“奥卡姆剃刀原则”体现在Bot设计上，是同一个功能，从三个维度都可以去完成，甚至不同维度也有不同的子方式，但哪种方式最为简洁，这才是真正尤为重要的一点，而不是仅仅局限于完成这个功能本身。
一、Bot框架本质
搭建NLU语义解析框架，在上篇文章中我我已经提到，它作为最开始顶层设计的基本解析框架，是整个Bot产品的基石。
在系统上，会影响到整个框架的是否足够简洁，意图内的多轮或跨意图多轮的可实现与否，场景中每个意图触发的边界（抛开模型泛化的意图句式不谈）等等。
我之前将这个搭建NLU语义解析框架的本质，定义为从“用户语音需求”、“服务”和“NLU语义技术”三个维度，去寻找“最优解”集合的问题。但这这个感觉是从上帝视角，对他们结构性的一种描述。
但具体在去做每个Domain的时候作为Bot的产品，定位就不在是一种俯瞰的上帝视角，而是作为“NLU语义”这个圈本身定位这个感觉。
从这个角度出发，Bot产品在实际工作中，起到的更像是一种“连接”的作用，将用户的语音中的要素识别并抽取出来，通过Bot产品，精准连接到对应的服务细节，然后再返回给用户结果，完成这个从语音输入到语音输出的产品闭环设计。
二、Bot框架初步探究
接下来结合我最近的思考和实践，在Bot基本框架上，我尝试去回答下面这三个问题：
对每个Bot场景的框架来说，一个极为重要的评价标准
什么因素，是我们在最初设计Bot解析框架时，所不需要考虑。（注意，这里是不需要考虑的）
简化框架，采取怎样的操作方式更加合理
先附上一个基本框架形式，方便之后的论述：
还有必要声明一点：下面的所有思考，都将暂时抛去模型训练对意图语料的影响。并不是因为它对于语音交互来说不重要，相反基于算法的语料训练的越好，每个场景不同意图的句式的精准性和泛化性会同步提高。
只不过Bot产品设计在这个层面上，起到的作用不会很大，这部分的工作都是“模型训练师”（算法工程师）去通过线上大量Query数据和标注语料去训练，实现意图句式的泛化。
产品在设计Bot框架时，意图句式的泛化应该是在整个框架搭建好，逻辑走通以后的最后一步，对于产品设计来说并非最重要的影响要素。
2.1框架的简洁性
我个人评价一个Bot框架的标准，是在可以满足该场景所有功能情况下，它的简洁性。以最常见的“查天气”这个场景为例，要实现它很容易，可以通过多种框架形式去实现。
比如可以有三个意图“search_weather”（普通天气查询）、“search_tem”（普通温度查询）和“search_con”（查询天气指数）去搭建Bot框架，这也是亚马逊这个Domain的做法，通过这三个意图实现天气功能。
但如果是涉及到更多服务参数的场景，比如车载场景，服务参数并不会像天气那么少，那么意图可能就会随着增加，而意图的增加，对于整个框架来讲，它的简洁性必然是下降的。
与此同时会带来另外一个在现象上更严重的问题：在“多轮对话”模块，过多的意图会导致多轮配置的复杂度大幅提升，搞起来非常痛苦，同时后期Bot框架的维护成本非常高。这无论对于产品还是技术来讲，都会影响该场景下的可拓展性。
所以，我将在满足功能下一个Bot框架的简洁性视为评价一个框架，最为重要的指标。当然它有一个前提假设，就是能够实现该场景下所有的意图和功能，不能陷入单纯为了形式上的简化而简化。
2.2探究一个功能的三个路径
接下来我会通过实验，去验证并尝试回答第二个问题：即什么因素，在进行Bot框架顶层设计的时候，不需要考虑的因素（至于为什么是不需要考虑的，最后会提及到）。在此提出三个假设，稍后会进行验证：
整个场景内，服务参数的多少对Bot框架的影响
下面以天气场景为例，如果要实现“查询温度”和“查询空气质量”这两个功能，基于当前的Bot框架实现方式，在逻辑上有以下三种：
