你好像做了家庭作业。就像你说的，跟着事情走会对你有帮助，

• 用于识别意图的任何分类算法，例如sklearn的LinearSVC或LogisticRegression Classifier
• 任何好的NER工具，如StanfordNER或CRFsuite。CRFsuite具有易于使用的pthon Package ，称为pycrfsuite。
• 一个情感分析工具，用于更人性化的对话。如果你使用Python会更好，因为Python有很多免费的库。

像www.example.com或www.example.com这样的服务的唯一好处wit.aiapi.ai是他们经过严格训练的准备使用意图和模型。如果你能够为你的机器人提供大量的训练，你也将能够实现类似的准确性。
最好是在一些现有的开源库上进行构建，而不是从头开始构建所有内容。请在github上check my opensource project为wit.ai/api.ai提供类似的界面。编码快乐！

看看Luis.ai（来自Microsoft）。它将帮助您构建一个识别意图的自然语言模型。您可以将意图Map到操作。它允许您包含预配置的NLP模型，以便您的机器人可以破译文本并返回实体（名称，时间，地理等），Luis支持多种语言。当然，您可以添加自己的实体。
然后你用话语训练它。当用户与你的机器人交谈时，这些话语会存储在网上和Luis.ai上，它会建议你添加一些内容，通过它的建议功能进一步完善你的模型（这允许在不编码的情况下进行增量改进）。现在是编码的时候了……
访问Luis.ai，当你构建你的模型（免费）时，你可以通过测试控制台测试它：https://dev.projectoxford.ai/docs/services然后你可以使用他们的机器人框架;然而，我在jQuery/Bootstrap中构建了自己的json（看看这个，看看我在这里构建了什么http://onlinebotbuilder.com），并通过发布到认知服务API（你会在Python中这样做）来处理来自服务器的json。目前，他们允许每月10 k的话语;这对于测试来说已经足够了。提示：创建模型时，从2个意图开始，并训练模型识别这些意图。保持简单，然后扩展范围。希望这能帮上忙。

需要考虑的两件事是：你打算如何处理世代的问题？实体提取和分类对于自然语言理解（NLU）方面非常有用，但生成本身可能很棘手。
另一件需要考虑的事情是，这些模型的管道的训练和开发通常是与部署分开的问题。我认为，您希望使用node这一事实表明您已经了解了部署软件。但是请记住，在管道中部署大型机器学习模型可能会很复杂，我怀疑这些API可能会为您提供整洁的打包管道。

在这里，我做的python项目Advanced chatbot using nlpEntity提取和意图识别并不是聊天机器人唯一需要的东西。根据聊天机器人的复杂性，您可能还需要实现自然语言生成（NLG）和对话管理。StanfordNER和NodeNatural都是实体提取和意图识别的好工具，但它们可能不如NLP即服务解决方案准确，特别是对于复杂或模糊的文本。但是，它们仍然可以很好地用于许多用例。训练实体提取器和意图分类器可能需要大量的标记数据。您需要找到一种方法来收集或生成这些数据，这可能很耗时。如果您不熟悉Web开发，那么设计一个带有文本和验证/无效按钮的培训UI也可能是一个挑战。有一些预建的工具，如Prodigy和Chatito，可以帮助这一点，但他们也可能需要一些学习。