實作 Quick Replies 生成函式：完整指南

By徐培鈞
LinkedIn

更新日期： 2025 年 2 月 12 日

本文為 聊天機器人-建議回復 系列文，第 7 篇：

  1. 如何用「建議回覆」提升 AI 客服體驗？讓對話更快更準確！
  2. 如何設計高效的快速回復 (Quick Replies) 功能？—— 完整指南
  3. 如何取得 OpenAI 的 API 金鑰：詳細步驟與完整指南
  4. 使用 Python-dotenv 管理環境變數：完整指南
  5. OpenAI 套件介紹（Python）—— 從安裝到實戰應用
  6. 設計高效 Prompt 工程：提升 AI 生成 Quick Replies 的準確性
  7. 實作 Quick Replies 生成函式：完整指南　👈進度
  8. 結構化數據整合與上下文處理：提升 AI 生成 Quick Replies 的準確性
  9. 生成回覆與異常處理：確保 AI 提供高效、可靠的建議回覆
  10. 自動化測試與效能監控：確保 Quick Replies 生成穩定可靠
  11. 優化策略與擴展應用：提升 AI 建議回覆（Quick Replies）的效能與適應性

在 AI 驅動的聊天機器人中，「建議回覆（Quick Replies）」能夠幫助使用者快速選擇合適的回應，提升對話效率與體驗。

本篇文章將帶你深入探討如何 透過 OpenAI API 生成 Quick Replies，並提供 完整 Python 程式碼，讓你能夠快速上手。

我們將一步步拆解 generate_quick_replies.py 的核心邏輯，涵蓋：

  1. 如何載入 Prompt（提示詞）
  2. 如何整合對話歷史、FAQ 清單、產品清單
  3. 如何向 OpenAI API 發送請求並解析回應
  4. 如何處理 JSON 解析錯誤
  5. 測試範例與執行結果

如果你希望在自己的專案中實現 Quick Replies 功能，這篇文章將是你的最佳參考指南！

主要概念與架構

Quick Replies 是什麼？

Quick Replies 是一種 預設建議回覆，用於幫助使用者在聊天機器人對話中快速選擇適當的回應。

例如，在電商客服對話中，AI 可能提供以下建議：

  • 「有哪些熱門商品？」
  • 「我要查詢訂單狀態」
  • 「如何聯絡客服？」

這些回覆可以 根據對話歷史、常見問題（FAQ）、產品清單等資料動態生成，提升互動體驗。

generate_quick_replies.py 的功能

import openai
import json
import os
from dotenv import load_dotenv

load_dotenv()
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

def load_prompt():
    with open("quick_replies_prompt.txt", "r", encoding="utf-8") as f:
        return f.read()

# 生成 Quick Replies 的函式
def generate_quick_replies(chat_history, faq_list, product_list):
    prompt = load_prompt()

    try:
        client = openai.OpenAI(api_key=OPENAI_API_KEY)

        response = client.chat.completions.create(
            model="gpt-4o",
            response_format={"type": "json_object"},
            messages=[
                {"role": "system", "content": prompt},
                {"role": "user", "content": f"這是過去的對話歷史: {json.dumps(chat_history, ensure_ascii=False)}"},
                {"role": "user", "content": f"FAQ 清單: {json.dumps(faq_list, ensure_ascii=False)}"},
                {"role": "user", "content": f"產品清單: {json.dumps(product_list, ensure_ascii=False)}"},
            ],
            max_tokens=100
        )

        result = response.choices[0].message.content
        try:
            parsed_result = json.loads(result)
            if isinstance(parsed_result, dict) and "quick_replies" in parsed_result:
                return parsed_result["quick_replies"]  # ✅ 取出陣列，確保回傳 list
        except json.JSONDecodeError as e:
            print(f"❌ JSON 解析錯誤: {e}")
            print(f"❌ OpenAI API 回應: {result}")

