企业官网建设流程全解析

IoT-For-Beginners 实战：为 LUIS 智能定时器应用扩展"取消定时器"意图并接入 Serverless 代码

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners

在 IoT-For-Beginners 课程的"语音与语言理解"（6-consumer / 2-language-understanding）单元中，你已经训练了一个能够理解"设置定时器"（set timer）的语言理解模型，并编写了基于 HTTP 触发器的 Azure Functions 无服务器代码，将自然语言句子翻译成定时器秒数。本篇文章以该单元的课后作业（assignment）为核心，手把手讲解如何为 LUIS 应用新增一个cancel timer（取消定时器）意图：它不需要任何实体，只需若干示例句子；同时指导你在 serverless 代码中检测该意图是否为最高分意图（top intent）、记录日志并返回恰当的响应。学完本篇，你将掌握"在既有语言理解应用中低成本扩展新意图"的完整套路，并能将 cancel timer 与已有的 set timer 逻辑在同一个函数中协调工作。

1. 任务背景：从"设置定时器"到"取消定时器"

在正式动手前，先回顾一下你在本单元前序课程中已经完成的成果（完整流程见 README.md）：

1. 创建 LUIS 创作资源（Authoring Resource）：在smart-timer资源组中使用az cognitiveservices account create创建免费层（F0 SKU）的smart-timer-luis-authoring资源，kind为LUIS.Authoring。若提示InvalidApiSetId，说明所选区域不支持 LUIS，需要更换区域。
2. 创建语言理解应用：在 luis.ai 门户中新建名为smart-timer的应用，并设置对应的 Culture（语言区域）。
3. 定义实体（Entities）：添加number预构建实体用于识别数值，以及一个列表类型（List）实体time unit，其归一化值为minute/second，同义词覆盖单复数形式（如minutes、seconds）。
4. 定义意图（Intents）：创建set timer意图，并录入多条不同表达方式的示例句子（utterances），混合使用数字单词与阿拉伯数字，让模型学会泛化。
5. 训练、测试并发布：点击Train训练模型，使用Test面板验证set a timer for 5 minutes and 4 seconds能返回最高分意图set timer，最后发布到Staging槽位。
6. 编写 Serverless 函数：在 Azure Functions 应用smart-timer-trigger中创建 HTTP 触发器text-to-timer，通过init.py 调用 LUIS 运行时，把set timer意图的实体解析为总秒数，并以 JSON{"seconds": 147}返回。

作业文档 assignment.md 提出的新需求非常贴合真实场景：面包烤好了，希望在定时器结束前就把它从烤箱取出。因此，"取消定时器"和"设置定时器"一样，都是智能厨房助手的核心交互。

2. 回顾核心概念：意图（Intent）与实体（Entity）的分工

要正确设计 cancel timer，需要理解 LUIS 的两大抽象。语言理解模型围绕意图与实体构建：

• 意图（Intent）：指这句话"想做什么"，例如播放音乐、设置定时器、订餐。每个句子至少应映射到一个意图。
• 实体（Entity）：指意图作用的对象，例如专辑名、定时器时长、餐品种类。

原课程给出了一个直观的对照表：

注意表中第三行："Cancel my timer" 的实体为 None。这正是本作业的关键设计决策——取消定时器不需要任何时间数值或单位实体，LUIS 只需判断用户意图即可。这也意味着：

• 无需再定义新的实体，省去了实体标注与同义词维护的成本；
• 示例句子的质量成为模型准确率的决定性因素，你需要覆盖用户可能的各种表达方式。

3. 在 LUIS 应用中新增 cancel timer 意图

3.1 创建意图并录入示例句子

1. 登录 LUIS 门户，打开上一课创建的smart-timer应用。

2. 切换到Intents标签页，点击Create新建意图，命名为cancel timer。

3. 在示例（Examples）区域录入多种表达"取消定时器"的句子。由于本意图不需要实体，LUIS 只会对句子整体学习意图归属。参考示例可包括：

   • cancel my timer
   • cancel the timer
   • stop the timer
   • turn off the timer
   • remove the timer
   • cancel my 3 minute timer（注意：即使句子中出现了数字，也无须为其标注实体，cancel timer 意图本身不依赖实体完成动作）

