Rasa的扩展性
1. 如何使用自定义NLU组件和自定义策略
自定义NLU和自定义策略使用方式一致，但是绝大多数情况，开发者不需要使用自定义策略。重点介绍custom NLU
Rasa流水线（pipeline）配置中，可以直接给出内置组件的名字。
Rasa还支持动态载入其他包的组件：
例如：用户有自定义组件SillyNLP，其功能和现有的nlp_mitie一样。该类位于somepackge包的this_model模块内，用户可以在pipeline配置中原本出现"nlp_mitie"地方，用该类的全局名字（fully qulified name）替换 —— "somepackge.this_model.SillyNLP"，配置文件还可以传参。
2. 如何自定义要给NLU组件或策略
NLU组件和策略在DAG中都作为节点使用，他们都属于图组件（graph components）。
自定义图组件需要满足以下三个要求：
实现GraphComponent接口
进行组件注册
使用类型注解（type annotation/ type hint）
① 实现GraphComponent接口
为了实现接口，组件必须继承自Graph Component类（全路径为rasa.engine.graph.GraphComponent），或者其子类（如Tokenizer子类）。② 进行组件注册
注册是为了让Rasa系统了解组件的特性，如组件类型、组件是否需要训练等。这些信息觉得构造DAG时如何处理每个组件。③使用类型注解（type annotation/ type hint）
Rasa利用类型注解来验证模型的配置是否有效。注：前向引用（forward reference）（python 前向引用）是不被允许的。py3.7中可以使用 "from __ future__ import annotations" 来解决这一问题。
3. 自定义词槽类型
定义一个词槽类型关键步骤是将本词槽转换为Rasa系统可用的特性（机器学习的特性）。
开发者需要继承词槽基类，随后重写（override）计算特征数量和计算特征值的方法。
开发者需要保证在配置不变的情况下（词槽系统允许开发者根据词槽配置输出不同的维度，这就是feature_dimensionality是方法而不是属性的原因），模型输出的特征维度不变，否则训练和推理时维度不同会导致系统出错。
4. 其他功能扩展性
还可以自定义：
- 自定义数据导入方式（通过自定义 data importer的方式）
- 自定义tracker store
- 自定义connector
