무료 오픈소스 AI로 나만의 챗봇 만들기 – 완전 초보를 위한 실전 단계별 가이드

코딩 몰라도 OK! 누구나 챗봇 OK!

인공지능 기술이 점점 더 익숙해지는 요즘 누구나 한번 쯤 '나만의 챗봇'을 만들어 보고 싶다 생각해 보셨을텐데요. 하지만 정작 어떻게 시작해야 할지 몰라서 막막한 경우가 대부분이에요. 전문 개발자도 아니고, 고가의 유료 솔루션을 쓸 여력도 없다면 어떻게 해야 할까요? 다행히도 요즘은 무료로 사용할 수 있는 오픈소스 AI 도구들이 점점 더 많아지고 있어요. 게다가 그 도구들을 잘만 활용하면, 코딩 경험이 없는 비전공자도 실생활에 유용한 챗봇을 충분히 만들 수 있답니다.
이 글에서는 비전공자도 단 3~4시간만 투자하면 따라 할 수 있는 무료 챗봇 제작 과정을 단계별로 상세하게 안내해 드릴게요. Rasa라는 오픈소스 도구를 중심으로 파이썬 설치부터 챗봇 테스트, 배포까지 전부 자세히 알려 드릴게요.
단순한 개념 소개나 이론 위주가 아닌, 실제 사용되는 챗봇 제작 경험을 토대로 설명해드릴게요. 처음 시작하는 분들에게는 그야말로 A부터 Z까지 친절한 가이드가 될 거예요.

챗봇이란 무엇??

챗봇은 '채팅(Chat)'과 '로봇(Robot)'의 합성어예요. 사용자의 질문에 자동으로 답하거나 요청에 맞는 정보를 제공하는 인공지능 시스템입니다. 고객 서비스, 온라인 상담등 다양한 분야에서 이미 널리 활용되고 있어요.

챗봇이 특히 유용한 이유는?

• 24시간 응대가 가능해서, 사람이 없는 시간에도 고객 문의를 해결할 수 있어요.
• 반복적인 업무를 자동화해 사람의 시간을 절약하고 효율을 높여줘요.
• 사용자 데이터에 기반한 맞춤형 정보 제공으로 만족도를 높일 수 있어요.
• 웹사이트, 메신저, 앱 등 다양한 플랫폼에서 새로운 소통 채널을 열 수 있답니다.

 

오픈소스 AI란? 왜 무료가 가능할까?

오픈소스 AI는 개발자들이 만든 인공지능 소프트웨어를 누구나 자유롭게 사용하고 수정할 수 있도록 공개한 것이에요. 이 말은 곧, 여러분도 자유롭게 챗봇을 만들 수 있다는 뜻 입니다.

• 비용 절감 : 대부분 무료이기 때문에 초기 개발 비용이 거의 들지 않아요.
• 유연한 커스터마이징 : 필요에 따라 소스코드를 수정하고 기능을 추가할 수 있어요.
• 활발한 커뮤니티 : 문제가 생겨도 다양한 전 세계 유저들과 함께 해결할 수 있어요.
• 신뢰성과 투명성 : AI의 작동 원리를 직접 확인할 수 있어서 보안과 투명성이 높아요.

 

챗봇을 만들기 전에 정해야 할 3가지 핵심

1. 목적 설정 – 챗봇이 무엇을 해야 하나요?

가장 먼저 생각해야 할 것은 "이 챗봇이 어떤 문제를 해결할 것인가?" 입니다. 목적이 명확해야 개발 방향도 뚜렷해지고, 기능 설계도 쉬워져요.

 

예시:

• 카페 메뉴 안내 챗봇
• 영화 추천 챗봇
• 자주 묻는 질문에 답하는 고객상담 챗봇
• 영어 단어 퀴즈 챗봇 등

2. 대상 파악 – 누가 사용할 건가요?

챗봇을 사용하는 사람에 따라 어투나 기능도 달라져야 해요. 예를 들어, 어린이를 위한 챗봇은 표현이 부드럽고 간단해야 하겠죠?

3. 기능 설계 – 어떤 질문에 어떤 답을 할 수 있어야 할까요?

