import openai
import json

# 假设你已经设置了API Key
openai.api_key = "YOUR_API_KEY"

def analyze_comments(comments_text):
    prompt = f"""
    你是一位资深的数据分析师。
    任务：分析以下用户评论。
    规则：
    1. 判断每条评论的情感倾向（正面/负面/中性）。
    2. 如果是负面评论，提取其核心问题关键词（最多一个）。
    3. 统计正面、负面、中性评论的数量。
    4. 统计负面评论中，出现次数最多的前3个问题关键词。

    输出格式：请严格使用JSON格式返回，不要包含其他文字。
    sentiment_count,
        "top_issues": [
            issue,
            issue
        ]
    }}

    评论内容：
    {comments_text}
    """

    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.0  # 设置为0以获得更确定性的输出
    )

    # 解析JSON响应
    result = json.loads(response.choices[0].message.content)
    return result

# 模拟评论数据
sample_comments = """
App加载太慢了，体验很差。
客服态度很好，解决了我的问题。
东西不错，价格也合适。
加载慢，经常闪退。
客服完全不理人，差评！
功能很强大，推荐。
"""

analysis_result = analyze_comments(sample_comments)
print(analysis_result)

# 伪代码示例：LangChain RAG概念
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS
from langchain.llms import OpenAI
from langchain.chains import RetrievalQA

# 1. 加载你的文档（例如：公司内部研究报告）
# loader = ...
# documents = loader.load()

# 2. 创建向量数据库
# embeddings = OpenAIEmbeddings()
# vectorstore = FAISS.from_documents(documents, embeddings)

# 3. 创建检索链
# qa_chain = RetrievalQA.from_chain_type(
#     llm=OpenAI(),
#     retriever=vectorstore.as_retriever()
# )

# 4. 提问，AI会基于你的文档回答，而非凭空捏造
# question = "根据我们2023年的内部报告，量子计算市场规模是多少？"
# result = qa_chain.run(question)

from abc import ABC, abstractmethod

class AIAgent(ABC):
    """AI Agent的抽象基类，定义了所有Agent必须遵循的接口"""
    
    def __init__(self, name: str):
        self.name = name
        self.confidence_threshold = 0.7  # 默认置信度阈值

    @abstractmethod
    def process_input(self, user_input: str) -> dict:
        """处理用户输入，返回包含响应和置信度的字典"""
        pass

    def decide_action(self, user_input: str) -> str:
        """根据处理结果决定下一步行动"""
        result = self.process_input(user_input)
        if result.get("confidence", 0) >= self.confidence_threshold:
            # 执行自动化操作
            return self.execute_auto_action(result["response"])
        else:
            # 转接人工
            return self.escalate_to_human(result)

    @abstractmethod
    def execute_auto_action(self, response: str) -> str:
        """执行自动化响应"""
        pass

    def escalate_to_human(self, result: dict) -> str:
        """转接人工的通用逻辑"""
        print(f"Agent {self.name}: 置信度不足，转接人工。原始结果：{result}")
        return "正在为您转接人工客服..."

# 具体实现：退货咨询Agent
class RefundAgent(AIAgent):
    def process_input(self, user_input: str) -> dict:
        # 调用AI API分析退货意图和规则
        # ...
        return {"response": "您的退货申请已受理。", "confidence": 0.95}

    def execute_auto_action(self, response: str) -> str:
        # 调用后台系统，自动创建退货工单
        print("正在创建退货工单...")
        return response

# 使用AI生成一个关于“数据隐私”的类比故事框架
prompt = """
请帮我生成一个关于“数据隐私”的类比故事框架，要求：
1. 目标听众：普通用户（非技术人员）。
2. 核心观点：数据就像你的个人日记本，不应被随意窥探和利用。
3. 故事结构：包含一个引人入胜的开头，一个冲突，一个解决方案。
4. 输出格式：三个要点即可。
"""

# 调用API（略）
# 输出可能是：
# 开头：你有一个带锁的日记本，只有你自己能看。
# 冲突：有一天，一个陌生人复制了你的钥匙，开始阅读你的日记，并利用上面的信息向你推销产品。
# 解决方案：你换了一把更安全的锁，并制定规则：谁想读你的日记，必须先征得你的同意，并告诉你他们要用它来做什么。