任务型对话系统被广泛应用在各个领域和产品中,在帮助企业提高服务质量、提升用户体验的同时又能有效降低人力成本。传统搭建任务型对话系统主要存在以下三个问题:1)高度依赖自然语言处理（Natural Language Processing,NLP）专家,且各个环节分散进行,没有形成工程化流程。2)对话管理语料是基于用户输入的原始语句标注的包含意图词槽以及历史对话状态信息的严格结构化的对话故事流,人工标注困难且难以保证标注质量。3)传统任务型对话系统难以在基于任务的多轮对话过程中灵活处理基于知识库检索的问答。针对以上问题和挑战,本文对传统搭建任务型对话系统的流程进行工程化封装,主要研究内容如下:1)设计并实现一个任务型对话系统开发平台。解耦业务和技术,内置AI能力解除AI专家依赖,提供一套清晰规范的工程化搭建流程。开发者只需要配置意图词槽、标注语料,即可一键训练一个支持多媒体响应、融合QA（Question-Answering）知识库问答的任务型对话系统。2)提出并实现一种对话管理方案和对话管理语料的构建方法和工具。设计一种树形对话流结构,实现一个对话故事拖拽编辑器,通过编排对话节点构建可执行对话故事流,快速高效构建对话规则并且能够转化为对话管理语料。此外,设计一种联合规则和深度学习模型的对话管理方案,使得对话系统的对话管理部分既能拥有规则带来的准确性,又能拥有深度学习模型的学习能力。3)设计一种在多轮对话pipeline结构中有效融入QA知识库问答的任务型对话系统方案,使得对话系统能够高效协同处理基于任务的多轮对话和基于知识库的检索问答。此外,设计一个QA问答模块,将其划分为基于BM25（Okapi Best Matching 25）算法的初排子模块和基于 BERT 模型（Bidirectional Encoder Representations from Transformers）的精排子模块,在保证系统准确率的同时有效降低响应时延。最后,以该平台为工具构建了疫苗预约场景下的智能客服,验证了本文平台及方案的完整性、有效性及实用性。