通过两个Intent进行划分，即“查询温度”意图和“查询空气质量”意图
通过两个slots进行划分，即“温度”槽位和“空气质量”槽位
通过同一个slots中，两个Value进行划分，进“温度”值和“空气质量”值
2.2.1 Intent维度
如果在Intent层面去划分，那么整个框架已经明显：两个意图（温度、空气质量），两个槽位（城市、日期），其中的典型句式，举个例子如下：
Intent（温度）：{city}{date}温度【是多少】
Intent（空气质量）：{city}{date}空气【好不好】
这样的两个句式，是可以触发对应的意图，没错吧。注意【】括起来的词，表示属于“意图非必要要素”，而中间的“温度”和“空气”则为“意图必要要素”（你起码得有温度这俩字的，没毛病），也符合我之前对一个句子四种要素的基本构成。
那么这样的操作方式，是可以明确触发“查询温度”和“查询空气质量”这两个用户意图，同时通过后续配置槽位策略去请求到对应的服务。
好，这个操作是可以满足功能的，我们先放在这里不管他了。
2.2.2 slots维度
如果选择在slots这个维度去划分映射关系的话，那先假设温度为{tem}，空气质量为{AQI}两个槽位，其中的典型句式，会是这样的：
Intent：
{city}{date}{tem}【是多少】
{city}{date}{AQI}【好不好】
这样配置好的两个句式，用户在发出Query之后，触发的是同一个意图，但因为槽位的性质不同，所以可以抽取出不同的实体，去进行后续的服务请求和回复话术配置，到这里好像没毛病。这样的句式可以触发意图，触发意图后也能请求到对应的服务。
（1）一个槽位一个值？
But，这样的方式可能会产生一个疑问：像{city}或{date}这样的槽位，他们内部都是包含大量信息的，而这样的处理方式，每个槽里面只包含一个信息，即“温度”或“空气质量”（顶多再会加上一些同义词），直觉上会很奇怪，它好像并不符合我们对“槽位”这个概念的基本认知。
这恰恰是需要警惕的一点：如果纠结于“槽位”本身，并且是通过观察当前普遍认同的槽位设定，比如常见的“地点”、“时间”、“歌手”、“出发地”等，这也是当前几乎所有能找到得科普文章或网站上的介绍形式。
会非常容易陷入一个误区，你得到的槽位的基本认知，是通过现象层面已经被解决问题的归纳而得出的，那么结论也仅仅是停留在现象层面的认知和结论。你应该思考的是去溯源，思考为什么会有“槽位”这个东西存在，它对于整个Bot产品来说，定位在哪里，槽位在本质上是为了解决一个什么的问题而诞生，而这个问题又为什么存在。
我想强调得是“槽位”只是基于以上思考，在最后一步推导出的一个现象层面上“解”的自然表现，而表现是可以浮动的，却非本质上的“不动因”。
这个问题在这里就不展开了，可能需要单独讲，先抛出一个结论性的观点：槽位是可以只包含一个信息点的，并且在某些情况下，也只能通过这样的存在形式，才可以完成某些场景的意图上的功能。
（2）系统影响
真正的影响，是要从系统思维的角度出发，看看这样的方式，对整个Bot后续其他模块的影响是怎样的。
在多轮上的问题，上文已经说了多轮分为意图内和跨意图。意图内的多轮，其本质就是该意图内槽位的“改变”（增、换、否的）。试想一下这样的槽位处理方式，如果用户第一轮Query“北京今天温度”，第二句“那空气质量呢”。
首先，这个功能从Bot多轮的角度来讲，是必须要支持的，用户第二句的意图非常明显是“北京今天空气质量”。那么此时DST在追踪到上一轮的Query意图的输出语境，并且本轮Query句式所触发的意图，对应的输入上文语境刚好一致的时候（其实是同一个意图，简单理解，就是它自个），它会把{city}{date}{tem}全部继承下来，又因为{AQI}在上一轮没有，属于新增槽位要加上，这时候组合成的第二轮意图：{city}{date}{tem}{AQI}
