通過加載配置文件進行啓動，進入整個項目的根文件，pydial.py文件，加載的是這個文件中的chat_command的根文件，其中調用了整個項目的
initialise(configId, configfile, seed, "chat", trainerrorrate=trainerrorrate）
來進行預加載的初始化，在初始化的函數中，從整個配置文件中讀取出，當前是否是單個領域，領域是什麼.最多限制的會話代理個數是多少。 如下便是從general模塊中讀取出來的一些參數。
isSingleDomain = getOptionalConfigBool("singledomain", isSingleDomain, "GENERAL")
isSingleModel = getOptionalConfigBool("singlemodel", False, "policycommittee")
traceDialog = getOptionalConfigInt("tracedialog", tracedialog, "GENERAL")
domain = getOptionalConfigVar("domains", '', "GENERAL")
可看出讀取的是
[GENERAL]
domains = CamRestaurants,CamHotels
isSingleDomain=False
tracedialog = 1
隨後通過section的匹配，例如policy_CamRestaurants來加載對應領域的訓練政策，開始對話是否用hello等。
[policy_CamRestaurants]
belieftype = focus
useconfreq = False
learning = False
policytype = hdc
startwithhello = False
加載配置完成以後，開始調用TextHub模塊中的consoleHub函數。
在consoleHub中開啓代理用戶會話。即其中的
sys_act = self.agent.start_call(session_id='texthub_dialog').模塊。
start_call表示開始的是第一次會話，因此沒有用戶的輸入，在call函數中，進行當前領域的加載，置信度狀態的分析和最終用戶動作的返回。
隨後的持續會話一直調用的是continue_call函數，
整個函數的調用使用瞭如下的流程。
Works through topictracking > semi belief > policy > semo > evaluation -- for turns > 0
在該函數中，便有用戶對話的輸入，和start_call函數相同，第一步首先進行驗證，隨後判斷若是達到了最大用戶代理數，則返回bye. 隨後進行用戶輸入話語置信的分析：
state = self.semi_belief_manager.update_belief_state(ASR_obs=asr_info, sys_act=prev_sys_act,
dstring=currentDomain, turn=self.currentTurn,hub_id = self.hub_id, sim_lvl=self.sim_level)
根據對話決策，將當前分析的置信度輸入，輸出用戶的動作。
sys_act = self.policy_manager.act_on(dstring=currentDomain,
state=state)
進行驗證
# Check ending the call:
sys_act = self._check_ENDING_CALL(state, sys_act) # NB: this may change the self.prompt_str
系統產生的話語值也是一個槽值對，
根據決策後的用戶動作，從semo中輸出對應話語。
# SEMO:
self.prompt_str = self._agents_semo(sys_act)
sys_act.prompt = self.prompt_str
semo根據系統產生的槽值對，填充話語，產生相應的輸出。下一句用戶的輸入也是根據如上的情況。接下來的重點便是分析系統輸入時，是如何產生用戶的動作的，隨後根據用戶的動作和系統的決策函數，來產生相應的系統動作，根據系統的動作，組織成相應的話語進行輸出。