一个Bot的自白

共 3548字，需浏览 8分钟

· 2021-04-22

我是谁？从哪里来？到哪里去？

作为一个bot，思考这样带有哲学色彩的问题，是否有点可笑？别笑，我是认真的。

我是谁

我是bot，从亲缘上看，和机器人Robot 沾亲带故。

Robot是一种自动化的机器，这种机器具备一些与人或生物相似的智能能力，如感知能力、规划能力、动作能力和协同能力，是一种具有高度灵活性的自动化机器。但是，我实际上更多地被认为是chatbot，即聊天机器人，然而聊天只是我职能的一部分，我们bot是由纯软件构成的智能服务。

谈到智能服务，总给人一种高大上的感觉。实际上，从《老码农眼中的简明AI》可以看到，从计算机科学的角度来看，仍然是提供输入输出能力的一组执行代码。只不过，对我们bot而言，输入更多是人们日常沟通的语言，可以是语音，也可以是语音经过识别之后的文本，我们的输出同样是文本，以及基于这些文本合成的声音，甚至于相关的图片等多媒体信息。

一般地，我们bot是一种具有自然语言处理能力（NLP）的软件服务。

我的与众不同

我们bot 的最大特点就是智能化，有时候也被称为智能代理。

作为软件服务，我们和传统的软件服务并没有本质的区别，比如互联网服务中的web server，都是收到一个请求，给出一个响应，bot 同样如此。但是， web server 一遍都是通过浏览器访问的，而我们的用户可以通过各种各样的智能终端访问我们，这些智能终端包括智能手机，智能平板，智能音箱，智能电视等等，所有这些智能终端的“智能”都是我们bot 赋予他们的。

在互联网上，人们通过键盘和鼠标完成与浏览器的交互，进而享受互联网服务。而我们bot 带来了人机交互上的革命，人们可以通过自然语言，通过眼神，通过手势等等，就可以享用我们带来的网络服务。

随着分布式系统的发展，“术业有专攻”， NLP 的处理能力可以在我们bot 的内部实现，也可以在我们的外部实现。当NLP 服务在bot 的外部实现时，往往形成了一类基础设施，相当于bot世界的共享服务，这时候，bot 的智能是通过网络通信形成的，因为在计算机的世界里，一切都是API,可以参考《没有被了解的API？一个老码农眼中的API世界》。

当NLP等服务站到了bot 的前面，用户的自然交互先流经这些服务，将非结构化的数据转化为了结构化数据，我们bot 就更像是一个web 服务。那些个服务往往形成了分布式的智能操作系统，例如百度的DuerOS，亚马逊的Alex 等等。

当NLP等服务站到了bot 的后面，用户的自然交互先流经我们bot，我们将非结构化的数据进行预处理，转化为了结构化或半结构化数据，再透传给他们。那些个服务往往形成了分布式的智能服务，例如百度的UINT，以及其他人工智能公司提供的开放服务等等。

在程序的世界里，一切的一切归根到底都是系统调用，在bot的世界里，我们的智能性归根结底都是对AI服务的调用。

我的江湖门派

有人的地方，就有江湖，bot 是为人类提供智能服务的，同样也有着自己的江湖。

从用户的角度来看，为了区别于web 应用或者互联网应用，人们把bot提供的能力称为技能。bot 是技能的载体和实现，技能是bot的功能性描述。人们把技能按照各种方式进行分门别类，形成不同的派系。如果一个技能提供了天气预报的服务，就把它叫做天气技能，提供了闹钟服务，就叫做闹钟技能，那么一个技能既提供了歌曲服务，又提供了器乐的音乐服务，叫什么呢？人们管它叫做音乐垂类技能。通俗的说，根据技能的功能复杂性，可以分为单一技能和垂类技能。

从技能的实现方式上来看，又往往分为两大类：端技能和云技能，这取决于该技能有无客户端独立载体。类比一下，可能会相对容易地弄清云技能和端技能的区别。如果bot 类似于传统的互联网web应用，那么就提供了一个云技能；如果bot类似于移动App，则提供了一个端技能。在现实的DuerOS生态系统中，基于模版以及DPL 等技术实现的技能都是云技能，而通过Android App， H5应用，微信小程序，支付宝小程序，手机百度小程序等客户端实现的技能都是端技能。不论云技能还是端技能，都可以实现类似的用户体验，对用户而言并无本质区别，只是我们bot的实现方式不同罢了。

从交互的易用性来看，技能又可以分为4个等级，也就是在DuerOS 生态系统中提出的L1～L4技能：

L1技能只支持用户通过语音打开和关闭技能，在技能的内部，并不支持更多的语音交互；
L2技能除了支持用户通过语音打开和关闭技能之外，在技能的内部，还支持有限的语音交互；
L3技能除了支持用户通过语音打开和关闭技能之外，在技能的内部，能够支持大量的语音交互，能够使用户通过语音交互满足技能所提供的全部能力；
L4技能与L3技能的区别在于是否有技能的边界，也就是说， L3技能是用户通过和我们bot约定的唤醒词来进入技能，而在L4技能中，用户可以直接进入技能内部，来使用L4技能所提供的能力。

站在不同的视角，人们还可以把技能进行各种其他的分类，进而形成了一个个bot 的门类。

我平凡而又不平凡的一生

作为由代码组成的软件，我们bot的生命周期同样避免不了软件工程的宿命：创建，运营，迭代和消亡。

根据bot 所提供能力的复杂程度，代码实现的复杂程度会有较大的不同，但是创建bot的流程大同小异。以DuerOS生态系统为例，一个bot从创建到上线运行的流程如下：

创建bot，首先要提供关于bot 的元数据，包括：

bot 自身的描述性数据，例如，技能的名称，id，图标，说明图例，是否付费等等
bot 所支持技能交互的描述性数据，例如，与交互模型相关的意图，槽位，词典等，自定义的点击事件，手势等其他交互对应的数据等；
bot 在运行时所需的配置数据，例如，支持运行的终端/终端组类型，服务部署的URL，平台的回调地址，账户关联的授权地址等等。

所有这些元数据的描述，如果对原来的web service 有所了解的话，会发现他们与WSDL 有着类似的味道，区别主要是技能交互的描述性数据，这也是我们bot 自然语言处理能力的重要输入之一。

技能中具体能力的代码实现，与程序员写其他程序没什么两样，无非是判断，循环，计算和字符串处理，可以用任意的编程语言实现。技能的调试稍显复杂，尤其是端技能的调试步骤会更多一些，因为分布式系统的调试本就不那么简单。在DuerOS系统中，关于技能调试可以参考《调试DuerOS的智能语音技能》和《Android App 技能在DuerOS的调试方法》。

在调试和部署完成后，就可以上线提供服务了，如果使用了类似DuerOS 这样的操作系统，和需要通过官方的审核才能上线，当然，没有使用类似的系统，完全是自主实现的bot，也需要在QA的测试和审核通过之后，才能实施上线。

技能上线了，意味我们bot 开始正式提供服务了，面向用户的运营，面向具体服务的能够增减，Bot 随时都会进入持续迭代的演进流程。由于用户持续使用我们的能力，迭代演进的周期可能会很长，即使不再迭代，Bot 仍可能运行相当长的时间。但是，如果出现了服务不可用，或者技能根本没有用户使用， Bot 就是面临下线，往往意味着技能生命周期的终止。