Was Rasa ist
Rasa ist ein ausgereiftes Conversational-AI-Framework: Intent-Klassifikation und Entity-Extraktion über eine trainierte NLU-Pipeline, dazu Dialogmanagement über Regeln, Stories und Policies. Es ist Python-nativ, selbst hostbar und seit Jahren die Standardantwort für hochvolumige, geskriptete Kundenservice-Assistenten. Rasa Pro ergänzt kommerzielle Stufen, darunter LLM-gesteuerten Dialog.
Gleiches Problem, andere Lösungsgeneration
EDDI und Rasa stammen beide aus der Welt der Conversational AI, und EDDI wird seit 2006 durchgehend als Konversationsplattform entwickelt. Der Unterschied liegt darin, wo die Intelligenz sitzt. Rasa legt sie in ein Modell, das Sie mit Ihren eigenen gelabelten Daten trainieren, was präzise, wiederholbare Kontrolle gibt. EDDI legt sie in orchestrierte LLMs, gesteuert durch deklarative Konfiguration, und tauscht etwas Determinismus gegen Reichweite und Änderungsgeschwindigkeit.
Dialog, Werkzeuge und die Kosten von Änderungen
| Dimension | Rasa | EDDI |
|---|---|---|
| Verstehen | Trainiertes NLU: Intent-Klassifikation und Entity-Extraktion aus gelabelten Daten | LLM-Verständnis plus intentbasierte Agent-Erkennung und Routing |
| Verhalten ändern | Trainingsdaten aktualisieren, neu trainieren, evaluieren, neu deployen | JSON-Konfiguration bearbeiten; kein Retraining und kein Redeployment |
| Determinismus | Hoch. Regeln und Policies machen Abläufe wiederholbar und testbar | Naturgemäß geringer, wiedergewonnen durch Behavior Rules und Freigabe-Gates |
| Sprache | Python; Custom Actions sind Python-Code | JVM-Runtime; Agent-Logik ist Konfiguration, Tools werden deklariert |
| Tool-Ökosystem | Ein Custom-Action-Server, den Sie selbst bauen und hosten | 84 MCP-Tools, integrierte Agent-Tools, plus jeder OpenAPI-Endpunkt |
| Multi-Agent | Ein Assistent pro Deployment ist das übliche Muster | Koordinatorbasierte Orchestrierung und 7 Gruppendiskussionsstile |
| Lizenzierung | Community Edition plus kommerziell lizenzierte Rasa-Pro-Stufen; aktuelle Bedingungen prüfen | Apache 2.0, OSI-zertifiziert |
| Compliance | Selbst-Hosting unterstützt Datenresidenz; Frameworks werden pro Deployment umgesetzt | Audit-Ledger, API für Betroffenenrechte und 15+ Frameworks in der Plattform adressiert |
Die Angaben zum jeweils anderen Tool wurden im Oktober 2026 anhand der offiziellen Dokumentation und des Repositorys geprüft. Diese Projekte ändern sich schnell. Bestätigen Sie das aktuelle Verhalten daher beim Anbieter, bevor Sie sich entscheiden.
Die Wahl zwischen beiden
Wo Rasa die bessere Wahl ist
- Sie haben bereits gelabelte Konversationsdaten und ein ML-Team, das eine NLU-Pipeline pflegen kann.
- Regulatorische oder Marken-Vorgaben verlangen einen deterministischen Assistenten mit einem prüfbaren Entscheidungspfad, an dem kein Sprachmodell beteiligt ist.
- Sehr hohes Volumen über einen engen Intent-Satz, bei dem die LLM-Kosten pro Turn dominieren würden.
- Sie brauchen feine Kontrolle über Konfidenzschwellen der Klassifikation und das Fallback-Verhalten.
Wo EDDI die bessere Wahl ist
- Der Assistent muss aus Dokumenten und Systemen antworten, die sich schneller ändern als ein Retraining-Zyklus.
- Fachanwender müssen das Verhalten ohne ML-Engineer, Trainingslauf oder Deployment ändern können.
- Das Problem verlangt, dass mehrere spezialisierte Agents zusammenarbeiten statt eines flachen Intent-Baums.
- Sie wollen die Flexibilität von LLMs, aber ein Compliance-Beauftragter verlangt Freigabe-Gates und signierte Logs vor dem Livegang.
- Sie wollen Lock-in auf der Modellebene vermeiden: 19 Anbieter oder ein lokales Modell über Ollama oder Jlama.
Einen Assistenten von Rasa umziehen
Die Abbildung ist konzeptionell und nicht mechanisch, weil beide die Intelligenz an unterschiedlichen Stellen ansiedeln. Rechnen Sie damit, die Intent-Struktur in Routing und Prompts zu übersetzen, statt Dateien zu konvertieren.
| Rasa | EDDI |
|---|---|
| Intents und Trainingsbeispiele | Intentbasierte Agent-Erkennung; die gelabelten Daten werden zu Evaluationsmaterial statt zu Trainingseingabe |
| Entities und Slots | Strukturierte Extraktion plus persistentes Benutzergedächtnis |
| Stories und Regeln | Behavior Rules und Pipeline-Konfiguration |
| Custom-Action-Server | MCP-Tools oder httpCall-Tool-Definitionen |
| Responses und Domain-Datei | Prompt-Snippets, wiederverwendbar und versioniert |
| Fallback-Policy | Human-in-the-Loop-Eskalation mit einer Timeout-Richtlinie |
Häufige Fragen
Ist EDDI nur ein weiterer LLM-Wrapper, der trainiertes NLU ersetzt?
EDDI wird seit 2006 als Konversationsplattform entwickelt, lange vor der aktuellen LLM-Generation, und hat die Teile behalten, auf die es ankam: intentbasiertes Routing, verwalteten Konversationszustand und die Pipeline-Architektur. LLMs haben die Verständnisschicht ersetzt, nicht die Orchestrierung darum herum.
Wir brauchen deterministische Antworten für die Compliance. Schließt das EDDI aus?
Nicht unbedingt, aber der Kompromiss sollte explizit sein. LLM-Ausgaben sind nicht deterministisch. EDDI begegnet dem mit Behavior Rules, die Antworten einschränken, menschlichen Freigabe-Gates für folgenreiche Aktionen und einem signierten Audit-Ledger, das festhält, was entschieden wurde und warum. Wenn Ihre Anforderung lautet, dass überhaupt kein Sprachmodell an der Entscheidung beteiligt sein darf, ist Rasa die bessere Antwort.
Können wir während eines Übergangs beides betreiben?
Ja. Ein gängiges Muster leitet bekannte, hochvolumige Intents an den bestehenden Rasa-Assistenten und lässt EDDI offene Anfragen und die Systemintegration übernehmen, und verschiebt den Traffic, sobald das Vertrauen wächst. EDDI kann einen Rasa-Endpunkt über httpCall aufrufen.
Weitere Vergleiche
- EDDI vs. LangChain und LangGraph
- EDDI vs. Microsoft Agent Framework (AutoGen und Semantic Kernel)
- EDDI vs. CrewAI
- EDDI vs. Dify
- EDDI vs. n8n
- EDDI vs. Flowise
- Alle Alternativen: Builder, Bibliotheken und Cloud-Plattformen
Bereit für die Produktion?
Erhalten Sie Managed Deployment, SLA-gestützten Support und praktische Unterstützung vom Team, das EDDI entwickelt.
Sprechen Sie mit uns über Enterprise-Deployment