DeepPavlov

用 DeepPavlov，快速搭建和部署你自己的智能对话机器人。

DeepPavlov 是一个开源的深度学习对话系统库，旨在帮助开发者和研究人员快速构建端到端的聊天机器人和对话助手。它解决了从零搭建对话系统时面临的工程复杂性和算法实现难度问题，提供了一套模块化、可扩展的框架。核心能力包括：支持多种对话任务（如任务型对话、开放域闲聊）、内置丰富的预训练模型（如 BERT、Transformer）、提供知识库问答（KBQA）、意图识别、槽位填充、命名实体识别等自然语言理解组件，以及对话管理（DST、Policy）和自然语言生成模块。此外，它支持多语言，并提供 REST API 和 Docker 部署，方便集成到实际应用中。DeepPavlov 特别适合学术研究和工业原型开发，其设计强调易用性和灵活性，用户可以通过配置文件快速搭建定制化的对话流程。

开源 free 对话助手

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 6994

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deeppavlov

所属国家

官网地址https://deeppavlov.ai

GitHubhttps://github.com/deeppavlov/DeepPavlov

定价模式free

价格说明开源库，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ai,artificial-intelligence,bot,chatbot,chitchat,deep-learning,deep-neural-networks,dialogue-agents,dialogue-manager,dialogue-systems,entity-extraction,intent-classification,intent-detection,machine-learning,named-entity-recognition,nlp,nlp-machine-learning,question-answering,slot-filling,tensorflow

GitHub 星标★ 6994

30天Star增速

HF 下载量

上线时间2017-11-17 00:00:00

最近更新2026-09-22 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：入门约 10 分钟部署方式：库/依赖 5 步

环境要求

操作系统：Linux、Windows 10+（通过 WSL/WSL2）或 MacOS Big Sur+
Python 3.6、3.7、3.8、3.9 或 3.10
内存 4~16 GB，具体取决于所选模型
已安装 pip 和 venv（随 Python 自带）

安装与启动步骤

1创建虚拟环境

在项目目录下用 Python 自带的 venv 创建名为 env 的隔离环境，避免与其他项目依赖冲突。
```
python -m venv env
```
2激活虚拟环境

在 Linux 下执行激活脚本，激活后命令行提示符前会出现 (env) 标识。Windows 请参考官方文档用 WSL/WSL2。
```
source ./env/bin/activate
```
3安装 DeepPavlov

在已激活的虚拟环境中安装 deeppavlov 包，安装过程会下载 PyTorch、transformers 等依赖，耗时较长。
```
pip install deeppavlov
```
4选择预训练模型

各模型由独立配置文件定义，可在文档的模型列表页查看，并在 Python 中通过 deeppavlov.configs 获取可用配置。
5训练评估或推理

选定模型与配置文件后，可通过命令行接口（CLI）或 Python 两种方式对模型进行训练、评估和推理。

如何确认成功

在 Python 中执行 from deeppavlov import configs，若不报错即说明包已安装成功。

常见问题

Q：支持哪些操作系统？

A：支持 Linux、Windows 10+（通过 WSL/WSL2）以及 MacOS Big Sur+，README 给出的激活命令是 Linux 写法。

Q：对 Python 版本有要求吗？

A：支持 Python 3.6、3.7、3.8、3.9 和 3.10，建议使用 3.8 及以上以获得更好的依赖兼容性。

Q：运行模型需要多少内存？

A：取决于所选模型，一般需要 4~16 GB RAM，越大的预训练模型占用越高。

Q：有现成的 Docker 镜像吗？

A：有，官方 Docker Hub 提供镜像便于快速部署，具体镜像名与运行参数请查阅官方文档和 Docker Hub 页面。

注意事项

务必先激活虚拟环境再执行 pip install deeppavlov，避免污染全局环境。
模型列表可在官方文档的模型总览页查看，也可通过 Python 的 deeppavlov.configs 获取。
README 未给出 CLI 具体命令与端口参数，命令行和 Python 调用细节请查阅官方文档。
Windows 用户需借助 WSL/WSL2 运行，不要直接使用 README 中的 Linux 激活命令。

核心亮点

模块化设计，支持任务型对话和闲聊，开箱即用
内置多种预训练模型（如 BERT），支持多语言，效果可靠
提供 REST API 和 Docker，部署集成方便

不足之处

文档和社区活跃度相对一般，部分功能更新较慢
对大规模生产环境的优化支持有限，更偏研究原型

适用场景

构建客服问答机器人，快速实现意图识别和槽位填充
开发开放域闲聊机器人，用于社交或娱乐场景
学术研究，用于对比不同对话模型和训练方法

替代项目

Rasa、Microsoft Bot Framework、ParlAI

项目介绍

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

在全站 13,014 个收录项目中，它的 GitHub 星标数（6,994）位列前 7%，在对话助手分类的 905 个项目里位列前 5%。

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 2026-09-22。开源库，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：构建客服问答机器人，快速实现意图识别和槽位填充。同类可对比的替代方案包括 Rasa、Microsoft Bot Framework、ParlAI。

上一篇：HuLa

下一篇：aidea