EDDI vs. Rasa

Rasa คืออะไร

Rasa เป็นเฟรมเวิร์ก conversational AI ที่เติบโตเต็มที่: การจำแนก intent และการสกัด entity ผ่าน pipeline NLU ที่ผ่านการฝึก ร่วมกับการจัดการบทสนทนาผ่าน rule, story และ policy เป็น Python-native โฮสต์เองได้ และเป็นคำตอบมาตรฐานสำหรับผู้ช่วยบริการลูกค้าแบบมีสคริปต์ปริมาณสูงมานานหลายปี Rasa Pro เพิ่มระดับเชิงพาณิชย์ รวมถึงบทสนทนาที่ขับเคลื่อนด้วย LLM

ปัญหาเดียวกัน แต่เป็นคนละยุคของคำตอบ

EDDI และ Rasa ต่างมาจากโลกของ conversational AI และ EDDI อยู่ในการพัฒนาอย่างต่อเนื่องในฐานะแพลตฟอร์มสนทนาตั้งแต่ปี 2006 ความต่างอยู่ที่ตำแหน่งของความฉลาด Rasa วางไว้ในโมเดลที่คุณฝึกบนข้อมูลที่ติดป้ายกำกับของคุณเอง ซึ่งให้การควบคุมที่แม่นยำและทำซ้ำได้ EDDI วางไว้ใน LLM ที่ถูก orchestrate และกำกับด้วยคอนฟิกแบบ declarative แลกความ deterministic บางส่วนกับขอบเขตที่กว้างและความเร็วในการเปลี่ยนแปลง

บทสนทนา เครื่องมือ และต้นทุนของการเปลี่ยนแปลง

มิติ	Rasa	EDDI
การทำความเข้าใจ	NLU ที่ผ่านการฝึก: การจำแนก intent และการสกัด entity จากข้อมูลที่ติดป้ายกำกับ	ความเข้าใจโดย LLM ร่วมกับการค้นหาและกำหนดเส้นทางเอเจนต์ตาม intent
การเปลี่ยนพฤติกรรม	อัปเดตข้อมูลฝึก ฝึกซ้ำ ประเมินผล แล้ว deploy ใหม่	แก้คอนฟิก JSON ไม่ต้องฝึกซ้ำและไม่ต้อง deploy ใหม่
ความ deterministic	สูง rule และ policy ทำให้ flow ทำซ้ำและทดสอบได้	ต่ำกว่าโดยธรรมชาติ ชดเชยด้วย behavior rules และประตูอนุมัติ
ภาษา	Python; custom action เป็นโค้ด Python	รันไทม์ JVM; ตรรกะของเอเจนต์เป็นคอนฟิก เครื่องมือถูกประกาศ
ระบบนิเวศของเครื่องมือ	Custom action server ที่คุณสร้างและโฮสต์เอง	เครื่องมือ MCP 84 รายการ, เครื่องมือของเอเจนต์ในตัว รวมถึง endpoint OpenAPI ใดก็ได้
หลายเอเจนต์	หนึ่งผู้ช่วยต่อหนึ่งการติดตั้งเป็นรูปแบบที่พบบ่อย	การ orchestrate แบบมีผู้ประสานงาน และการอภิปรายกลุ่ม 7 รูปแบบ
สัญญาอนุญาต	Community edition พร้อมระดับ Rasa Pro ที่มีสัญญาอนุญาตเชิงพาณิชย์; ตรวจสอบข้อกำหนดปัจจุบัน	Apache 2.0 (OSI รับรอง)
การปฏิบัติตามข้อกำหนด	การโฮสต์เองรองรับที่ตั้งของข้อมูล; กรอบข้อกำหนดดำเนินการแยกตามแต่ละการติดตั้ง	Audit ledger, API สิทธิ์ของเจ้าของข้อมูล และ 15+ กรอบข้อกำหนดที่ครอบคลุมในแพลตฟอร์ม

รายละเอียดของเครื่องมืออีกฝั่งตรวจสอบกับเอกสารและรีโพซิทอรีอย่างเป็นทางการเมื่อเดือนตุลาคม 2569 (ค.ศ. 2026) โปรเจกต์เหล่านี้เปลี่ยนแปลงเร็ว โปรดยืนยันพฤติกรรมปัจจุบันกับผู้พัฒนาก่อนตัดสินใจ

เลือกระหว่างสองตัวเลือกนี้

กรณีที่ Rasa เป็นตัวเลือกที่ดีกว่า

คุณมีข้อมูลสนทนาที่ติดป้ายกำกับอยู่แล้วและมีทีม ML ที่ดูแล pipeline NLU ได้
ข้อจำกัดด้านกฎระเบียบหรือแบรนด์ต้องการผู้ช่วยแบบ deterministic ที่มีเส้นทางการตัดสินใจที่ตรวจสอบได้โดยไม่เกี่ยวข้องกับโมเดลภาษา
ปริมาณสูงมากบนชุด intent ที่แคบ ซึ่งต้นทุน LLM ต่อเทิร์นจะครอบงำ
คุณต้องการควบคุมละเอียดในเรื่องเกณฑ์ความเชื่อมั่นของการจำแนกและพฤติกรรม fallback