        return None  # 解析失敗時回傳 None

    except Exception as e:
        print(f"發生錯誤: {e}")
        return None

# 測試函式
if __name__ == "__main__":
    test_data = {
        "chat_history": [
            {"role": "user", "content": "我要買送給愛好 3C 產品的朋友的禮物，該選哪個好？"},
            {"role": "assistant", "content": "推薦這幾款熱門 3C 產品：1. MacBook Pro 💻 2. iPad 0 元 📱"}
        ],
        "faq_list": ["如何成為會員", "如何取得優惠券", "退貨政策是什麼"],
        "product_list": ["MacBook Pro", "iPad 0 元", "高效保濕面膜", "無痕內衣"]
    }

    replies = generate_quick_replies(
        test_data["chat_history"], test_data["faq_list"], test_data["product_list"]
    )

    print("產生的 Quick Replies:")
    print(replies)

這支程式的主要任務是：

  1. 載入 Prompt，確保 AI 依照預設格式生成回應。
  2. 接收輸入數據（對話歷史、FAQ、產品清單）。
  3. 向 OpenAI API 發送請求，並取得 AI 產生的 Quick Replies。
  4. 解析 API 回應的 JSON 結果，並回傳建議回覆陣列。
  5. 處理 API 例外錯誤，確保程式穩定運行。

載入 OpenAI API Key

程式使用 .env 檔案來管理 API 金鑰，確保安全性：

import openai
import json
import os
from dotenv import load_dotenv

load_dotenv()
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

這樣做的好處是：

✅ 避免 API Key 硬編碼
✅ 可透過環境變數安全存取
✅ 方便不同環境（開發、正式）切換 API Key

載入 Prompt

AI 需要一個 清楚的 Prompt 來生成正確的 Quick Replies。我們從 quick_replies_prompt.txt 載入這個提示詞：

def load_prompt():
    with open("quick_replies_prompt.txt", "r", encoding="utf-8") as f:
        return f.read()

這段 Prompt 會告訴 AI：

  • 它的角色與目標
  • 回應格式（JSON 格式）
  • 需要考慮的資料來源（對話歷史、FAQ、產品清單）

延伸閱讀：Python open() 函數完整指南

核心函式：generate_quick_replies

這是整個程式的核心，負責產生 Quick Replies。

def generate_quick_replies(chat_history, faq_list, product_list):
    prompt = load_prompt()

    try:
        client = openai.OpenAI(api_key=OPENAI_API_KEY)

        response = client.chat.completions.create(
            model="gpt-4o",
            response_format={"type": "json_object"},
            messages=[
                {"role": "system", "content": prompt},
                {"role": "user", "content": f"這是過去的對話歷史: {json.dumps(chat_history, ensure_ascii=False)}"},
                {"role": "user", "content": f"FAQ 清單: {json.dumps(faq_list, ensure_ascii=False)}"},
                {"role": "user", "content": f"產品清單: {json.dumps(product_list, ensure_ascii=False)}"},
            ],
            max_tokens=100
        )

定義函式

def generate_quick_replies(chat_history, faq_list, product_list):

這是一個 Python 函式，它接收 三個輸入參數：

  • chat_history：過去的對話歷史（通常是一個 list）。
  • faq_list：常見問題清單（list）。
  • product_list：產品資訊（list）。

這些資訊將幫助 AI 產生更相關的 Quick Replies。

載入 Prompt

    prompt = load_prompt()

這行程式碼呼叫 load_prompt() 函式，從 quick_replies_prompt.txt 讀取預先定義的 Prompt（提示詞）。

✅ 為什麼要這樣做？

  • 確保 AI 使用固定的格式與指令，讓輸出更穩定。
  • 方便修改 Prompt，而不需要動到 Python 程式碼。

設置 OpenAI API 客戶端

    try:
        client = openai.OpenAI(api_key=OPENAI_API_KEY)

這裡建立一個 OpenAI API 客戶端，並使用 .env 檔案中的 OPENAI_API_KEY 作為 API 金鑰。

✅ 為什麼用 try？

  • 避免 API 連線錯誤 讓程式崩潰。
  • 如果 API Key 無效或網路異常，可以在 except 區塊處理錯誤。

發送 API 請求

        response = client.chat.completions.create(
            model="gpt-4o",
            response_format={"type": "json_object"},

