在16年3月30号微软的全球开发者大会Build上发布了Bot Framework，微软认为下一个big thing是Conversation as a Platform，简称CaaP，中文应该叫做"对话即平台"。在我们的下个时代，我们将会处在对话即平台的时代，不管是一个屏幕，一个桌子，一个冰箱，甚至是人，都是一个app，都是一个对话的窗口，所有的交互都通过对话来完成。起床，你用自然语言唤起梳妆台的镜子显示今日的天气，还有新闻。家里的小娜（Cortana）提醒你要赶紧出门，路上因为限号4，9，根据历史的预测，会提早堵车，需要提前20分钟出发。
那这个时代，将是如何实现的呢？人工智能不是简单一个团队，一小段时间就能完成的，需要经过大量的科研人员，进行大量的研究才能实现的。那怎么样才能实现物物智能，智能众生的构想呢？微软将微软亚太研究院多年的研究技术开放出来，让各个开发者，不管是大公司，小公司甚至是个人都可以借助"智能"的"洪荒之力"，实现智能对话平台的未来。
打造这样的智能服务需要涉及到微软的两个技术，Bot Framework和Cognitive Services（认知服务）。
Bot Framework就是帮你快速搭建智能服务的后端，快速在各种终端和服务上提供服务。包括三大组件。
Bot Builder SDKs：
这个是Bot的生成器，快速生成一个ASP.NET和Node.js的后端服务，提供了像Dialog、FormFlow帮你管理与用户的会话。
Bot Connector：
这是个Bot的Channel，帮你把你的服务快速发布到各个渠道，比如说Skype，Facebook Messager等等。这样用户就可以在Skype等Channel上使用你的服务了。
Bot Directory：
这个算是Bot 的商店，在这里可以找到各个bot，你也可以把自己的Bot发布出来，从而大家都可以看到你的Bot。
Cognitive Services(认知服务)的前身是Project Oxford（牛津计划），正式发布的时候更名的。这是微软将研究院研究的技术以API和SDK的形式开放给开发者的一系列智能化服务。
主要包括5大类的服务：视觉、语言、语言、知识和搜索。
其实就包括我们今天要讲的"语言理解（Language Understanding Intelligent Service，简称LUIS）"。
我们今天以一个例子举例，来详细介绍怎么利用Bot Framework和LUIS（"撸以si"）打造一个智能陪护机器人。
一、下载Bot Framework的SDK
首先，请下载Bot Framework的SDK，建议下载Bot Framework的Visual Studio的模板Bot Application。
下载下来的模板（不用解压）请直接放置到C:Users你的用户名DocumentsVisual Studio 2015TemplatesProjectTemplatesVisual C# 下面，这样你在C#下面就可以看到有Bot Application的模板了。
如果是使用NuGet来下载SDK，请参考：
-
右键你的C#项目，选择"Manage NuGet Packages".
-
在"Browse"的tab页，输入"Microsoft.Bot.Builder".
-
点击"Install"的按钮.
如果你使用的是Node.js，请使用以下命令：
npm install botbuilder
二、在Azure上创建bot服务
咱们现在创建一个Bot Application的应用。我准备创建一个叫做"萌萌"的机器人。
在Azure上创建Bot服务：搜索bot，选择"Web App Bot"。
点击创建，填写相关的信息：
选择基本模板即可，其他默认选项即可。
配置完成后，点击创建，等待几分钟即可创建完成。
创建完成你可看到Bot服务帮你创建了5个相关服务。
点击第一个Web App Bot服务，即可配置Bot相关服务。
"Name"：你的bot的名字，比如我的叫做"萌萌"。
"句柄（Bot Handle）"：比如我的写"mengmeng"，其实就是你的Bot的id，记下来。
"Description"：你的Bot的描述，会在你的publish之后主页上显示。
点击"信道"，其实就是配置各个平台，里头可以看到"Web Chat"，这个是网页端的channel，已经帮你写好的一个iframe，咱们点击"Edit"。
生成Web Chat的密钥之后，把密钥复制，点击"I'm done configuring Web Chat"。
在资源组中，选择你创建的资源组，点击"部署"：
请记下APPID和AppSecret两个参数，后面会用到。
三、准备你的机器人后端服务代码
从我的GitHub地址下载代码：https://github.com/cheneyszp/MengmengBot
在你的Web.config里，填上你的BotId，刚才创建的App ID和AppSecret。
打开网站的起始页default.htm
复制以下代码：
<!DOCTYPE html>
<meta name="viewport" content="width=device-width, initial-scale=1, maximum-scale=1">
<html>
<head>
<title>萌萌</title>
<meta charset="utf-8" />
</head>
<body style="font-family:'Segoe UI'">
<iframe name="myframe" scrolling="auto" width="100%" height="100%"
onload="document.all['myframe'].style.height=myframe.document.body.scrollHeight"
src="https://webchat.botframework.com/embed/你自己的Bot句柄?s=你 自 己 的 Web Chat 密 钥 " style="height: 502px; max-height: 502px;"></iframe>
</body>
</html>
然后右键项目工程，点击"publish"，之后你就可以拥有一个简单的Bot啦。
四、新建LUIS服务
请先登录：https://www.luis.ai/ ，这是语言理解服务的portal。如果还没注册的话用live id注册以下就可以了。
点击"App"这一栏，咱们先点击"new App"新建一个app。
新建完成后，点击应用的名称，进入编辑这个应用。
我们先看以下左边的tab，可以看到有仪表盘，意图（Intents），实体（Entities），功能。。。。
Intents：就是意图，比如咱们现在要提供天气查询的服务，那么咱们就创建一个"查询天气"的Intent。
实体里头有两类：
Entities：实体，比如在查询天气的时候需要有地理位置信息，需要把用户的语言里头的地点提取出来，这个地点就是这个句子里头的实例，咱们创建一个"地点"的实例。
Pre-built Entities(预建实体)：这个是预置好的实例，比如说时间，数字等等，我加了一个datetime的预置实例。
在功能里头会有：
