Update app.py

app.py

@@ -1,57 +1,92 @@
 import openai
 import gradio as gr
+import numpy as np
 
-# ====== 1. 設定 OpenAI API Key ======
-openai.api_key = "OpenAIAPIKEY"
+openai.api_key = "你的OPENAI_API_KEY"
 
-# ====== 2. 定義專業職業提示字典 ======
-PROFESSIONS_PROMPT = {
-    "程式設計師": "你是一位資深程式設計師，回答必須專業、詳細、附上程式範例與步驟。",
-    "行銷專家": "你是一位行銷專家，回答必須專業、詳細、提供可執行行銷策略與步驟。",
-    "律師": "你是一位律師，回答問題必須專業、法律依據明確、可操作建議清楚。",
-    "醫師": "你是一位醫師，回答問題必須專業、以健康與安全為前提、提供可操作建議。",
-    "設計師": "你是一位設計師，回答必須專業、詳細、提供設計步驟與案例。"
+# ============ 1. 定義主要專業領域 ============ #
+PROFESSIONS = {
+    "程式設計": "你是一位資深程式設計師，回答必須專業、詳細，附上程式範例與步驟。",
+    "行銷": "你是一位行銷專家，回答必須專業、詳細，提供可執行行銷策略與步驟。",
+    "法律": "你是一位律師，回答必須專業、法律依據明確、可操作建議清楚。",
+    "醫療": "你是一位醫師，回答必須專業、以健康與安全為前提，提供可操作建議。",
+    "財務": "你是一位財務顧問，回答必須專業、符合台灣會計與稅務法規，提供可執行建議。",
+    "設計": "你是一位設計師，回答必須專業、詳細，提供設計步驟與案例。"
 }
 
-# ====== 3. AI Agent 核心函數 ======
-def professional_agent(user_input, profession, chat_history=[]):
-    """
-    user_input: 使用者輸入文字
-    profession: 選擇的職業
-    chat_history: 多輪對話歷史
-    """
-    # 系統提示
-    system_prompt = PROFESSION_PROMPT.get(profession, "你是一個高度專業的 AI 顧問，回答必須專業、詳細、可操作。")
-
-    # 构造對話訊息
+# ============ 2. 預先建立職業向量庫 ============ #
+def get_embedding(text, model="text-embedding-3-small"):
+    result = openai.Embedding.create(
+        input=text,
+        model=model
+    )
+    return np.array(result["data"][0]["embedding"])
+
+profession_embeddings = {field: get_embedding(field) for field in PROFESSIONS.keys()}
+
+# ============ 3. NLP 判斷最接近職業 ============ #
+def detect_profession(detail: str) -> str:
+    if not detail.strip():
+        return "你是一個專業顧問，回答必須專業、詳細、可操作。"
+    
+    detail_emb = get_embedding(detail)
+    
+    # 計算 cosine similarity
+    scores = {}
+    for field, emb in profession_embeddings.items():
+        scores[field] = np.dot(detail_emb, emb) / (np.linalg.norm(detail_emb) * np.linalg.norm(emb))
+    
+    best_field = max(scores, key=scores.get)
+    return PROFESSIONS[best_field]
+
+# ============ 4. AI Agent 回答 ============ #
+def professional_agent(user_input, main_field, detail, chat_history=[]):
+    # 如果使用者選了主領域，優先用主領域
+    if main_field:
+        system_prompt = PROFESSIONS.get(main_field, "你是一個專業顧問，回答必須專業、詳細、可操作。")
+    else:
+        # 否則 NLP 自動判斷
+        system_prompt = detect_profession(detail)
+    
     messages = [{"role": "system", "content": system_prompt}]
+    
     for h in chat_history:
         messages.append({"role": "user", "content": h[0]})
         messages.append({"role": "assistant", "content": h[1]})
+    
     messages.append({"role": "user", "content": user_input})
-
-    # 呼叫 OpenAI GPT API
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
-        messages=messages,
-        temperature=0.2  # 低溫更專業保守
-    )
-
-    answer = response.choices[0].message['content']
+    
+    try:
+        response = openai.ChatCompletion.create(
+            model="gpt-4",
+            messages=messages,
+            temperature=0.2
+        )
+        answer = response.choices[0].message["content"]
+    except Exception as e:
+        answer = f"發生錯誤: {str(e)}"
+    
     chat_history.append((user_input, answer))
+    if len(chat_history) > 10:
+        chat_history = chat_history[-10:]
+    
     return answer, chat_history
 
-# ====== 4. Gradio 介面 ======
-def chat_interface(user_input, profession, chat_history):
-    answer, chat_history = professional_agent(user_input, profession, chat_history)
-    return answer, chat_history
-
-iface = gr.ChatInterface(
-    fn=chat_interface,
-    title="全職業專業 AI 顧問",
-    description="選擇職業領域後，請問任何問題，AI 會給你詳細、專業、可操作的回答。",
-    theme="default"
-)
+# ============ 5. Gradio 介面 ============ #
+with gr.Blocks() as demo:
+    gr.Markdown("## 🧑‍💼 全職業專業 AI 顧問 (NLP 智能判斷)")
+    
+    with gr.Row():
+        main_field = gr.Dropdown(["", *list(PROFESSIONS.keys())], label="主要領域 (可選)", value="")
+        detail = gr.Textbox(label="細部說明 (例如: 會計師、骨科醫師、前端工程師)")
+    
+    chatbot = gr.Chatbot()
+    msg = gr.Textbox(label="輸入你的問題")
+    state = gr.State([])
+    
+    def chat(user_input, main_field, detail, chat_history):
+        return professional_agent(user_input, main_field, detail, chat_history)
+    
+    msg.submit(chat, [msg, main_field, detail, state], [chatbot, state])
 
-# ====== 5. 啟動網頁 ======
-iface.launch()
+demo.launch(server_name="0.0.0.0", server_port=7860)