예:

• "메뉴 보여줘" → 메뉴 안내
• "주소가 어떻게 돼요?" → 매장 주소 응답
• "영업시간은?" → 운영 시간 제공

 

1단계: 챗봇 개발 환경 구축하기

챗봇을 만들기 전에 가장 먼저 해야 할 일은 개발 환경을 제대로 세팅하는 것이에요. 마치 요리를 하기 전에 주방을 깨끗이 정리하고, 재료를 꺼내놓는 것과 비슷하다고 보면 돼요. 이 단계에서는 파이썬 설치, 가상환경 설정, 그리고 챗봇 프레임워크인 Rasa 설치 및 프로젝트 생성까지 전부 진행해 볼 거예요. 어렵게 느껴질 수 있지만, 하나하나 따라 하면 누구나 문제없이 설정할 수 있으니 걱정하지 마세요!

 

파이썬(Python) 설치 

Rasa는 파이썬 기반으로 작동하는 프레임워크이기 때문에, 먼저 파이썬이 설치되어 있어야 챗봇을 개발할 수 있어요.

1. 웹 브라우저를 열고 https://www.python.org에 접속해 주세요.
2. 메뉴에서 "Downloads"를 클릭하고, 여러분의 운영체제(Windows, macOS, Linux)에 맞는 최신 버전의 Python 3.x를 다운로드하세요.
3. 설치 파일을 실행하면 설치 마법사가 열리는데, 이때 ‘Add Python to PATH’라는 체크박스를 반드시 체크해야 해요. 이걸 체크하지 않으면 나중에 명령어가 작동하지 않을 수 있어요.
4. 설치가 완료된 후, 명령 프롬프트(또는 터미널)를 열고 아래 명령어로 설치를 확인하세요:

python --version

 

또는 Mac, Linux에서는:

python3 --version

 

버전 정보가 Python 3.12.1처럼 출력되면 설치가 성공한 거예요. 만약 '명령을 찾을 수 없습니다'라는 오류가 뜬다면, PATH 설정이 누락됐을 수 있으니 다시 설치 과정에서 체크박스를 확인해 주세요.

 

 

가상 환경(Virtual Environment) 설정 

가상환경은 파이썬 프로젝트의 필수 도구예요. 여러 프로젝트를 동시에 진행하다 보면 라이브러리 충돌이 생길 수 있는데, 가상환경을 만들면 프로젝트별로 독립된 공간에서 작업할 수 있어서 매우 안전해요.

1. 원하는 폴더를 하나 만들고, 그 안에서 명령 프롬프트를 실행해 주세요.

2. 아래 명령어로 가상환경을 생성할 수 있어요:

python -m venv chatbot_env

이 명령은 chatbot_env라는 폴더를 생성하고, 그 안에 독립된 파이썬 환경을 구성합니다.

3. 가상환경을 활성화하려면 아래 명령어를 사용하세요:

• Windows:

.\chatbot_env\Scripts\activate

• macOS/Linux:

source chatbot_env/bin/activate

성공적으로 활성화되면 명령줄 앞에 (chatbot_env)라는 표시가 뜨게 돼요. 이 표시가 보인다면, 이제부터 입력하는 명령은 모두 가상환경 안에서 실행됩니다. 만약 가상환경을 끄고 싶다면 deactivate 명령어를 입력하면 됩니다.

가상환경을 사용하면 시스템 전체에 영향을 주지 않고 필요한 라이브러리만 설치할 수 있어 매우 유용하고 안정적이에요.

 

Rasa 설치 및 기본 챗봇 프로젝트 만들기

이제 본격적으로 챗봇의 '두뇌'를 담당할 Rasa 프레임워크를 설치할 차례예요. Rasa는 자연어 처리(NLP)와 대화 흐름 설계가 가능한 오픈소스 프레임워크로, 챗봇 제작에 최적화되어 있어요.