Phrase List（短语列表功能）：固定的一些短语，能够直接识别，比如说航空公司的名字等已知信息
Pattern Features（模式功能）：正则表达式，可以匹配出相应的一些字段，比如说航班号。
咱们现在来创建一个能够识别查询天气的语言理解服务。
首先，查询天气需要地点信息，咱们先创建一个"地点"的实例。
点击到"实体"里头，"添加自定义实体"：
添加一个"预建实体" datetime：
再创建一个叫做"查询天气"的Intent。
点击Done之后，点击"查询天气"会进入以下界面：
输入几个例子，比如说"北京天气怎么样"，可以多输入几个句子的类型，比如"北京今天有雾霾吗？"等等，每输入完一句按一下回车。
如果北京等地点信息没有显示标记的话，选中北京两个字，然后选择"地点"标注。然后点击"保存"。
随手点击该界面右上角的"Train"按钮进行训练。
可以点击Test进行测试。
随手点击"Publish"的tab页面，进入到一下界面，点击"Publish to production slot"
点击Publish之后，你可以在Publish的tab页面底下，可以看到"Resources and Keys" ，
试用的话会给你自动生成一个Starter Key，右边的链接就是Publish出来的链接地址啦
如：https://westus.api.cognitive.microsoft.com/luis/v2.0/apps/LUIS_APP_ID?subscription-key=LUIS_subscription-key&timezoneOffset=0.0&verbose=true&q=
如果商用的话，需要在Azure Portal创建一个LUIS服务，然后点击"Add Key"，把LUIS的Key添加进来。
url后面加上查询语句就是API了。
https://westus.api.cognitive.microsoft.com/luis/v2.0/apps/LUIS_APP_ID?subscription-key=LUIS_subscription-key&timezoneOffset=0.0&verbose=true&q=北京今天天气怎么样？
把LUIS的ID(就是apps后面那串字符)和subscription-key记下来，后面需要用到。
在URL后面可以输入相关的语句，然后回车，就可以看到返回的json字符串了。
四、在Bot中集成LUIS服务
现在我们就把LUIS集成到你的Web服务里头来就可以了。
咱们用Dialog的方式来完成，比较好管理会话。
在MessagesController.cs里头的public class MessagesController : ApiController添加MengmengDialog的类。
[LuisModel("你LUIS的ID", "你LUIS的subscription-key ")]
[Serializable]
public class MengmengDialog : LuisDialog<object>
{
public MengmengDialog()
{
}
public MengmengDialog(ILuisService service)
: base(service)
{
}
[LuisIntent("")]
public async Task None(IDialogContext context, LuisResult result)
{
string message = $"萌萌不知道你在说什么，面壁去。。。我现在只会查询股票和查询天气。。T_T" + string.Join(", ", result.Intents.Select(i => i.Intent));
await context.PostAsync(message);
context.Wait(MessageReceived);
}
public bool TryToFindLocation(LuisResult result, out String location)
{
location = "";
EntityRecommendation title;
if (result.TryFindEntity("地点", out title))
{
location = title.Entity;
}
else
{
location = "";
}
return !location.Equals("");
}
[LuisIntent("查询天气")]
public async Task QueryWeather(IDialogContext context, LuisResult result)
{
string location = "";
string replyString = "";
if (TryToFindLocation(result, out location))
{
replyString = await GetWeather(location);
await context.PostAsync(replyString);
context.Wait(MessageReceived);
}
else
{
await context.PostAsync("亲你要查询哪个地方的天气信息呢，快把城市的名字发给我吧");
context.Wait(AfterEnterLocation);
}
}
}
GetWeather这个函数需要自己实现，调用相关的API返回相应的天气信息。
然后在Task<HttpResponseMessage> Post([FromBody]Activity activity)下创建MengmengDialog来处理对话的内容。
public async Task<HttpResponseMessage> Post([FromBody]Activity activity)
{
if (activity.Type == ActivityTypes.Message)
{
await Conversation.SendAsync(activity, () => new MengmengDialog());
}
else
{
HandleSystemMessage(activity);
}
var response = Request.CreateResponse(HttpStatusCode.OK);
return response;
}
然后发布，这样我们的天气查询机器人就完成啦！
测试一下：
换着问法问天气，发现都没问题，都能够正确地识别出来。
在LUIS Portal里头，点击"Review endpoint utterances"，可以看到所有调用LUIS API发过来的消息，也就是说，你可以在这里看到所有用户发来的消息。
你可以看看LUIS标注得对不对，如果错了勾选，然后选择"重新分配意图"，然后保存，之后LUIS会学习到这个知识，变得越来越准。
重新标注之后记得重新train一下然后publish哈。
比如说，输入"北京现在天气怎么样"，发现只识别出来Intent，但是没有识别出来地点。
重新标注，train，重新publish一下。
发现已经能够正确识别。
试试吧，有问题留言：）
代码已经发布到GitHub，请参考：https://github.com/cheneyszp/MengmengBot