   与训练 set timer 时"混合数字单词与数值"同理，这里应覆盖助词、时态、冠词等不同写法，让模型学会从大量近义表达中泛化出"取消定时器"这一意图。

4. 录入完成后，点击顶部菜单的Train按钮训练模型。训练通常只需几秒，训练期间按钮呈灰色，完成后自动恢复可点击。

3.2 测试新意图

点击顶部Test按钮，输入诸如cancel my timer、stop the timer等句子并回车。在结果框中检查top intent（最高分意图）是否为cancel timer，其后会跟随该意图的置信概率。点击Inspect可以查看更详细的结果拆解：Top 得分意图及其百分比、检测到的实体列表。

提示：为达到本作业评价标准中的"Exemplary（优秀）"级别，你不仅要"能添加意图"，还要"能完成训练并让模型稳定地把取消类句子识别为最高分意图"。如果测试中cancel timer未排第一，应继续补充示例句子并重新训练，直到测试句稳定命中。

3.3 重新发布模型

LUIS 代码调用默认指向Staging槽位（下文 serverless 代码使用get_slot_prediction(app_id, 'Staging', ...)），因此添加新意图并训练后，需要点击顶部Publish按钮、确认选择Staging slot并点击Done重新发布，云端才会包含 cancel timer 意图的预测能力。

发布后可使用 curl 快速验证（各值从MANAGE标签页获取：App ID 在Settings中，Primary Key 与 Endpoint URL 在Azure Resources→Authoring Resource中）：

curl "<endpoint url>/luis/prediction/v3.0/apps/<app id>/slots/staging/predict" \ --request GET \ --get \ --data "subscription-key=<primary key>" \ --data "verbose=false" \ --data "show-all-intents=true" \ --data-urlencode "query=cancel my timer"

响应 JSON 中prediction.topIntent应为cancel timer，且entities为空对象——这与"取消定时器无需实体"的设计完全吻合。

4. 在 Serverless 代码中处理 cancel timer

4.1 理解现有函数结构

仓库中已经提供了完整可运行的函数代码骨架，位于 code/functions/smart-timer-trigger/text-to-timer，由以下几部分组成：

• init.py：函数主体，负责读取环境变量、创建 LUIS 客户端、发起预测、解析实体、返回 HTTP 响应；
• function.json：HTTP 触发器绑定配置，authLevel为function，支持GET/POST两种方法；
• local.settings.json：本地运行配置，包含LUIS_KEY、LUIS_ENDPOINT_URL、LUIS_APP_ID三个占位值；
• requirements.txt：依赖声明，包含azure-functions与azure-cognitiveservices-language-luis；
• host.json：函数宿主配置（2.0 版本、Extension Bundle、Application Insights 采样等）。

现有__init__.py的核心逻辑是：

prediction_response = client.prediction.get_slot_prediction(app_id, 'Staging', prediction_request) if prediction_response.prediction.top_intent == 'set timer': # 读取 number 与 time unit 实体，累加 total_seconds # 返回 {"seconds": total_seconds}, status_code=200 return func.HttpResponse(status_code=404) # 意图无法识别时的兜底

从这段源码结构可以清晰地看出：当前函数只对set timer一个意图给出成功响应，其余一切意图（包括尚未支持的cancel timer）都会落入 404 分支。因此，接入取消定时器本质上就是在if判定链上增加一个新的意图分支。

4.2 扩展意图判定与响应

作业要求：如果 cancel timer 是 top intent，则记录该意图已被识别，并返回一个适当的响应。参考现有代码风格，可以在set timer分支之后、404 兜底之前追加如下处理：

if prediction_response.prediction.top_intent == 'cancel timer': logging.info('Cancel timer intent recognized') return func.HttpResponse(json.dumps({'cancel': True}), status_code=200)