1. 가상환경이 활성화된 상태에서 아래 명령어를 입력해 Rasa를 설치해 주세요:

pip install rasa

Rasa 설치는 인터넷 속도나 컴퓨터 성능에 따라 5~10분 정도 소요될 수 있어요. 설치 중 오류가 발생한다면 pip 버전을 최신으로 먼저 업데이트해 보세요:

pip install --upgrade pip

 

2. 설치가 끝났다면, 이제 챗봇 프로젝트를 생성해 보세요. 원하는 폴더로 이동한 후 아래 명령어를 입력합니다:

rasa init

 

이 명령어를 입력하면 Rasa가 기본 프로젝트 구조를 자동으로 생성해 줘요. 중간에 "Do you want to train an initial model?"이라고 묻는 메시지가 나오면 y를 입력하세요. 그러면 자동으로 초기 챗봇 모델을 학습시키고, 테스트할 수 있는 상태로 만들어 줍니다.

 

※ 생성되는 주요 파일 설명

• domain.yml : 챗봇의 의도, 응답, 동작 방식 등을 정의하는 핵심 설정 파일이에요.
• data/nlu.yml : 챗봇이 학습할 사용자 문장 예시와 의도(intent)가 정의돼 있어요.
• data/stories.yml : 사용자가 어떤 흐름으로 대화할지 스토리 기반 시나리오가 작성돼요.
• actions.py : 챗봇이 복잡한 동작을 해야 할 때 파이썬 코드를 작성하는 공간이에요.
• config.yml : 챗봇의 자연어 처리 모델 설정이나 파이프라인 설정 등이 담겨 있어요.

※ 정리

• 파이썬은 챗봇 개발의 기본 언어이고, 최신 버전 설치가 중요합니다.
• 가상환경은 충돌 방지와 개발 안정성을 확보하는 데 매우 유용합니다.
• Rasa는 챗봇의 모든 두뇌 기능을 담당하며, rasa init 한 줄이면 프로젝트가 시작됩니다.

이 단계가 조금만 익숙해지면, 이후 챗봇을 여러 개 만들어서 비교하거나, 다른 기능을 실험할 때 훨씬 수월해져요. 환경 설정은 다소 귀찮을 수 있지만, 이 부분만 확실히 익혀두면 나중에 챗봇 개발 속도가 두 배로 빨라질 수 있습니다!

 

 

2단계: 챗봇의 지능 훈련시키기

챗봇은 설치만 했다고 바로 똑똑하게 작동하지 않아요. 사용자가 어떤 질문을 했을 때 무슨 말을 하고 싶어 하는지 파악하고, 그에 맞는 적절한 응답을 하도록 챗봇의 '뇌'를 훈련시켜야 해요. 이 단계에서는 바로 그 과정을 배우게 됩니다.
사람이 언어를 배우듯 챗봇도 말의 패턴과 의도를 훈련해야 해요. 그래서 이 단계에서는 ‘사용자가 어떤 말을 할 수 있을지’와 ‘그 말에 어떻게 반응할지’를 데이터로 알려주고, Rasa가 그걸 학습하도록 도와줄 거예요.

 

인텐트(Intent)와 엔티티(Entity) 이해하기

챗봇의 학습에서 가장 기본이 되는 두 가지 개념이 바로 인텐트(Intent)와 엔티티(Entity)예요.

인텐트(Intent)란?

인텐트는 사용자의 말 속에 담긴 의도를 의미해요. 예를 들어 누군가 "안녕하세요"라고 인사한다면, 이건 '인사(greet)'라는 인텐트로 분류할 수 있어요.
다른 예로 "메뉴 좀 보여주세요"는 '메뉴 문의(ask_menu)' 인텐트로 분류할 수 있겠죠. 챗봇은 이 인텐트를 기반으로 대화를 이해하고 반응해요.

엔티티(Entity)란?

엔티티는 문장 속에서 핵심 정보를 추출하는 기능이에요. 예를 들어 "오늘 저녁 7시에 피자 주문할게요"라는 문장에서 '저녁 7시'는 시간 엔티티, '피자'는 메뉴 엔티티로 분리할 수 있어요.
하지만 초보자라면 처음에는 인텐트 훈련에 집중하고, 엔티티는 나중에 배우는 것이 좋습니다.

nlu.yml 파일에서 사용자 문장 예시 추가하기

Rasa는 nlu.yml 파일을 통해 사용자의 말을 학습해요. 이 파일에는 각 인텐트별로 사용자가 실제로 말할 수 있는 표현들(예시문)을 정의합니다. 문장이 많을수록 챗봇의 이해력도 좋아져요.

version : "3.1"
nlu: 
- intent: greet
  examples : |
    - 안녕
    - 안녕하세요
    - 하이
    - 좋은 하루예요
    - 반가워요 

- intent : goodbye
  examples : |
    - 잘가
    - 안녕히 가세요
    - 다음에 봐요
    - 또 봐요
    - 수고하세요 

- intent : ask_menu 
  examples : |
    - 메뉴 알려줘
    - 오늘 뭐 있어요?
    - 추천 메뉴는 뭐예요?
    - 점심 메뉴 좀 보여줘
    - 음식 뭐 파나요? 

