Rasa 2025 全解析：從開源先鋒到企業級 AI 平台的 CALM 革命

Rasa 已不再是過去那個單純的開源框架。隨著 CALM 架構與 Flows 的推出，Rasa 迎來了史上最具變革性的轉型。本文將深入剖析 Rasa 在 2025 年的核心技術、產品生態，以及這場由大型語言模型（LLM）驅動的革命，如何為企業打造兼具智慧與可靠性的次世代對話式 AI。

前言：Rasa 的蛻變，一場精心策劃的 AI 革命

如果您對 Rasa 的印象還停留在一個功能強大、但需要大量手動標註意圖（intent）和編寫對話腳本（stories）的開源框架，那麼，請準備好刷新您的認知。在 2024 年至 2025 年間，Rasa 經歷了一場深刻的蛻變，成功地從一個以開發者為中心的工具，演進為一個全面的企業級對話式 AI 平台。

這場革命的核心，是一個名為 CALM（Conversational AI with Language Models） 的全新架構。它不僅僅是技術升級，更是一次徹底的思維轉變。Rasa 並沒有選擇成為另一個大型語言模型（LLM）的簡單封裝，而是深思熟慮地將 LLM 的強大理解能力，與企業級應用所必需的確定性、安全性和可控性完美融合。

這篇文章將帶您全面了解 2025 年的 Rasa，無論您是資深開發者、技術決策者，還是對話設計師，都能從中掌握 Rasa 的最新動態與未來潛力。

一個小釐清：rasa.com vs. rasa.io

在開始之前，必須先澄清一個常見的混淆。本篇文章討論的是由 Rasa Technologies GmbH 公司開發的對話式 AI 平台，其官方網站為 rasa.com。您可能還會看到一個名為 rasa.io 的網站，那是一個完全無關的 AI 電子郵件行銷平台。請務必認明正身，我們接下來的所有內容，都將圍繞著 rasa.com 的 Rasa 生態系統展開。

典範轉移：為什麼 CALM 架構會改變一切？

要理解 CALM 的重要性，我們得先回顧一下「傳統」的 Rasa 開發模式。

過去，建構一個 Rasa 機器人，開發者的核心任務是：

1. 預測使用者意圖： 盡可能地預想使用者會說什麼，並將這些話語歸類到預先定義好的「意圖 (intent)」中。
2. 提供大量範例： 為每個意圖提供數十甚至數百個訓練範例。
3. 編寫對話路徑： 使用「故事 (stories)」和「規則 (rules)」來鉅細靡遺地描繪出所有可能的對話流程。

這種方法提供了高度的控制性，但缺點也相當明顯——它非常「脆弱」。一旦使用者的提問方式或對話流程偏離了預設腳本，系統就很容易出錯。隨著對話變得複雜，維護成千上萬的意圖和故事，簡直是一場災難。

而 CALM 架構的出現，正是為了解決這個根本性問題。

CALM 的設計哲學：在彈性與控制之間取得完美平衡

CALM 旨在融合 LLM 的強大語義理解能力，與企業級應用所必需的確定性業務邏輯控制。它巧妙地在兩種極端之間找到了平衡點：

• 避免純 LLM 的不可預測性： 純粹依賴 LLM 的聊天機器人容易產生「幻覺」（Hallucination），在關鍵業務上胡言亂語，這是企業無法接受的。
• 克服傳統 NLU 的僵化： CALM 利用 LLM 來理解非預期的輸入，讓對話更加流暢自然，不再輕易「卡關」。

Rasa 的 CALM 架構透過精妙的「關注點分離」設計，將 LLM 的能力用在刀口上，同時確保核心業務流程的絕對可控。

CALM 的三大支柱

1. 對話理解 (Dialogue Understanding)： 這是主要利用 LLM 的環節。當使用者輸入訊息時，Rasa 不再只是將其分類為單一意圖，而是利用 LLM 在完整的對話上下文中，生成一組結構化的「命令 (commands)」。例如，將「幫我轉 1000 塊給小明」這句話，解構成「啟動『轉帳』流程」、「設定『金額』為 1000」、「設定『收款人』為小明」等機器可執行的指令。
2. 對話管理 (Dialogue Management)： 這是確保「控制」與「確定性」的環節。它接收上述的命令序列，並以完全可預測的方式，嚴格按照開發者定義的業務邏輯來執行。這個環節不會依賴 LLM 進行猜測，確保了業務流程的準確無誤。
3. 上下文回應重述 (Contextual Response Rephraser)： 在確定了要回覆的內容後，這個可選環節可以利用 LLM 對預定義的回應進行「潤色」。例如，將制式的「交易已完成」美化成更自然的「好的，您的 1000 元轉帳已經順利完成囉！」。這一步在不改變核心業務意涵的前提下，為機器人增添了人情味。

