Rasa_NLU_Chi

让中文对话秒变结构化数据，轻松构建聊天机器人

Rasa_NLU_Chi 是一个面向中文的 NLU（自然语言理解）工具，基于 Rasa NLU 构建，专注于将中文自然语言输入转换为结构化数据。它解决了中文在分词、词性标注和意图识别上的特殊挑战，提供开箱即用的中文支持，包括自定义分词器、意图分类和实体提取功能。核心能力涵盖：中文文本预处理、基于机器学习或深度学习的意图识别、实体抽取（如时间、地点、人名等），以及与 Rasa 对话管理模块的无缝集成。项目旨在降低中文聊天机器人开发者的门槛，使其能快速构建具备语义理解能力的对话系统，而无需从零处理中文 NLP 的复杂性。

开源 free 对话助手

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1531

维护状态低维护

是否开源是

定价模式 free

项目数据

分类对话助手

开发团队crownpku

所属国家

官网地址

GitHubhttps://github.com/crownpku/Rasa_NLU_Chi

定价模式free

价格说明开源项目，Apache-2.0 许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型chatbot,chinese,natural-language

GitHub 星标★ 1531

30天Star增速

HF 下载量

上线时间2017-06-21 00:00:00

最近更新2026-09-17 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

难度：进阶约 20 分钟部署方式：本地安装 6 步

环境要求

已安装 Python 环境（README 仅给出 python setup.py install）
已 git 可用，能克隆 GitHub 仓库
需准备中文特征模型文件 data/total_word_feature_extractor_zh.dat
需准备训练语料 data/examples/rasa/demo-rasa_zh.json，并尽量多加示例

安装与启动步骤

1克隆项目

把 Rasa_NLU_Chi 仓库克隆到本地，后续安装与配置都在该目录内进行。
```
git clone https://github.com/crownpku/Rasa_NLU_Chi.git
```
2安装项目

进入项目目录后按 README 执行 setup.py 安装，等待依赖安装完成且无报错。
```
cd Rasa_NLU_Chi
python setup.py install
```
3准备中文特征模型

把训练好的 total_word_feature_extractor_zh.dat 放到 data/ 目录；README 未给下载命令，需自行从中文 Blog 下载。
4选择并修改配置

中文提供 MITIE+Jieba 与 MITIE+Jieba+sklearn 两套 pipeline，README 推荐后者，可基于 sample_configs 下的示例文件修改。
5补充训练语料

编辑 data/examples/rasa/demo-rasa_zh.json，按实际业务场景尽可能多地添加中文示例。
6可选自定义词典

在 tokenizer_jieba 下配置 user_dicts 或 default_dict，值可填文件路径或目录路径，用于自定义或替换 Jieba 词典。

关键配置

配置项	必填	说明	示例
`language`	是	指定语种，中文场景必须为 zh	`zh`
`pipeline`	是	定义处理流水线，中文可选 MITIE+Jieba 或加 sklearn	`nlp_mitie, tokenizer_jieba, ner_mitie, ner_synonyms, intent_`
`pipeline[].model`	是	nlp_mitie 使用的中文词向量特征模型路径	`data/total_word_feature_extractor_zh.dat`
`pipeline[].default_dict`	否	tokenizer_jieba 的默认词典路径，用于替换默认词典	`./default_dict.big`
`pipeline[].user_dicts`	否	tokenizer_jieba 的用户自定义词典，可填文件或目录路径	`./jieba_userdict`

如何确认成功

安装过程无报错，且 data/total_word_feature_extractor_zh.dat 与配置文件均已就位；README 未提供启动命令。

常见问题

Q：该选哪套 pipeline？

A：README 推荐 MITIE+Jieba+sklearn，即 sample_configs/config_jieba_mitie_sklearn.yml；简单场景也可用 MITIE+Jieba。

Q：没有 total_word_feature_extractor_zh.dat 怎么办？

A：可从中文 Blog 下载基于中文维基与百度百科训练的模型；也可用 MITIE wordrep 工具自行训练，但需 2-3 天。

Q：可以自己训练特征模型吗？

A：可以，需先构建 MITIE Wordrep Tool，中文语料要先分词再喂入训练，且与业务最接近的垂直语料效果最好。

Q：如何让分词更贴合业务？

A：使用 jieba 的用户自定义词典，在 tokenizer_jieba 下配置 user_dicts（文件或目录路径），必要时用 default_dict 替换默认词典。

Q：配置示例在哪里看？

A：sample_configs 目录下有各套 pipeline 示例，如 config_jieba_mitie.yml、config_jieba_mitie_sklearn.yml 及其 plus_dict_path 版本。

注意事项

README 未给出训练与启动服务的命令，请参考官方 Rasa NLU 文档 https://nlu.rasa.com/
本项目是 RasaHQ/rasa_nlu 的 fork，仅针对中文场景做适配
训练语料越丰富，意图识别与实体抽取效果越好，建议持续补充 demo-rasa_zh.json

核心亮点

内置中文分词与词性标注，解决中文分词难题
与 Rasa 生态无缝集成，支持完整对话流程
提供多种意图识别和实体提取算法，灵活适配场景

不足之处

文档和社区支持相对有限，新手上手可能遇到障碍
项目维护活跃度一般，可能滞后于上游 Rasa 更新

适用场景

中文客服机器人，自动识别用户意图并提取关键信息
中文语音助手，将语音转文字后的语义解析
中文舆情分析，从评论中抽取实体和情感倾向

替代项目

Rasa Open Source、HanLP、Jieba

项目介绍

Rasa_NLU_Chi 是对话助手领域的开源项目，由 crownpku 开发，2017 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,531）位列前 30%，在对话助手分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-17。Apache-2.0 许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：中文客服机器人，自动识别用户意图并提取关键信息。同类可对比的替代方案包括 Rasa Open Source、HanLP、Jieba。

上一篇：openilink-hub

下一篇：Video-ChatGPT