Реализация диалогового менеджмента для AI-бота (Dialog Management)

Реализация диалогового менеджмента для AI-бота (Dialog Management)

Dialog Management — компонент, управляющий состоянием диалога: что бот сделал, что знает, что должен сделать дальше. Это мозг бота, не его речь.

Модели диалогового управления

Finite State Machine (FSM): явные состояния и переходы. Надёжно, предсказуемо, но плохо масштабируется для сложных сценариев (взрывной рост числа состояний).

Frame-based: набор фреймов (форм) с слотами. Подходит для транзакционных диалогов (бронирование, заказ).

LLM-based: языковая модель принимает решение о следующем действии на основе истории диалога. Максимальная гибкость, но менее предсказуемо.

Гибридный (production-best): FSM для критических путей (оплата, авторизация), LLM для свободного диалога.

Состояние диалога

@dataclass
class DialogState:
    conversation_id: str
    user_id: str
    current_intent: str | None
    filled_slots: dict
    dialog_history: list[DialogTurn]
    context: dict          # бизнес-контекст (профиль пользователя, сессия)
    flow: str              # "main_menu" | "booking" | "support" | "handoff"
    pending_action: str | None  # ожидаемое подтверждение/ввод

Управление потоком (Flow Management)

class DialogManager:
    def process_turn(self, state: DialogState, user_input: str) -> BotAction:
        # Обновляем историю
        state.dialog_history.append(DialogTurn(role="user", text=user_input))

        # Определяем интент
        intent = self.intent_detector.detect(user_input)

        # Решаем, что делать дальше
        if self.should_escalate(state, intent):
            return HandoffAction(reason=EscalationReason.USER_REQUEST)

        if state.flow == "booking" and state.pending_action == "confirm":
            return self.handle_booking_confirmation(state, user_input)

        # Обновляем слоты
        state.filled_slots = self.slot_filler.update(user_input, state.filled_slots)

        # Выбираем следующее действие
        return self.policy.select_action(state, intent)

Политика выбора действий

Policy — алгоритм выбора следующего действия бота. Варианты:

• Rule-based: if-else дерево решений — прозрачно, ограничено
• Learned policy (Rasa Core): обученная нейросеть на диалогах — гибкость
• LLM policy: языковая модель выбирает действие из набора доступных инструментов

Персистентность состояния

Redis: быстрый, TTL 24 часа для активных сессий. PostgreSQL: долгосрочная история диалогов для аналитики. При перезапуске бота — состояние не теряется, диалог продолжается.