革命性的 CALM 架构和进阶工具集中在 Rasa Pro，这意味着要体验 Rasa 的全部潜力，需要考虑授权费用。
3. 对训练数据的需求并未消失： 虽然对「对话路径」的数据需求减少了，但为了让 NLU 和对话理解更精准，高品质的训练数据依然是必要的。

常见问题解答 (FAQ)

Q1：Rasa 现在还适合小型企业或个人专案吗？

A： 绝对适合。Rasa Open Source 依然是免费且功能强大的，足以应付许多专案需求。对于小型企业而言，它可以作为一个稳定的起点。然而，需要认识到，Rasa 的核心竞争力（CALM 和 Flows）主要体现在 Rasa Pro 中。在评估时，企业应思考「总体拥有成本 (TCO)」，Rasa Pro 带来的开发效率提升和维护成本降低，很可能超过其授权费用。

Q2：我现有的、基于意图和故事的 Rasa 机器人需要完全重写吗？

A： 不需要。Rasa 提供了一条平滑的迁移路径。您可以在 Flows 中使用 nlu_trigger 字段，让现有的意图继续触发新的、基于 Flow 的逻辑。这意味着您可以逐步、分模组地将旧的 Stories 重构成分 Flows，而不是进行一次高风险的「大爆炸」式重构。

Q3：与 Google Dialogflow 或 Botpress 等平台相比，Rasa 2025 年的核心优势是什么？

A：

• 相较于 Dialogflow： Rasa 提供了无可比拟的控制性、客制化弹性和本地部署能力，这在数据隐私和复杂业务逻辑上是巨大优势。
• 相较于 Botpress： 两者都源于开源且面向开发者。但 Rasa 的 CALM 架构提供了一种从底层就原生融合 LLM 的全新范式，而不仅仅是规则与 AI 的混合。Rasa 的混合模型在提供智慧能力的同时，给予了企业最看重的「确定性」。

Q4：Rasa 是否支援多语言？

A： 是的，Rasa 一直以来都对多语言有着良好的支援。您可以使用任何语言的训练数据来训练模型。社群中也有针对特定语言（如中文）的扩充套件和资源，例如 rasa_chinese 和 FastText 等多语言模型。

Q5：使用 Rasa Pro 的 CALM 架构，还需要自己准备 LLM 吗？

A： Rasa Pro 提供了与主流 LLM（如 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列等）的无缝整合。您需要在 Rasa Pro 的配置中提供您所选 LLM 服务的 API 金钥和相关设定。Rasa 负责呼叫这些模型并管理其在 CALM 架构中的运作，但您仍然需要承担使用这些外部 LLM 服务的费用。

结论：智慧与信赖，Rasa 的未来之路

在生成式 AI 的浪潮下，Rasa 没有迷失方向，而是走出了一条独特且充满远见的道路。透过 CALM 架构与 Flows，Rasa 成功地将 LLM 的灵活性与企业级软体开发所要求的可靠性、安全性和可控性结合起来。

它不再仅仅是一个工具，而是一个成熟的平台，为市场提供了一个清晰的选择：当您需要建构一个既智慧又可信赖，能够应对最严苛业务挑战的对话式 AI 应用时，Rasa 依然是那个最值得信赖的选择。

2025 年的 Rasa，已经准备好迎接下一代对话式 AI 的挑战。您准备好了吗？