到此，就会出现问题，你到底是要干嘛？是要查温度，还是要查空气质量。如果在天气这个场景，“查温度”与“查空气质量”是分开的话，那么到这里，系统就不知道要请求什么了。
所以在每个场景框架的建立之初，一定要时刻保持对整个Bot系统思维的意识。
因为很多种方式和路径，都能完成同样的功能，但不同方式对整个系统和其他模块带来的影响是不一样的，如果在顶层设计的时候不考虑清楚，就会带来后续的某些功能不能实现，或是实现的方式更加复杂。
2.2.3value维度划分
Value维度进行划分，有两种形式：
一种是仅仅把“温度”和“空气质量/空气”作为固定的Value值，就好像“北京/北京市”作为{city}槽位里的一个固定值一样。这样操作的本质是，将该句式“意图必要要素”作为槽位中的一个值；
第二种方式，则是将整个“意图要素”（必要与非必要全部包含），都作为Value值做归一化的处理，同时他们共属于一个槽位，我假定这个槽位为{condition}，那么将会出现下面的两种不同配置方式
第一种配置方式（句式、槽位词表图）：
第二种配置方式（句式、槽位词表图）：
（1）第一种Value化缺陷
先来看第一种方式，可以看到它为了满足用户后缀里“是多少”和“好不好”这两种问法，就必须要有两种句式去配置（这并不是大问题）。
但是由于“温度”和“空气质量”属于同一个槽位的两个值，也就是{condition}中出现任意一个，这两个句式都能触发该Intent，这就会导致一个现象层面的问题：即Query为“北京今天温度好不好”和“北京今天空气是多少”也能触发该意图，虽然这可能不会造成多大负面影响，但它还是破坏了意图句式的准确度。
但为什么会导致这样的现象呢？可以通过意图要素去解释。“温度是多少”这句Query属于温度意图要素，“空气好不好”属于空气质量意图要素，本来他们的边界是完全不在一起的（如下图）。
但我们基于简化框架的目的，把这两个要素中的“意图必要要素”分别抽取出来，作为同一个槽位中的值，但同时为了要满足用户更多Query的问法，就要在句式中增添“非必要意图信息”（即上文的“好不好”和“是多少”），这样的做法最终导致两个意图的边界出现了混乱。所以这样的Value化操作方式，本质上是在“精简框架”和“Cover用户更多句式”之间去做出取舍。
不过综上来看，它的效果并好，这还仅仅是最为简单场景的两类Query而已，如果是更复杂的场景，用户的表达句式更加复杂，那这样的做法所暴露的缺陷是极为明显的
（2）第一种Value化优势
对比上面，在观察第二种Value化的操作方式，可以看到的优势就很明显：
简洁
所有“意图要素”在槽位词表的层面采用相同方式处理，而不是在句式层面。本质上不会导致“意图要素”发生边界混乱，也就不会出现说“温度好不好”这样奇怪的Query，却仍能触发意图的的问题。
后续的可拓展性、维护成本低。在此基础上优化迭代新的功能，或是发生一些比较紧急的Case，只需要在整个框架中处于在外一层的“槽位词表”维度去修改，而不用涉及到框架性、意图层面的改变。
3.反过来想，影响简洁性的不是什么因素
通过上面的实验，我想第二个问题中的三个假设，应该可以得到自然的验证。
第一个假设：用户的“现象意图”，是否要能成为影响Bot框架核心因素？
答案是：“否”。
用户在现象层面的意图，并不能作为你构建Bot框架时的核心思考因素。通过上面天气场景的例子已经证明，用户在现象层面上的两个意图，在Bot框架中，可以在逻辑上从intent/slots/value三个维度转化。用户意图，不能代表Bot意图。