- intent : ask_address 
  examples : |
    - 여기 주소가 어떻게 되나요?
    - 위치 좀 알려주세요
    - 어디에 있어요?
    - 매장 위치 알려줘

 

※Tip : 각 인텐트당 최소 5~10개, 이상적으로는 15개 이상의 다양한 문장을 넣는 것이 좋아요. 표현 방식이 다양할수록 챗봇이 더 많은 문장을 이해할 수 있어요.

domain.yml에서 챗봇의 응답 정의하기

이제 챗봇이 사용자 의도를 이해했을 때 어떤 말을 할 것인지를 정의해야 해요. 이 내용은 domain.yml 파일의 responses 섹션에 입력합니다.

intents :
  - greet
  - goodbye
  - ask_menu
  - ask_address
 
responses :
  utter_greet :
    - text : "안녕하세요! 무엇을 도와드릴까요?"
    - text : "반가워요! 궁금한 점 있으시면 말씀해 주세요."
 
  utter_goodbye :
    - text : "좋은 하루 되세요! 다음에 또 만나요."
    - text : "안녕히 가세요!"
 
  utter_ask_menu :
    - text : "저희 메뉴는 커피, 샌드위치, 샐러드 등이 있어요. 어떤 걸 찾으시나요?"
    - text : "추천 메뉴는 오늘의 샌드위치와 아이스 아메리카노입니다!"
 
  utter_ask_address:
    - text : "저희 매장은 서울시 마포구 홍익로 123, 홍대입구역 근처에 있어요."
    - text : "위치는 ABC빌딩 1층이에요. 지하철 2호선 3번 출구에서 5분 거리입니다."

여기서 utter_로 시작하는 항목은 Rasa에서 응답을 출력하는 기본 형식이에요. 각 응답은 여러 개의 텍스트를 가질 수 있고, 챗봇은 이 중 하나를 무작위로 선택해 사용자에게 보여줘요. 덕분에 대화가 더 자연스럽게 느껴집니다.

 

rules.yml과 stories.yml 간단히 이해하기

이 단계에서는 rules.yml과 stories.yml 파일도 함께 설정해주면 좋아요.

• rules.yml은 특정 인텐트에 대해 반드시 특정 반응을 하도록 강제할 때 사용해요. 예: 'greet' → 'utter_greet'
• stories.yml은 대화 흐름 예시를 담는 곳이에요. 사용자 입력과 챗봇 반응이 어떤 순서로 이어져야 하는지를 시나리오 형식으로 설정할 수 있어요.

예시:

stories :  
- story : 인사하고 메뉴 묻기
  steps :  
- intent : greet
- action : utter_greet
- intent : ask_menu
- action : utter_ask_menu

 

훈련 데이터 준비 후 모델 학습하기

데이터 준비가 끝났다면, 이제 챗봇에게 학습시킬 차례예요. 훈련은 명령어 하나로 간단히 할 수 있어요.

1. 명령 프롬프트(또는 터미널)에서 프로젝트 폴더로 이동하세요.

2. 다음 명령어를 입력하면 훈련이 시작돼요:

rasa train

 

훈련 시간은 대개 몇 초에서 몇 분 정도 걸려요. 완료되면 models 폴더 안에 .tar.gz 형식의 챗봇 모델 파일이 생성됩니다. 이 파일이 바로 챗봇의 뇌(머신러닝 모델)인 셈이에요.

※ 추가 꿀팁

• 문장 예시를 짧고 자연스럽게 작성하세요. 너무 길면 의도 분류가 어려워져요.
• 문장 예시에 형식이 다른 표현을 골고루 섞어 주세요. 예: "위치는요?" / "어디 있어요?" / "주소 알려주세요"
• 자주 묻는 질문부터 학습시키고, 점차 인텐트 수를 늘려가는 게 좋아요.
• 각 인텐트는 비슷한 말끼리만 모아야 챗봇이 헷갈리지 않아요.

