先说清楚它是什么：Rasa 属于「客服与支持」方向的开源项目，开源的对话式 AI 框架，适合自托管。

当数据不能离开公司或个人设备时，就需要考虑自托管或开源路线。

先判断：它能不能自托管

它本身是开源项目，可以自托管：数据留在自己的机器上，但升级、安全补丁与故障排查都要团队自己承担。

决策要点

  • 数据敏感级别：只有内部公开信息时，云端服务通常更省事。
  • 团队是否有人负责运维和安全更新。
  • 硬件投入：本地运行模型需要显卡或较大的内存。
  • 效果差距：用自己的任务实测，不要只看榜单。

可以评估的开源方向包括：OpenAI Agents SDK、Chatwoot、Typebot。它们与 Rasa 的能力并不完全等同，适合用来承接对数据要求最高的那部分任务。

用同一个任务做对比

质检抽查

适用情况：手头有一批客服对话时。

按「问题是否解决 / 态度 / 信息准确 / 流程合规」四项对这些对话打分，列出典型问题和改进话术。

交付前确认：打分有具体依据。

自托管上线清单

  • 固定版本号并记录配置。
  • 只在内网暴露服务或加上认证。
  • 设置日志与资源监控。
  • 订阅仓库的版本发布与安全公告。
  • 准备回滚方案。

补充练习

回复草稿

适用情况：手头有一张客户投诉工单时。

为这张工单起草回复：先确认客户遇到的问题，说明我们会怎么处理和时间预期，不承诺政策以外的补偿，语气诚恳。

检查点：没有超出政策的承诺。

工单分类

准备材料：一批未分类的工单。

按「账号 / 支付 / 物流 / 产品故障 / 建议」分类这些工单，标出情绪激烈需要优先处理的，以及可能是同一故障的集中反馈。

交付前确认：识别出集中反馈。

满意度分析

适用情况：手头有一批满意度评价和留言时。

把评价留言归类为主要原因，统计各类数量，摘录有代表性的原话，并给出 3 条改进建议。

验收标准：原话被准确摘录。

常见问题：机器人答非所问

检查知识库是否覆盖该问题，补充同义问法。

常见问题：回复语气生硬

提供优秀人工回复样例作为风格参考。

常见问题：知识库过时

建立更新责任人和定期复查机制。

概念补充：知识库

客服与机器人回答问题的依据，需要持续维护。

概念补充：转人工

机器人无法处理或用户要求时切换给真人客服。

适合人群：HR 与招聘

HR 与招聘可以用 Rasa 处理岗位描述撰写、面试题与评估表等工作。需要注意：简历筛选不得以性别、年龄等因素做歧视性判断，候选人信息需妥善保管。

适合人群：小店老板

小店老板可以用 Rasa 处理门店宣传物料、顾客评价回复等工作。需要注意：价格和活动信息以实际为准，顾客电话等信息不要随意上传。

适合人群：客服人员

客服人员可以用 Rasa 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。

注意事项

涉及个人信息、商业机密或受监管数据时，先确认 Rasa 的数据处理条款，再决定能否使用。

本文基于 Rasa 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

延伸阅读