這行程式碼向 OpenAI 的 GPT-4o 模型發送請求，並指定：

  • model="gpt-4o"：使用 GPT-4o 模型。
  • response_format={"type": "json_object"}：要求 API 回應格式為 JSON，確保輸出可以被程式解析。

✅ 為什麼要 JSON 格式？

  • AI 產生的 Quick Replies 需要結構化數據，方便 Python 處理。
  • 避免 AI 回傳雜亂的文字格式，確保 API 回應可被程式碼解析。

準備 messages 參數

            messages=[
                {"role": "system", "content": prompt},
                {"role": "user", "content": f"這是過去的對話歷史: {json.dumps(chat_history, ensure_ascii=False)}"},
                {"role": "user", "content": f"FAQ 清單: {json.dumps(faq_list, ensure_ascii=False)}"},
                {"role": "user", "content": f"產品清單: {json.dumps(product_list, ensure_ascii=False)}"},
            ],

這部分定義了 messages，它是一個 列表（list），由多個訊息（字典 dict）組成。

🔹 第一則訊息 (role: system)：

{"role": "system", "content": prompt}
  • 這是 系統訊息，用來設定 AI 的行為。
  • 它的 content 是從 quick_replies_prompt.txt 讀取的 Prompt，確保 AI 產生的 Quick Replies 符合我們的需求。

🔹 後續訊息 (role: user)：

這三個 user 訊息提供 對話背景資料，讓 AI 生成更準確的回覆：

{"role": "user", "content": f"這是過去的對話歷史: {json.dumps(chat_history, ensure_ascii=False)}"}
{"role": "user", "content": f"FAQ 清單: {json.dumps(faq_list, ensure_ascii=False)}"}
{"role": "user", "content": f"產品清單: {json.dumps(product_list, ensure_ascii=False)}"}
  • json.dumps() 確保 chat_history、faq_list、product_list 轉換為 JSON 格式，這樣 AI 能正確解析這些資料，而不會誤判為普通文字。
  • ensure_ascii=False 確保中文不會變成 Unicode（如 \u53ef\u4ee5），保持可讀性。

✅ 為什麼要提供這些資訊？

  • chat_history：讓 AI 知道使用者的歷史對話，避免重複建議。
  • faq_list：幫助 AI 確保建議回覆與常見問題相關。
  • product_list：讓 AI 可根據產品資訊提供建議回覆（例如推薦商品）。

設定 max_tokens

max_tokens=100
  • max_tokens=100 限制回應的最大字數，防止 AI 生成過長的 Quick Replies。

✅ 為什麼限制 Token 數？

  • 控制 API 成本（token 越多，費用越高）。
  • 避免 回應太長，影響用戶體驗（Quick Replies 應該短小精悍）。

解析 OpenAI API 回應

        result = response.choices[0].message.content
        try:
            parsed_result = json.loads(result)
            if isinstance(parsed_result, dict) and "quick_replies" in parsed_result:
                return parsed_result["quick_replies"]  # ✅ 確保回傳 list
        except json.JSONDecodeError as e:
            print(f"❌ JSON 解析錯誤: {e}")
            print(f"❌ OpenAI API 回應: {result}")

        return None  # 解析失敗時回傳 None

這段程式碼的主要功能是 解析 OpenAI API 回應的 JSON 資料，並 確保正確取得 quick_replies 陣列。如果解析失敗，則回傳 None，避免程式崩潰。

接下來我們 逐行解析這段程式碼的細節，讓你完全理解它的運作方式。

取得 OpenAI API 回應

result = response.choices[0].message.content

✅ response 是 OpenAI API 回傳的結果，通常是個字典（dict）。
✅ choices[0] 代表 OpenAI 產生的第一個回應（通常 OpenAI API 會回傳多個選擇，但這裡只取第一個）。
✅ .message.content 取得 AI 產生的回應內容，它應該是一個 JSON 格式的字串。

嘗試解析 JSON

try:
    parsed_result = json.loads(result)