這種設計，為那些無法承受 AI 在客戶面前「失控」的企業，提供了至關重要的安全感。

Flows：定義業務邏輯的全新語言

隨著 CALM 架構的引入，Rasa 推出了 Flows，一種基於 YAML 的全新結構，用於取代過去的 Stories 和 Rules。

Flows 讓開發者的心智模型發生了根本轉變：從「模擬所有可能的對話路徑」解放出來，轉而專注於「定義完成一項任務所需的邏輯步驟」。這種抽象化，讓 LLM 去處理對話中的各種靈活變化，而開發者只需關心核心業務流程，大幅減少了訓練數據和腳本編寫的工作量。

一個 Flow 的核心組成包括：

• description (描述): 這不只是註解！在 CALM 架構下，LLM 會直接分析這段自然語言描述，來判斷何時該啟動這個 Flow。這是一種基於語義的觸發機制，遠比傳統的意圖觸發更智慧。
• steps (步驟): 定義了任務的執行序列，例如：
  • collect：向使用者提問以收集資訊（填充 slot）。
  • action：執行自定義動作（如呼叫 API）或發送一則訊息。
  • link：連結到另一個 Flow，實現模組化與複用。
  • if/else：內建明確的條件分支，讓複雜的邏輯判斷變得前所未有的清晰。

這對開發意味著什麼？ 想像一下，過去要處理一個「查詢訂單狀態，如果未付款則引導至付款頁面」的流程，你需要編寫多個 Stories 來覆蓋不同情境。現在，你只需要一個 Flow，用幾個步驟和一個 if/else 判斷就能清晰地定義完成。這就是 Flows 帶來的威力——結構化、可維護且更強大。

Rasa 2025 生態系統：分工明確的「三劍客」

在 CALM 架構的基礎上，Rasa 的產品生態也演變得更加成熟，分工明確：

1. Rasa Open Source：穩定、安全的基石

開源版本現在的戰略定位非常清晰：作為整個生態系統穩定、可靠且安全的基石。其更新重點不再是華麗的新功能，而是對核心的加固。例如，在近期的版本中，Rasa 團隊投入大量精力修復安全漏洞，甚至不惜做出破壞性變更（如用更安全的 safetensors 替換有風險的 pickle 序列化方法），將安全性置於首位。

這為所有 Rasa 應用提供了一個堅實的底座。

2. Rasa Pro：企業創新的引擎

如果說開源版是基石，那 Rasa Pro 就是驅動創新的引擎。所有最尖端的功能，包括：

• CALM 與 Flows 架構
• 進階語音能力 (如與 Genesys、Audiocodes 的深度整合)
• 企業級隱私控制 (如 PII 數據脫敏)

這些功能都被整合在 Rasa Pro 中，專為滿足大規模、高風險的企業級應用而設計。

3. Rasa Studio：連接設計與開發的橋樑

Rasa Studio 在 2025 年迎來了蛻變，從一個輔助開發工具，成長為平台的核心協作中樞。特別是其視覺化流程建構器 (Visual Flow Builder)，讓非技術背景的對話設計師和業務分析師，也能透過拖拽節點的方式，直觀地設計和理解複雜的 Flows。

此外，UI 內的豐富回應編輯、整合式提示工程 (Prompt Engineering) 和一鍵式語音測試等功能，極大地降低了開發門檻，成為連接設計、業務和開發團隊的關鍵橋樑，有效回應了 Botpress 等競爭對手在視覺化方面的優勢。