※ 정리

• 인텐트는 사용자 의도이고, 엔티티는 정보의 조각이에요.
• nlu.yml에 예시 문장을 많이 추가할수록 챗봇은 똑똑해져요.
• domain.yml에서는 챗봇의 반응을 다양하게 정의해 둘 수 있어요.
• 학습이 끝나면 챗봇의 기본 기능은 거의 완성된 셈이에요.

 

3단계: 챗봇 테스트하고 개선하기 

이제 챗봇을 만들고 학습까지 마쳤다면, 다음으로 해야 할 일은 바로 직접 테스트를 해보는 것이에요. 실제 사용자처럼 챗봇에게 질문을 던져보면서, 챗봇이 얼마나 잘 이해하고 올바르게 응답하는지를 확인하는 과정이죠.
이 단계는 단순한 테스트가 아니라, 성능을 계속해서 개선해나가는 핵심 작업이기도 해요. 완성도가 높은 챗봇일수록, 이런 반복적인 테스트와 수정 과정을 거치며 점점 더 사람처럼 자연스러운 대화를 하게 됩니다.

챗봇과 대화해보기 (rasa shell로 실행)

훈련이 완료된 모델이 있다면, 다음 명령어로 챗봇을 실행해 실제 대화를 시도해볼 수 있어요:

rasa shell

이 명령어를 입력하면, 터미널 또는 명령 프롬프트에서 텍스트 기반 인터페이스가 실행돼요. 이제부터는 여러분이 챗봇에게 말을 걸고, 챗봇이 그에 반응하는 모습을 직접 확인할 수 있어요.

 

예시 질문을 입력해보세요:

• "안녕하세요"
• "오늘 메뉴 뭐야?"
• "주소 알려줄래?"
• "다음에 봐"

챗봇이 적절한 답변을 하는지 확인하세요. 만약 의도한 답변이 아니라 엉뚱한 말을 한다면, 학습 데이터에 문제가 있을 가능성이 높아요.

※ Tip: 처음 테스트할 땐 의도별로 2~3개 질문을 넣어보며 응답 일관성을 확인하는 것이 좋습니다.

테스트 결과 분석 – 챗봇의 문제점 찾기

챗봇과 대화를 해보면, 어떤 부분은 잘 작동하고 어떤 부분은 이상하게 응답하는 걸 금방 알 수 있어요. 이때 중요한 건, 단순히 “틀렸다”고 판단하는 게 아니라 왜 그런 결과가 나왔는지를 파악하는 것이에요.

 

자주 발생하는 문제 유형 예시:

문제 유형	원인	해결 방법
챗봇이 의도를 제대로 인식하지 못함	예시 문장이 부족하거나, 비슷한 인텐트끼리 헷갈림	nlu.yml에 다양한 문장을 추가하고, 유사한 인텐트는 병합 또는 명확히 구분
똑같은 질문에 항상 같은 답변만 함	응답이 1개만 설정됨	domain.yml에 다양한 응답을 추가해 무작위 응답 유도
질문을 이해는 했지만 답변이 이상함	응답 텍스트가 어색하거나 맥락에 안 맞음	domain.yml에서 해당 응답 수정 또는 리라이팅
특정 단어에 민감하게 반응하지 않음	단어가 학습 데이터에 포함되어 있지 않음	해당 표현을 포함한 예시 문장을 추가해 학습 강화

 

학습 데이터 보완 및 모델 재훈련

문제점을 확인했다면, 이제는 데이터를 보완하고 모델을 다시 훈련시키는 과정이 필요해요. 이 작업을 반복하면 반복할수록 챗봇의 수준은 점점 높아지게 됩니다.

보완 순서 예시:

1. nlu.yml 파일에서 특정 인텐트에 누락된 표현이나 새로운 질문 유형을 추가해 주세요.
예:

- intent : ask_menu
  examples : |
    - 오늘 뭐 먹을 수 있죠?
    - 추천 음식은?
    - 식사 메뉴 좀 알려줘

2. domain.yml에서 응답이 어색하거나 중복된 경우, 더 자연스럽고 다양한 문장으로 교체하거나 추가해 주세요.