กรณีที่ EDDI เป็นตัวเลือกที่ดีกว่า

ผู้ช่วยต้องตอบจากเอกสารและระบบที่เปลี่ยนเร็วกว่ารอบการฝึกซ้ำ
ผู้ใช้ธุรกิจต้องเปลี่ยนพฤติกรรมได้โดยไม่ต้องพึ่งวิศวกร ML รอบการฝึก หรือการ deploy
ปัญหาต้องการให้หลายเอเจนต์เฉพาะทางทำงานร่วมกัน แทนที่จะเป็นต้น intent แบบแบนเพียงต้นเดียว
คุณต้องการความยืดหยุ่นของ LLM แต่เจ้าหน้าที่ด้านการปฏิบัติตามข้อกำหนดต้องการประตูอนุมัติและบันทึกที่ลงลายเซ็นก่อนเปิดใช้งานจริง
คุณต้องการหลีกเลี่ยงการผูกติดที่ชั้นโมเดล: ผู้ให้บริการ 19 ราย หรือโมเดลในเครื่องผ่าน Ollama หรือ Jlama

การย้ายผู้ช่วยจาก Rasa

การแมปเป็นเชิงแนวคิดมากกว่าเชิงกลไก เพราะทั้งสองวางความฉลาดไว้คนละที่ ควรคาดว่าจะต้องแปลโครงสร้าง intent ไปเป็นการกำหนดเส้นทางและ prompt แทนที่จะแปลงไฟล์

Rasa	EDDI
Intent และตัวอย่างการฝึก	การค้นหาเอเจนต์ตาม intent; ข้อมูลที่ติดป้ายกำกับกลายเป็นวัสดุสำหรับการประเมินแทนที่จะเป็นอินพุตการฝึก
Entity และ slot	การสกัดข้อมูลแบบมีโครงสร้างร่วมกับหน่วยความจำผู้ใช้แบบถาวร
Story และ rule	Behavior rules และคอนฟิก pipeline
Custom action server	เครื่องมือ MCP หรือนิยามเครื่องมือ httpCall
Response และไฟล์ domain	Prompt snippet ที่ใช้ซ้ำได้และมีเวอร์ชัน
Fallback policy	การส่งต่อให้มนุษย์แบบ human-in-the-loop พร้อมนโยบาย timeout

คำถามที่พบบ่อย

EDDI เป็นเพียงตัวห่อหุ้ม LLM อีกตัวที่มาแทน NLU ที่ผ่านการฝึกหรือไม่

EDDI ถูกพัฒนาเป็นแพลตฟอร์มสนทนาตั้งแต่ปี 2006 นานก่อนยุค LLM ปัจจุบัน และยังคงส่วนที่สำคัญไว้: การกำหนดเส้นทางตาม intent, สถานะการสนทนาที่มีการจัดการ และสถาปัตยกรรม pipeline LLM มาแทนที่ชั้นความเข้าใจ ไม่ได้แทนที่ orchestration รอบๆ

เราต้องการคำตอบแบบ deterministic เพื่อการปฏิบัติตามข้อกำหนด นั่นตัด EDDI ออกไปหรือไม่

ไม่จำเป็น แต่ควรระบุการแลกเปลี่ยนให้ชัดเจน เอาต์พุตของ LLM ไม่ deterministic EDDI จัดการด้วย behavior rules ที่จำกัดคำตอบ ประตูอนุมัติโดยมนุษย์สำหรับการกระทำที่มีนัยสำคัญ และ audit ledger ที่ลงลายเซ็นซึ่งบันทึกว่าตัดสินใจอะไรและเพราะอะไร หากข้อกำหนดของคุณคือห้ามให้โมเดลภาษามีส่วนในการตัดสินใจเลย Rasa คือคำตอบที่ดีกว่า

เรารันทั้งสองระหว่างช่วงเปลี่ยนผ่านได้หรือไม่

ได้ รูปแบบที่พบบ่อยคือส่ง intent ปริมาณสูงที่รู้จักไปยังผู้ช่วย Rasa เดิม ขณะที่ EDDI จัดการคำถามปลายเปิดและการเชื่อมต่อระบบ จากนั้นค่อยๆ ย้ายทราฟฟิกเมื่อมั่นใจมากขึ้น EDDI เรียก endpoint ของ Rasa ผ่าน httpCall ได้

การเปรียบเทียบอื่นๆ

พร้อมสำหรับ Production หรือยัง?

รับการ Deploy แบบมีผู้ดูแล การสนับสนุนที่รองรับด้วย SLA และความช่วยเหลือโดยตรงจากทีมที่สร้าง EDDI

คุยกับเราเรื่องการ Deploy ระดับองค์กร

คุณสมบัติ

สำหรับองค์กร

Managed Cloud และการสนับสนุนระดับองค์กร

ทรัพยากร