2025 年的 Rasa：優缺點再評估

基於以上的巨大變革，我們需要重新審視 Rasa 的優缺點。

優點

1. 無與倫比的控制力與安全性： CALM 架構在利用 LLM 的同時，將核心業務邏輯牢牢掌握在開發者手中，提供了獨一無二的可靠性。
2. 高度客製化與數據隱私： 開源的本質讓您可以完全掌控程式碼和數據，這對於有嚴格合規要求的金融、醫療等行業至關重要。
3. 開發效率提升： Flows 大幅簡化了複雜對話的定義，減少了維護成本，讓團隊能更快地交付價值。
4. 協作體驗優化： 成熟的 Rasa Studio 讓跨職能團隊（設計、產品、開發）的協作變得前所未有的順暢。

缺點

1. 學習曲線依然存在： 雖然不再需要大量標註數據，但新的技能需求轉向了流程建模、業務邏輯設計和提示工程，這對團隊提出了新的要求。
2. 核心創新功能需要付費： 最具革命性的 CALM 架構和進階工具集中在 Rasa Pro，這意味著要體驗 Rasa 的全部潛力，需要考慮授權費用。
3. 對訓練數據的需求並未消失： 雖然對「對話路徑」的數據需求減少了，但為了讓 NLU 和對話理解更精準，高品質的訓練數據依然是必要的。

常見問題解答 (FAQ)

Q1：Rasa 現在還適合小型企業或個人專案嗎？

A： 絕對適合。Rasa Open Source 依然是免費且功能強大的，足以應付許多專案需求。對於小型企業而言，它可以作為一個穩定的起點。然而，需要認識到，Rasa 的核心競爭力（CALM 和 Flows）主要體現在 Rasa Pro 中。在評估時，企業應思考「總體擁有成本 (TCO)」，Rasa Pro 帶來的開發效率提升和維護成本降低，很可能超過其授權費用。

Q2：我現有的、基於意圖和故事的 Rasa 機器人需要完全重寫嗎？

A： 不需要。Rasa 提供了一條平滑的遷移路徑。您可以在 Flows 中使用 nlu_trigger 字段，讓現有的意圖繼續觸發新的、基於 Flow 的邏輯。這意味著您可以逐步、分模組地將舊的 Stories 重構成 Flows，而不是進行一次高風險的「大爆炸」式重構。

Q3：與 Google Dialogflow 或 Botpress 等平台相比，Rasa 2025 年的核心優勢是什麼？

A：

• 相較於 Dialogflow： Rasa 提供了無可比擬的控制性、客製化彈性和本地部署能力，這在數據隱私和複雜業務邏輯上是巨大優勢。
• 相較於 Botpress： 兩者都源於開源且面向開發者。但 Rasa 的 CALM 架構提供了一種從底層就原生融合 LLM 的全新範式，而不僅僅是規則與 AI 的混合。Rasa 的混合模型在提供智慧能力的同時，給予了企業最看重的「確定性」。

Q4：Rasa 是否支援多語言？

A： 是的，Rasa 一直以來都對多語言有著良好的支援。您可以使用任何語言的訓練數據來訓練模型。社群中也有針對特定語言（如中文）的擴展包和資源，例如 rasa_chinese 和 FastText 等多語言模型。

Q5：使用 Rasa Pro 的 CALM 架構，還需要自己準備 LLM 嗎？

A： Rasa Pro 提供了與主流 LLM（如 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列等）的無縫整合。您需要在 Rasa Pro 的配置中提供您所選 LLM 服務的 API 金鑰和相關設定。Rasa 負責調用這些模型並管理其在 CALM 架構中的運作，但您仍然需要承擔使用這些外部 LLM 服務的費用。

結論：智慧與信賴，Rasa 的未來之路

在生成式 AI 的浪潮下，Rasa 沒有迷失方向，而是走出了一條獨特且充滿遠見的道路。透過 CALM 架構與 Flows，Rasa 成功地將 LLM 的靈活性與企業級軟體開發所要求的可靠性、安全性和可控性結合起來。

它不再僅僅是一個工具，而是一個成熟的平台，為市場提供了一個清晰的選擇：當您需要建構一個既智慧又可信賴，能夠應對最嚴苛業務挑戰的對話式 AI 應用時，Rasa 依然是那個最值得信賴的選擇。