3. 변경 사항을 저장한 후, 터미널에서 다음 명령어로 모델을 다시 학습시킵니다:

rasa train

4. 훈련이 끝나면 다시 rasa shell을 실행해서 테스트 → 수정 → 재훈련의 과정을 반복하세요.

성능 개선을 위한 반복 테스트 전략

챗봇은 한 번 테스트했다고 끝나는 게 아니라, 지속적으로 개선해야 완성도 높은 챗봇이 돼요. 특히 다음과 같은 방식으로 테스트하는 것이 효과적입니다.

• 시나리오별 테스트: ‘인사 → 메뉴 묻기 → 주소 물어보기’처럼 연속된 흐름으로 대화해 보세요.
• 오타 포함 질문 테스트: 사람이 실제로 실수할 수 있는 질문(예: "메뉴좀", "주서 알려줘")도 인식 가능한지 확인해 보세요.
• 비정형 질문 실험: 예상하지 못했던 표현이나 돌려 말하는 문장도 테스트해 보세요.

이런 방식으로 테스트하다 보면 실제 사용자들이 자주 하는 실수나 질문 패턴을 미리 반영할 수 있어, 현장 반응이 훨씬 좋아져요.

※ 꼭 기억하세요: 챗봇 성능 = 데이터 품질 + 테스트 반복

아무리 뛰어난 프레임워크(Rasa)를 사용하더라도, 학습 데이터가 부족하거나 테스트가 부실하면 챗봇의 성능은 낮을 수밖에 없어요. 챗봇은 결국 사람이 만든 데이터를 통해 배우기 때문에, 지속적인 데이터 보완과 테스트는 필수입니다.

※추가 팁: 로그 기록으로 디버깅도 가능해요!

만약 챗봇이 어떤 의도로 인식했는지 궁금하다면 rasa shell --debug 명령어를 사용해보세요. 이 명령을 사용하면 챗봇이 판단한 인텐트, 점수, 그리고 어떤 응답을 선택했는지를 실시간으로 볼 수 있어서, 수정 포인트를 쉽게 찾을 수 있어요.

rasa shell --debug

 

※ 정리

• rasa shell을 통해 실제로 챗봇과 대화하며 정확도를 확인해야 합니다.
• 챗봇이 잘못된 응답을 보인다면, nlu.yml과 domain.yml을 보완하고 재훈련하세요.
• 반복 테스트를 통해 챗봇을 점점 더 똑똑하게 만드는 과정이 가장 중요합니다.
• --debug 모드를 활용하면 챗봇의 내부 판단 과정을 실시간으로 파악할 수 있어 디버깅에 큰 도움이 됩니다.

다음 단계에서는 이 챗봇을 다른 사람들과 공유하거나 웹에 배포하는 방법을 배워볼 거예요. 지금까지 만들어 온 챗봇을 세상 밖으로 내보내는 흥미로운 단계가 기다리고 있으니, 계속해서 함께 가볼게요!

 

4단계: 챗봇 간단히 배포해보기 

여기까지 잘 따라오셨다면, 이제 여러분의 챗봇은 기본적인 대화 기능을 갖춘 상태예요. 훈련도 마쳤고, 테스트도 완료했죠? 그렇다면 이제 이 멋진 챗봇을 다른 사람들과 공유하거나 실제 환경에서 사용할 수 있도록 배포해 볼 차례예요.

챗봇을 배포한다는 건, 여러분의 컴퓨터 속에서만 작동하던 챗봇을 외부 사용자도 접근할 수 있게 만드는 작업이에요.
꼭 어렵거나 복잡한 서버 지식이 필요한 건 아니에요. 로컬 환경에서 실행해보는 방법부터, 웹사이트에 간단히 연동하는 방식까지 단계별로 차근차근 접근하면 누구나 도전할 수 있어요.

로컬 환경에서 챗봇 실행하기 (내 컴퓨터에서 먼저 사용해보기)

가장 간단한 배포 방법은, 여러분의 PC에서 챗봇을 실행하고 직접 사용하는 거예요.
아래 명령어를 입력하면 챗봇이 활성화되고, 명령창에서 사용자와 대화할 수 있는 상태가 됩니다.

rasa shell

만약 웹 브라우저에서 챗봇과 대화해보고 싶다면, 다음과 같이 HTTP 서버를 실행하는 방식도 있어요.

rasa run

위 명령어를 입력하면 기본적으로 http://localhost:5005 주소에서 챗봇 API 서버가 작동합니다. 이 주소는 나중에 웹사이트, 앱 등 다양한 채널과 연동할 때 사용돼요.

그리고 동시에 실행하면 좋은 명령어가 있어요:

rasa run actions

이 명령어는 actions.py에 정의된 사용자 정의 액션(Custom Action)을 실행해주는 서버예요. 나중에 챗봇이 계산하거나 외부 API를 호출하는 기능을 사용할 때 필요하니 함께 알아두면 좋아요.

웹사이트에 챗봇 연결하기

Rasa 챗봇은 웹사이트, 모바일 앱, 슬랙(Slack), 페이스북 메신저 등 다양한 채널에 연결할 수 있어요. 하지만 이번에는 웹사이트에 연결하는 기본 개념만 소개할게요.

웹사이트에 챗봇을 붙이는 흐름은 이렇게 진행됩니다:

1. 웹페이지에 챗 UI(채팅창) 삽입
   → 예: JavaScript 기반 오픈소스 라이브러리 Botfront Webchat사용
2. 사용자가 입력한 메시지를 Rasa 서버로 전송
   → 앞서 실행한 http://localhost:5005/webhooks/rest/webhook 주소로 POST 요청 전송
3. Rasa가 응답을 생성해 웹사이트로 전달
   → 브라우저 화면에 응답 표시

이런 흐름을 통해 사용자와 챗봇의 실시간 대화가 이루어지는 거예요.

※ Tip: HTML + JavaScript만 조금 알아도 간단한 웹챗 창을 붙일 수 있어요. 검색 키워드 : rasa webchat integration

추가로 도전해볼 수 있는 배포 방법들

• Ngrok 이용해 외부 공개하기
  → ngrok http 5005 명령어로 로컬 서버를 외부에서 접근 가능하게 만들 수 있어요.
• Python Flask + Rasa 연동
  → 간단한 웹 서버를 만들어 챗봇과 연동할 수 있어요.
• Docker를 이용한 배포
  → 복잡하지만 확장성 있는 배포 방식이에요. 서버 호스팅 시 유용해요.
• 클라우드 플랫폼 배포 (선택 사항)
  → AWS, GCP, Render, Railway 등에서 챗봇을 정식 서비스 형태로 올릴 수 있어요.

※ 정리

• 로컬 실행(rasa shell / rasa run)만으로도 테스트 및 개인용 사용은 충분합니다.
• 웹 연동은 처음엔 어렵게 느껴질 수 있지만, 기본 개념만 잘 익히면 점점 쉬워져요.
• 배포 방식은 단순한 개인 테스트 → 웹사이트 연결 → 클라우드 서비스 배포 순서로 천천히 확장하는 걸 추천드려요.

 

실전 챗봇 개발 꿀팁 & 주의사항

• 처음엔 작게 시작하기: 인사 + 메뉴 안내 정도부터!
• 에러 메시지를 무서워하지 않기: 대부분 해결 방법이 검색으로 나와요.
• 학습 데이터는 많을수록 좋다: 다양한 문장을 꾸준히 추가해 주세요.
• 커뮤니티 적극 활용하기: Rasa 공식 포럼, 깃허브, 스택오버플로우 등 도움 받을 곳은 많아요!

챗봇 누구나 만들 수 있어요!

지금까지 누구나 따라 할 수 있는 무료 오픈소스 기반 챗봇 만들기 과정을 하나하나 알아봤습니다. 파이썬 설치부터 챗봇 데이터 구성, 학습, 테스트, 배포까지 모든 내용을 담았기 때문에 이 글 하나만으로도 충분히 챗봇 제작이 가능합니다. 조금 어렵다고 느낄 수도 있지만, 일단 한 번만 직접 해보면 그리 어렵지 않다는 걸 알게 되실 거예요. 여러분의 아이디어가 담긴 챗봇을 직접 만들어 보는 건 정말 멋진 경험이 될거에요.