這裡使用 json.loads(result)，將 AI 回應的 JSON 字串轉換為 Python 物件。

💡 json.loads() 作用：

  • 如果 result 是：
{
    "quick_replies": ["查詢訂單", "聯絡客服", "退貨政策"]
}
  • 那 json.loads(result) 會轉換成：
{"quick_replies": ["查詢訂單", "聯絡客服", "退貨政策"]}
  • 如果 result 不是正確的 JSON（例如 OpenAI 回應一段純文字），json.loads() 會拋出錯誤（進入 except 區塊）。

確保回應格式正確

if isinstance(parsed_result, dict) and "quick_replies" in parsed_result:

這行程式碼做了 兩層檢查，確保 API 回應格式正確：

🔹 1️⃣ isinstance(parsed_result, dict)

✅ 確保 parsed_result 是字典（dict），因為 JSON 可能回傳不同格式（例如 list 或 str），如果不是 dict，我們就不會繼續執行。

🔸 可能的錯誤回應

["這是一個錯誤的回應"]

🔸 解析後的 Python 物件

["這是一個錯誤的回應"]  # 這是一個 list，不是 dict！

🚫 這會導致 isinstance(parsed_result, dict) 回傳 False，所以我們不會繼續執行，也就不會出錯。

🔹 2️⃣ "quick_replies" in parsed_result

✅ 確保 parsed_result 字典內有 "quick_replies" 這個鍵（key），避免 API 回傳錯誤訊息時出錯。

🔸 可能的錯誤回應

{"error": "請求失敗"}

🔸 解析後的 Python 物件

{"error": "請求失敗"}  # 沒有 "quick_replies"！

🚫 這時候 "quick_replies" not in parsed_result"，我們不會繼續執行，避免程式崩潰。

🔹 預期的正確回傳格式

如果 OpenAI 回應正常，應該會回傳類似這樣的 JSON：

{
    "quick_replies": ["查詢訂單", "聯絡客服", "退貨政策"]
}

🔸 解析後的 Python 物件

{
    "quick_replies": ["查詢訂單", "聯絡客服", "退貨政策"]
}

✅ 這時候 isinstance(parsed_result, dict) 會回傳 True
✅ "quick_replies" in parsed_result 也會回傳 True
✅ 程式會執行 return parsed_result["quick_replies"]，回傳 ["查詢訂單", "聯絡客服", "退貨政策"]

這樣，主程式就能順利接收 AI 產生的 Quick Replies，並顯示給使用者！ 🎯

取得 Quick Replies

return parsed_result["quick_replies"]  # ✅ 確保回傳 list

✅ 從 JSON 解析後的字典 parsed_result 取出 quick_replies 陣列，並回傳。
✅ 確保回傳的是 list，讓主程式可以使用這些建議回覆。

範例： 如果 AI 回傳：

{
    "quick_replies": ["查詢訂單", "聯絡客服", "退貨政策"]
}

解析後 parsed_result["quick_replies"] 會是：

["查詢訂單", "聯絡客服", "退貨政策"]

這樣 主程式可以直接使用這些 Quick Replies 來顯示給使用者！

JSON 解析失敗時的錯誤處理

except json.JSONDecodeError as e:
    print(f"❌ JSON 解析錯誤: {e}")
    print(f"❌ OpenAI API 回應: {result}")

如果 json.loads(result) 失敗（例如 OpenAI 回傳的是非 JSON 格式的文字），就會拋出 json.JSONDecodeError，進入 except 區塊：

✅ print(f"❌ JSON 解析錯誤: {e}")

  • 顯示錯誤資訊，方便 Debug，知道是哪裡解析出錯。

✅ print(f"❌ OpenAI API 回應: {result}")

  • 記錄 OpenAI API 回應的內容，方便找出錯誤原因。
  • 可能的錯誤範例： ❌ JSON 解析錯誤: Expecting value: line 1 column 1 (char 0) ❌ OpenAI API 回應: <html>...（這可能是 API 連線失敗，回傳 HTML 錯誤頁面）

解析失敗時回傳 None

return None  # 解析失敗時回傳 None

✅ 如果 OpenAI 回應的內容無法解析成 JSON 或不符合格式，則回傳 None。
✅ 這樣主程式在收到 None 時，就可以知道 API 回應異常，並採取適當的錯誤處理（例如記錄日誌或重新請求）。

錯誤處理

    except Exception as e:
        print(f"發生錯誤: {e}")
        return None

這樣做的好處： ✅ 確保 API 失敗時，程式不會崩潰
✅ 方便 Debug，讓開發者知道錯誤原因

測試與執行

if __name__ == "__main__":
    test_data = {
        "chat_history": [
            {"role": "user", "content": "我要買送給愛好 3C 產品的朋友的禮物，該選哪個好？"},
            {"role": "assistant", "content": "推薦這幾款熱門 3C 產品：1. MacBook Pro 💻 2. iPad 0 元 📱"}
        ],
        "faq_list": ["如何成為會員", "如何取得優惠券", "退貨政策是什麼"],
        "product_list": ["MacBook Pro", "iPad 0 元", "高效保濕面膜", "無痕內衣"]
    }

    replies = generate_quick_replies(
        test_data["chat_history"], test_data["faq_list"], test_data["product_list"]
    )

    print("產生的 Quick Replies:")
    print(replies)

這段程式碼的主要目的是 測試 generate_quick_replies() 函式是否能正確產生 Quick Replies（建議回覆）。

讓我們逐行解析這段程式碼，確保你能完全理解它的運作方式。

if __name__ == "__main__":

if __name__ == "__main__":

這行程式碼的作用是：

✅ 確保這段測試程式只有在「直接執行這個 Python 檔案」時才會運行。
✅ 如果這個檔案被其他程式引用（import），這段測試程式不會自動執行。

為什麼需要這行？

  • 如果 generate_quick_replies.py 被當作模組引入 其他程式，測試資料就不應該被執行。
  • 這行 if __name__ == "__main__": 確保 這段測試程式只有在此程式被「獨立執行」時才會運行。

延伸閱讀：模組的執行與匯入：__name__ 的角色

建立測試資料 test_data

test_data = {
    "chat_history": [
        {"role": "user", "content": "我要買送給愛好 3C 產品的朋友的禮物，該選哪個好？"},
        {"role": "assistant", "content": "推薦這幾款熱門 3C 產品：1. MacBook Pro 💻 2. iPad 0 元 📱"}
    ],
    "faq_list": ["如何成為會員", "如何取得優惠券", "退貨政策是什麼"],
    "product_list": ["MacBook Pro", "iPad 0 元", "高效保濕面膜", "無痕內衣"]
}

這裡定義了一組 模擬的測試資料，用來檢查 generate_quick_replies() 是否能正確產生建議回覆。

📌 測試資料包含三個部分：

1️⃣ chat_history（對話歷史）

  • role: user：使用者詢問購買建議
  • role: assistant：AI 提供推薦商品

2️⃣ faq_list（常見問題清單）

  • 包含三個 FAQ：「如何成為會員」、「如何取得優惠券」、「退貨政策是什麼」

3️⃣ product_list（產品清單）

  • 包含四個產品：「MacBook Pro」、「iPad 0 元」、「高效保濕面膜」、「無痕內衣」

為什麼要提供這些數據？

  • chat_history 讓 AI 知道用戶的上下文，避免重複問相同問題。
  • faq_list 幫助 AI 產生與常見問題相關的建議回覆。
  • product_list 提供可推薦的商品，幫助 AI 生成更有價值的建議回覆。

呼叫 generate_quick_replies()

replies = generate_quick_replies(
    test_data["chat_history"], test_data["faq_list"], test_data["product_list"]
)

這行程式碼的作用是：

✅ 將測試資料傳入 generate_quick_replies()，讓 AI 產生 Quick Replies。
✅ 回傳的 replies 應該是一個 list，包含 AI 生成的建議回覆。

可能的回傳結果（示例）：

["推薦 MacBook Pro", "有沒有更便宜的 3C 產品？", "有哪些熱門商品？"]

