本文由 AI 从英文翻译。 阅读英文原文 →
用 Python 从零手写聊天机器人:无需 API Key,不调任何 AI 库
市面上绝大多数“手把手教你写聊天机器人”的教程,本质上都是“教你调别人的 API”。但这一篇截然不同。我们将从零打造一个名为 Nova 的轻量级聊天机器人:它能够从给定的样本中自主学习,AI 核心部分仅依赖 Python 标准库实现,再搭配 FastAPI 为其封装出一个网页聊天界面。
无需 API key,无需付费服务,也无需下载任何预训练模型。分类器的全部核心代码,一屏之内就能完整展示。
▶ WATCH ON YOUTUBEWatch the video
完整源码:https://github.com/rainyreaksmey/build-chatbot-from-scratch
本文中出现的每一个具体数字,均来自该仓库代码的真实运行结果。
Nova 是一个基于意图(intent)的聊天机器人,而非大语言模型。它不会凭空撰写新句子,而是去识别你的真实意图,并挑选出与之匹配的回复。许多企业实际业务中的常见问答(FAQ)和客服机器人,底层正是这样运转的。
1. 意图型聊天机器人的工作原理
核心流程只需三步:
- 将输入的消息分类至某个意图(
greeting、goodbye、python、training…)。 - 从该意图预设的候选回复中挑选一条。
- 如果模型的置信度不足,则直接坦白(即兜底/fallback)。
机器人的完整逻辑就是:训练数据 → 统计词频 → 计算概率。
2. 训练数据:intents.json
你不需要编写代码来教导 Nova,只需提供样本例句:
{
"tag": "greeting",
"patterns": ["hello", "hi", "hey", "good morning", "good evening", "how are you", "hello chatbot"],
"responses": ["Hello! What would you like to learn?", "Hi! Ask me about Python or AI."]
}patterns 是样本消息,responses 则是 Nova 可能给出的回复。初版数据文件中包含 10 个意图、56 条样本以及 90 个不重复的词。
3. 分词:把文本拆解为单词
模型无法直接处理完整的句子,因此我们借助一个正则表达式,将文本切分为全小写的单词:
TOKEN_RE = re.compile(r"[a-z0-9']+")
def tokenize(text: str) -> list[str]:
return TOKEN_RE.findall(text.lower())>>> tokenize("Hi Nova! How's it going?")
['hi', 'nova', "how's", 'it', 'going']标点符号被过滤,大写字母被统一转换为小写,单引号得以保留,因此 "how's" 依然保持为一个完整的词。
4. 所谓训练,本质就是数数
“训练”朴素贝叶斯分类器,本质上就是为每个意图统计三件事:
- 该意图包含多少条样本
- 每个词在这些样本中出现的频次
- 该意图总共包含多少个词
for pattern in patterns:
tokens = tokenize(str(pattern))
self.document_count += 1
self.intent_documents[tag] += 1
self.token_counts[tag].update(tokens)
self.total_tokens[tag] += len(tokens)
self.vocabulary.update(tokens)以初始数据中的 greeting 为例:7 条样本,总共 12 个词,其中 "hello" 出现了 2 次。 训练完成的整个模型仅此而已。它以纯 JSON 格式保存,你可以随时打开直接阅读。
5. 数学原理:朴素贝叶斯
面对一条输入消息,我们希望找出在其包含词的条件下出现概率最高的意图。根据贝叶斯定理,该概率正比于:
P(intent) × P(word₁ | intent) × P(word₂ | intent) × …所谓“朴素”(naive),是指假设各个词之间是完全相互独立的。在实际语言中这并不完全符合事实,但对于简短消息来说,它的效果却出奇地好。
先验概率(The prior),即该意图有多常见:
P(intent) = (examples in intent + 1) / (all examples + number of intents)似然度(The likelihood),即某个词对于该意图有多典型:
P(word | intent) = (count of word in intent + 1) / (words in intent + vocabulary size)以 greeting 中的 "hello" 代入真实数据:(2 + 1) / (12 + 90) = 3 / 102 ≈ 0.029。
为什么要“+1”?(拉普拉斯平滑)
如果不加处理,一旦某个意图从未遇到过某个词,该词的概率就会变成 0,而与 0 相乘会直接抹杀整个计算得分。只要出现一个未见过的词(例如 "Nova"),就会让所有意图的得分全军覆没。为每个词频计数都加上 1,可以让未见过的词获得一个微小的概率,而不是彻底归零。
为什么要取对数?