实现要点：

1. 日志记录：logging.info(...)会输出到函数控制台，便于在本地运行func start或云端 Application Insights 中观测模型识别结果，这与现有代码中logging.info(f'Request - {text}')、logging.info(f'Timer required for {total_seconds} seconds')的观测风格保持一致。
2. 返回适当的响应：这里返回 JSON{"cancel": true}与 HTTP 200。实际项目中，此响应会回到 IoT 设备（Wio Terminal / Raspberry Pi / 虚拟设备），由设备端真正清除当前计时器并（可结合下一课 6-consumer/lessons/3-spoken-feedback）通过语音向用户确认"定时器已取消"。响应体的具体字段可按你的设备端协议自行定义，关键是用一个明确的成功状态码区分于 404。
3. 保持兜底分支：如果 top intent 既不是set timer也不是cancel timer，函数仍应返回func.HttpResponse(status_code=404)（HTTP 404，表示"无法识别请求"）。

修改后main函数的意图处理链路为：set timer（计算秒数）→cancel timer（确认取消）→ 其余情况 404。

4.3 本地验证与联调

1. 确认虚拟环境已激活，执行pip install -r requirements.txt安装依赖（若提示 pip 版本过旧可先pip install --upgrade pip）。
2. 在 local.settings.json 中填入真实的LUIS_KEY、LUIS_ENDPOINT_URL与LUIS_APP_ID（值来源同前文 MANAGE 标签页）。
3. 运行函数应用，终端会输出 HTTP 触发器地址，例如http://localhost:7071/api/text-to-timer。
4. 使用 curl 发起 POST 请求进行验证：

curl --request POST 'http://localhost:7071/api/text-to-timer' \ --header 'Content-Type: application/json' \ --include \ --data '{"text":"cancel my timer"}'

期望看到类似如下的响应：

HTTP/1.1 200 OK ... {"cancel": true}

同时在函数控制台应出现Cancel timer intent recognized的日志输出——这正是作业评价标准中"能够检测到 top intent 并记录它"的落地证据。

若你是使用 Wio Terminal 的 Arduino 开发者，由于库依赖原因，建议将函数应用在本地运行、并通过本机局域网 IP 访问（如http://192.168.1.10:7071/api/text-to-timer），而不是部署到云端；使用 Raspberry Pi 或虚拟设备则可以选择部署到 Azure Functions，并通过az functionapp keys list获取默认函数密钥拼接到 URL 的?code=参数中。

5. 作业评估标准对照

原作业文档给出了明确的评价维度，可作为自查清单（对应英文原版 assignment.md）：

对照自查：

• LUIS 侧：意图是否已创建？示例句子是否覆盖多种表达？是否完成训练并通过 Test 面板验证 top intent？
• Serverless 侧：代码是否检测prediction_response.prediction.top_intent == 'cancel timer'？是否调用logging.info记录识别结果？是否返回了与 404 不同的成功响应？

6. 延伸思考：挑战与下一步

课程还提供了两个可选的拓展方向：

1. 🚀 Challenge：像"设置定时器"一样，"取消定时器"也存在大量等价表达。可以尝试把更多说法（如 "stop my kitchen timer"、"I don't need the timer anymore"）加入示例句子，观察模型在不同说法下的识别鲁棒性，体验数据多样性对语言理解模型效果的影响。
2. 下一课衔接：cancel timer 的响应最终要驱动设备端动作并给出语音反馈，这正是 6-consumer/lessons/3-spoken-feedback（文本转语音）要解决的问题——届时取消操作可被播报给用户，形成"听懂-执行-反馈"的完整闭环。

总结

通过本作业的实践，你在既有 LUIS + Azure Functions 架构上完成了一次低成本的意图扩展：cancel timer 不引入任何新实体，仅靠高质量示例句子与重新训练即可被模型识别；serverless 端则在现有set timer分支旁新增一个意图分支，用日志记录识别结果并以明确的状态码返回响应。这一模式可以复用到"暂停定时器""延长定时器"等更多意图上，是语言理解应用持续迭代的标准做法。

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners