最近抽点时间将ParlAI代码进行重构和调试之后，发现其代码设计风格类似于工厂模式，非常便于插入式开发，算是接触过的python代码框架中比较棒的一个。
1、框架基本介绍
在facebook的github官网（https://github.com/facebookresearch/ParlAI）上对其介绍为对话系统框架。即：ParlAI (pronounced “par-lay”) is a framework for dialog AI research, implemented in Python.
Its goal is to provide researchers: （1） a unified framework for sharing, training and testing dialog models。（分享、训练和测试对话模型的统一框架） （2） many popular datasets available all in one place, with the ability to multi-task over them。支持多种数据集。官网上介绍包括SQuAD, bAbI tasks, MS MARCO, MCTest, WikiQA, WebQuestions, SimpleQuestions, WikiMovies, QACNN & QADailyMail, CBT, BookTest, bAbI Dialog tasks, Ubuntu Dialog, OpenSubtitles, Cornell Movie, VQA-COCO2014, VisDial and CLEVR.等20多种数据集
（3） seamless integration of Amazon Mechanical Turk for data collection and human evaluation 可以和亚马逊的数据收集进行无疑集成。
2、框架的基本架构
框架的入口都必须明确要执行何种任务，这个任务有一定的范围，在master/parlai/tasks/task_list.py这个文件中以JSON的格式进行了列举。因此其输入的任务必须在task_list中指定才可以。
代码语言：javascript复制{
"id": "MovieDD-QA",
"display_name": "Movie Dialog QA",
"task": "moviedialog:Task:1",
"tags": [ "All", "QA", "MovieDD" ],
"description": "Closed-domain QA dataset asking templated questions about movies, answerable from Wikipedia, similar to WikiMovies. From Dodge et al. '15. Link: https://arxiv.org/abs/1511.06931"
},代码的架构主要分为三个主要概念来展开：
（1）world - defines the environment (can be very simple, just two agents talking to each other). 即任务执行的环境，给的示例中均需要首先通过创建任务来构建这样的环境，如其中的示例代码：
代码语言：javascript复制# create repeat label agent and assign it to the specified task
agent = RepeatLabelAgent(opt)
world = create_task(opt, agent)（2）agent – an agent in the world, e.g. the learner. (There can be multiple learners.)：主要用来定义如何进行学习，tasks下每个数据集中都有对应的agents包，这个包可以根据任务名称而自动import，从而实现加载。在agents中定义了很多的teacher，可以支撑多样化的训练。
（3）teacher – a type of agent that talks to the learner, implements one of the listed before. 具体的任务执行学习。即教会机器先把何种方式来进行训练或者测试。
2、系统重构与实践
（1）display data的测试
（2）eval_model.py：使用命名后的 agent 来计算一个命令行给出的特定任务的评价量度（evaluation metric）数据。如图为对话系统的评测