将许多微小的概率相乘,得到的数值会小到被计算机直接四舍五入为零。因此我们采用对数相加来替代连乘:
score = math.log(prior)
for token in tokens:
likelihood = (self.token_counts[intent][token] + 1) / denominator
score += math.log(likelihood)6. 从对数得分到置信度:softmax
对数得分并不是百分比。为了将它们转化为总和为 1 的概率,我们使用 softmax,并在计算时先减去最高得分,以确保 exp() 永远不会发生溢出:
highest = max(scores.values())
exponentials = {name: math.exp(score - highest) for name, score in scores.items()}
normalizer = sum(exponentials.values())
probabilities = {name: value / normalizer for name, value in exponentials.items()}排在首位的最高概率就是 Nova 的置信度。如果该数值低于设定的阈值(0.25),Nova 就不会胡乱猜测,而是触发兜底机制。
7. 冷启动问题(真实运行结果)
基于初始数据,Nova 的实际运行表现如下:
- "what is python" →
python,59.5% - "hello" →
greeting,30.3% - "Hi Nova!" → fallback(greeting 虽然排在第一,但置信度仅为 23.4%,低于 25% 的阈值)
- "What's the weather in Paris?" → fallback,19.3%,这是完全正确的,因为 Nova 对天气一无所知
为什么输入 "Hi Nova!" 会匹配失败?因为 "Nova" 从未在训练数据中出现过,无法提供任何有效信息,而 "hi" 只是 56 条样本中仅有的一个简短例句。
解决之道在于数据,而非代码。 我补充了四条问候语样本:"hi nova"、"hey nova"、"hello nova" 以及 "hi there nova",随后重新训练:
- "Hi Nova!" →
greeting,79.5%
同样的算法,仅仅在 JSON 中增加了四行,置信度就从 23% 跃升至 79%。在视频中,我继续完善样本,Nova 在该测试上的置信度最终达到了 96%。这也正是整个项目带给我们的最大启发:一个拥有优质样本的小模型,远胜过一个喂给糟糕样本的所谓精巧模型。
8. 使用 FastAPI 封装为 Web 服务
该 API 仅包含三个端点:health、chat 和 retrain。
class ChatRequest(BaseModel):
message: str = Field(min_length=1, max_length=1000)
@app.post("/api/chat", response_model=ChatResponse)
def chat(request: ChatRequest) -> ChatResponse:
message = request.message.strip()
if not message:
raise HTTPException(status_code=422, detail="Message cannot be blank")
with model_lock:
reply, prediction = bot.reply(message)
return ChatResponse(reply=reply, intent=prediction.intent,
confidence=round(prediction.confidence, 4))Pydantic 能自动拦截空消息或过长消息,而线程锁则可以防止在生成回复的中途被重新训练换掉模型。web/ 目录下的一个简洁 HTML/JS 页面会调用 /api/chat,并实时展示回复内容及其对应的意图与置信度。
亲自上手运行
git clone https://github.com/rainyreaksmey/build-chatbot-from-scratch
cd build-chatbot-from-scratch
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
python train.py
uvicorn app:app --reload在浏览器中打开 http://127.0.0.1:8000 即可开始对话,或者访问 http://127.0.0.1:8000/docs 查看交互式 API 文档。
想要教 Nova 学会新的知识,只需在 data/intents.json 中添加一个包含多条不同措辞样本的意图,然后再次运行 python train.py。切记不要在未添加身份认证的情况下将 /api/train 暴露到公网。
核心总结
- 意图型聊天机器人 = 消息分类 + 选取匹配回复。
- 训练朴素贝叶斯本质上就是统计词频。
- 拉普拉斯平滑(+1)能防止未见过的生词导致概率计算全盘归零。
- 对数运算可避免极小数值下溢,softmax 则将对数得分转化为置信度。
- 设定合理的兜底阈值,远胜于自信满满地给出错误答案。
- 优化机器人的关键在于提供更好的样本,而非编写更多代码。
▶ WATCH ON YOUTUBE包含每行代码现场手打的全程演示视频:
你希望 Nova 接下来学会什么新技能?欢迎在评论区留言交流。
本文在 AI 辅助下起草。代码与实测数据均来自真实的运行记录。我会在 RainyTech 上持续制作 AI、编程与技术教程。