第二个假设：用户同一个“现象意图”的不同类型表达句式，是否能成为影响Bot框架核心因素？
答案是：“否”。
如果连“用户意图”本身都不能作为核心因素，那么它更上一层的句式层面的泛化说法，又怎么可能成为核心因素；从技术上讲，这也只是用户说法通过模型泛化的问题。
第三个假设：整个场景内的“服务参数”多少，是否作能成为影响Bot框架核心因素？
答案还是不能。
因为即时要服务的参数再多，在Bot中也可以在Value层面去处理。这个在Bot中最极端的体现，就是“槽位值”这个概念，歌手足够多吧，但一个{singer}词典，就全部解决啦。
那么在请求类的服务中，逻辑也是一致的，即使要请求的服务参数再多（任何服务场景），也是同样的思路去解决，所以“服务参数”数量，也不能成为影响Bot框架核心因素。
4.奥卡姆剃刀原则
上面的简单实验，回答了最开始提出的三个问题，同时加上自己最近的一些实践。目前至少找到在做Bot设计时非常重要的原则，奥卡姆剃刀原则：
如无必要，勿增实体。
这个原则的思想是同样可以做好的事情，用较少的东西去做，切勿浪费较多东西去做，也被称为“简单有效原理”。
体现在Bot设计上，同一个功能，从三个维度都可以去完成，甚至不同维度也有不同的子方式，但哪种方式最为简洁，这才是真正尤为重要的一点，而不是仅仅局限于完成这个功能本身，“两点之间线段最短”，这是公理。
如果这个场景比较简单，涉及到功能不多，可能哪种采取方式并不会有太大影响。可假设要做的东西比较重度，或者说在初版之后要进行更丰富的拓展，那么在设计之初，让整个框架保持最大程度可能性的简洁，是十分必要的一点。
“奥卡姆剃刀原则”，也成为我在Bot产品设计时核心思想，最近在实践中重构天气场景，也尝试完成了只用两个意图（不包含用于承接多轮的重名意图），去Cover住天气场景的所有功能，算是理论结合实际，完成了一小步。
5.Bot产品感受
在文章的最后，更想谈一些自己的感受，我想表达的是上面所有的论述都是极其肤浅和缺乏根基的。它有两个非常严重的缺陷，这个缺陷倒不是说这个上面的内容或观点存在过大偏差（当然也是存在的），而是我的这些思考以及得出结论本身的思考方式本身存在缺陷。
其一，本质上只是通过自己在实践中的经验，用归纳法去从现象层面得出一些因果关系上的东西，然后得出一些原则或思想，虽然并不能说他们不对，但这样的方式缺乏更为底层的“根基”（不知道能不能感受到我所说的这个味道）。
其二，过于片面，这是我自己都能明显感受到的，做过这些东西归纳出这一方面的思考，做过那些东西就得出另外一些方面的思考。这样下去整个体系会变得越来越复杂，但也越来越容易流与现象的流变，而很难纵向深挖出更为底层和基础的东西。
所以最近也开始在思考寻找Bot框架设计中的第一性原理，从那个最底层的“第一因”出发，这个“第一因”一定是抽象的，且可能跟Bot本身无关，然后用演绎法去推导Bot框架设计的理论，将底层逻辑导通。
我的第二个感受是：就“现象问题”去解决“现象问题”一定是做Bot产品（或者说任何产品都是如此吧）的大坑，但Bot对话产品表现的更为明显，毕竟人的对话场景或人的Query形式有点不可穷尽的意思哦。
场景会越来越多，每种场景所表现出来的形式也不尽相同，也就是说现象层面上的东西永远是流变的。同时技术也在不断向前演化，说不定哪天有了新的技术突破，做Bot的方式方法就会发生改变。
但一定也会有那个最为本质和底层的点，是所有Bot产品共有的底层的“第一因”（第一性原理）。只要NLU底层语义技术，不突破目前基于统计模型理论的机器/深度学习方式；只要人的说话方式和习惯不改变，它也一定不会改变的那个基石元素找到，才可以。
