让自家的智能语音助手实现todo任务的添加

本文主要是介绍让自家的智能语音助手实现todo任务的添加，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

我家的树莓派在成为了“智能语音助手”后，经过rasa学习训练，已经可以帮忙查日期/时间，查天气预报，进行一些简单的闲聊。但是，我希望它的功能还可以再强大些，比如说，可以帮我记录todo任务。为了实现这一目标，又花了一周时间，终于在今天实现了这个功能。

要实现这个功能，说白了，就是定义一个todo class，然后通过rasa 的自定义actions来调用这个class，从而实现todo task的创建、查询、删除这几个基本功能。

插一句话：接下来分享的代码，都是基于我的1.4.0版rasa来说的，要在其他版本上使用，需要根据相应版本的规则自行适配。

1 增加nlu.md中的intents

2 domain.yml作相应调整（只列新增部分）

3 stories.md新增故事

4 在actions.py中定义domain中出现的actions和forms

4.1 显示任务列表

class ActionShowTasks(Action):def name(self) -> Text:return "action_show_tasks"def run(self,dispatcher: CollectingDispatcher,tracker: Tracker,domain: Dict[Text, Any],) -> List[Dict[Text, Any]]:todos = todo.Todo()todolist = todos.all()result = ""for todo_dict in todolist:result += " 编号 " + str(todo_dict.id) + " 任务 " + todo_dict.contentdispatcher.utter_message(text=result)return []

4.2 新增todo task

class AddTaskForm(FormAction):def name(self) -> Text:return "add_task_form"@staticmethoddef required_slots(tracker: Tracker) -> List[Text]:return ["content"]def slot_mappings(self) -> Dict[Text, Union[Dict, List[Dict]]]:return {"content": [self.from_entity(entity="content"), self.from_text()]}def submit(self,dispatcher: CollectingDispatcher,tracker: Tracker,domain: Dict[Text, Any],) -> Dict[Text, Any]:todos = todo.Todo()content = tracker.get_slot("content")if content is not None and content != "":todos.content = contenttodos.save()todolist = todos.all()msg = "新增任务 编号 " + str(todolist[-1].id) + " 任务 " + todolist[-1].contentelse:msg = "任务创建失败"dispatcher.utter_message(text=msg)return [SlotSet("content", None)]

4.3 查询todo task

class ActionQueryTaskForm(FormAction):def name(self) -> Text:return "query_task_form"@staticmethoddef required_slots(tracker: Tracker) -> List[Text]:return ["id"]def slot_mappings(self) -> Dict[Text, Union[Dict, List[Dict]]]:return {"id": [self.from_entity(entity="id"), self.from_text()]}def submit(self,dispatcher: CollectingDispatcher,tracker: Tracker,domain: Dict[Text, Any],) -> Dict[Text, Any]:todos = todo.Todo()tid = tracker.get_slot("id")msg = "任务不存在"if tid is not None and tid != "": if is_int(tid) and int(tid) >0:task = todos.getById(tid)if task is not None:msg = "定位任务 编号 " + str(task.id) + " 任务 " + task.contentdispatcher.utter_message(text=msg)return [SlotSet("id", None)]

4.4 删除指定todo task

class ActionDeleteTaskForm(FormAction):def name(self) -> Text:return "delete_task_form"@staticmethoddef required_slots(tracker: Tracker) -> List[Text]:return ["id"]def slot_mappings(self) -> Dict[Text, Union[Dict, List[Dict]]]:return {"id": [self.from_entity(entity="id"), self.from_text()]}def submit(self,dispatcher: CollectingDispatcher,tracker: Tracker,domain: Dict[Text, Any],) -> Dict[Text, Any]:tid = tracker.get_slot("id")msg = "任务不存在"if tid is not None and tid != "":if is_int(tid) and int(tid) > 0:todos = todo.Todo()taskid = int(tid)todos.id = taskidtodos.delete()msg = "任务已删除"dispatcher.utter_message(text=msg)return [SlotSet("id", None)]

如上就是四个功能的实现代码。其中，定位和删除需要判断输入的slot值是否为数字，就定义了一个检测函数来实现数字判断。

def is_int(string: Text) -> bool:try:int(string)return Trueexcept ValueError:return False

actions.py文件头部需要引用的模块罗列如下：

from typing import Any, Text, Dict, List, Union, Optional
from datetime import datetime, timedelta
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher
from rasa_sdk.forms import FormAction
from rasa_sdk.events import SlotSet
import ssl
from urllib import request, parse
import json
import todo

完成上述四个文件的编写后，在模型训练前请确认一下config.yml，我的模型用的是MitieNLP和jieba，网上大多数人用的是SpacyNLP，所以你要根据自己的实际情况来修改。如下是我的config.yml。

# Configuration for Rasa NLU.
# https://rasa.com/docs/rasa/nlu/components/
language: zh
# pipeline: supervised_embeddings
pipeline:- name: MitieNLPmodel: data/total_word_feature_extractor_zh.dat- name: JiebaTokenizer- name: MitieEntityExtractor- name: EntitySynonymMapper- name: RegexFeaturizer- name: MitieFeaturizer- name: SklearnIntentClassifier# Configuration for Rasa Core.
# https://rasa.com/docs/rasa/core/policies/
policies:- name: MemoizationPolicy- name: KerasPolicy- name: MappingPolicy- name: FormPolicy

执行rasa train完成模型训练，同时记得执行rasa run actions –actions actions来注册todo相关的四个actions。模型生成后，运行rasa shell测试通过，就可以让智能语音助手来执行对应的todo指令了。

写在后面：

1.最后的语音对话图请忽略我的识别耗时，直接用sherpa-ncnn的测试代码跑wav识别耗时很少，可能还是我的代码需要进一步优化。我所使用的语音助手整合代码请看这篇博文《树莓派智能语音助手之功能整合》

2.todo的新增，查询和删除使用了form，但我暂时没有找到rasa1.4.0对应form的全部完整定义规则，导致实际运行时会出现“This can throw of the prediction. Make sure to include training examples in your stories for the different types of slots this action can return.

”的warning，不影响运行结果，但应该是属于stories定义没写完整。有知道怎么解决的朋友也可以教教我。

3. 由于我在查询和删除form中使用了同一个slot——“id”，结果当我执行完查询马上执行删除时，tracker.get_slot(‘id’)会直接读取前一个form中的slot值。因此需要reset slot，即把class结束的return[]改成“return [SlotSet("id", None)]”。

4. actions中import todo所引用的todo class代码请看这篇博文《用python实现todo功能》。

5. 若不清楚怎么进行rasa的模型训练，可以看这篇博文《树莓派智能语音助手之首次RASA模型训练》。

这篇关于让自家的智能语音助手实现todo任务的添加的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---