這表示 AI 根據對話歷史、FAQ、產品清單，產生了適合的建議回覆。

輸出 AI 產生的 Quick Replies

print("產生的 Quick Replies:")
print(replies)

這段程式碼的作用是：

✅ 將 AI 產生的建議回覆輸出到終端機，方便檢查結果是否符合預期。

如果測試成功，應該會輸出類似這樣的結果：

產生的 Quick Replies:
['推薦 MacBook Pro', '有沒有更便宜的 3C 產品？', '有哪些熱門商品？']

這樣我們就可以確認 generate_quick_replies() 是否能根據測試資料產生合適的 Quick Replies。

結論與延伸

透過這篇文章，我們學習到：

  • 如何實作 Quick Replies 生成函式
  • 如何整合 OpenAI API 與聊天歷史、FAQ、產品資訊
  • 如何處理 JSON 解析錯誤，確保系統穩定
  • 如何進行測試，確保 AI 生成合理的建議回覆

延伸學習

接下來，你可以：

  • 優化 Prompt，提高 Quick Replies 的準確性
  • 增加 UI 介面整合，讓按鈕點擊更直覺
  • 記錄 AI 產生的回覆，分析使用者行為，持續優化體驗

希望這篇文章能幫助你打造更智能的 AI 聊天機器人！

Similar Posts

為什麼在使用 Python 前需要安裝 Python，而使用 JavaScript、CSS 和 HTML 則不需要？

By徐培鈞

當開始接觸程式開發時，許多人會發現不同程式語言有不同的環境需求。

有些語言，例如 JavaScript、CSS 和 HTML，可以直接在瀏覽器中執行，無需額外安裝軟體。

而另一些語言，如 Python，則需要先在電腦上安裝特定的執行環境。

本文將深入探討這些差異，並解釋為什麼使用 Python 時需要安裝，而使用 JavaScript、CSS 和 HTML 則不需要。

Python 函數參數詳解：位置引數與關鍵字引數的新手指南

By徐培鈞

在 Python 編程中，函數（Function） 是一種重要的工具，允許我們將可重複使用的代碼塊組織起來，提高代碼的可讀性和可維護性。

理解如何向函數傳遞參數是掌握 Python 的關鍵之一。

Python 提供了 位置參數（Positional Arguments） 和 關鍵字參數（Keyword Arguments） 兩種方式來傳遞參數。

本篇文章將詳細介紹這兩種傳遞參數的方式，包括它們的用法、差異、優勢，以及如何在實際開發中靈活運用，幫助新手更好地理解和使用 Python 函數參數。

算法解題：在 1 ~ N 之間，含有子字串 ’14’ 的整數有幾個？

By徐培鈞

題目要我們計算「在 1 ~ N 之間，含有子字串 ’14’ 的整數有幾個？」。

直接把所有數字轉成字串檢查，當 NN 大到 101010^{10} 時，時間必然不可行。

一個常見的技巧是：

先算不包含 ’14’ 的個數，記作 countNo14(N)

再用總數 NN 去扣掉它： countWith14(N)  =  N−countNo14(N)(若題目範圍是 1∼N,記得排除0)

因此核心問題是：如何快速算出 1 ∼ N1（或 0 ∼ N）之間「不含 ’14’」的數字個數？ 這裡就能利用「數位 DP」的手法來做。

結構化數據整合與上下文處理：提升 AI 生成 Quick Replies 的準確性

By徐培鈞

在 AI 聊天機器人的應用中，能夠快速且準確地生成 建議回覆（Quick Replies） 是提升用戶體驗的重要關鍵。

然而，AI 模型的輸出品質取決於輸入的數據，若缺乏適當的上下文資訊，回覆可能會顯得過於籠統，甚至無法滿足用戶需求。

因此，我們需要整合 結構化數據，並在 AI 請求時動態注入 多維度上下文，讓 AI 更智慧地理解用戶意圖，生成更精準的回覆。

本篇文章將深入探討 如何整合對話歷史（chat_history）、常見問題（FAQ）、產品清單（product_list）等數據來源，並在 OpenAI API 請求中合理運用這些資訊，使 Quick Replies 具備更強的上下文感知能力。