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

import openai
import os

# 設定 OpenAI API 金鑰
openai.api_key = os.getenv("OPENAI_API_KEY")

# 預設規則型回覆
predefined_replies = {
    "退款": ["請問您是要申請退款嗎？這是退款流程：📌"],
    "發票": ["您需要電子發票還是紙本發票？"],
    "客服": ["請稍等，我們將為您轉接真人客服 🧑‍💻"]
}

def get_rule_based_reply(user_message):
    """根據關鍵字提供預設回覆，如果沒有匹配則請求 OpenAI 生成"""
    for keyword, replies in predefined_replies.items():
        if keyword in user_message:
            return replies  # 返回規則型回覆
    
    # 若規則庫沒有匹配的回覆，使用 OpenAI 生成
    prompt = f"用戶詢問: {user_message}\n請生成 3 個 Quick Replies，使用 JSON 格式輸出，例如：{{'quick_replies': ['回覆1', '回覆2', '回覆3']}}"

    response = openai.ChatCompletion.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": "你是一個智慧客服助手，請根據用戶問題生成 Quick Replies。"},
                  {"role": "user", "content": prompt}],
        temperature=0.7
    )

    return response["choices"][0]["message"]["content"]

# 測試範例
user_message = "我要申請退款"
print(get_rule_based_reply(user_message))

def generate_ai_reply(user_message, chat_history=None):
    """使用 OpenAI GPT 生成 Quick Replies，並考慮對話歷史"""
    history_context = ""
    if chat_history:
        history_context = f"這是該用戶的對話歷史：{chat_history}\n"

    prompt = f"""
    {history_context}
    用戶訊息: {user_message}
    
    請根據以上內容，生成 3 個 Quick Replies，並使用 JSON 格式輸出，例如：
    {{"quick_replies": ["回覆1", "回覆2", "回覆3"]}}
    """

    response = openai.ChatCompletion.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": "你是一個智慧客服助手，請根據上下文生成 Quick Replies。"},
                  {"role": "user", "content": prompt}],
        temperature=0.7
    )

    return response["choices"][0]["message"]["content"]

# 測試 OpenAI 生成回覆
user_message = "請問這件衣服有貨嗎？"
chat_history = ["請問這件衣服有什麼顏色？", "目前有黑色和白色"]
print(generate_ai_reply(user_message, chat_history))

# 模擬歷史數據（例如從 FAQ 或過往對話訓練 AI）
historical_data = {
    "物流": ["📦 查詢物流狀態", "🚚 追蹤您的包裹", "📜 查看運送條款"],
    "付款": ["💰 支援的付款方式", "💳 信用卡折扣", "🏦 ATM 轉帳說明"]
}

def generate_reply_with_history(user_message):
    """結合歷史數據與 AI 生成 Quick Replies"""
    # 先檢查歷史數據庫中是否有相似問題
    for keyword, replies in historical_data.items():
        if keyword in user_message:
            return replies  # 直接使用歷史數據

    # 若歷史數據庫沒有匹配，請求 OpenAI 生成
    prompt = f"""
    用戶訊息: {user_message}
    這是過去的常見問題與回覆：
    {historical_data}

    請根據這些歷史數據，生成 3 個適合的 Quick Replies，並使用 JSON 格式輸出，例如：
    {{"quick_replies": ["回覆1", "回覆2", "回覆3"]}}
    """

    response = openai.ChatCompletion.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": "你是一個智慧客服助手，請根據歷史數據生成 Quick Replies。"},
                  {"role": "user", "content": prompt}],
        temperature=0.7
    )

    return response["choices"][0]["message"]["content"]

# 測試 AI 生成回覆（結合歷史數據）
user_message = "請問怎麼付款？"
print(generate_reply_with_history(user_message))

import openai
import os

# 設定 OpenAI API 金鑰
openai.api_key = os.getenv("OPENAI_API_KEY")

# 模擬用戶歷史查詢
user_profiles = {
    "user_001": {"history": ["查詢物流", "我的訂單"], "membership": "VIP"},
    "user_002": {"history": ["付款方式", "信用卡優惠"], "membership": "一般會員"},
}

def generate_personalized_replies(user_id, user_message):
    """根據用戶歷史紀錄 + OpenAI 生成個性化 Quick Replies"""
    user_data = user_profiles.get(user_id, {})
    history = user_data.get("history", [])
    membership = user_data.get("membership", "一般會員")

    # 根據歷史紀錄建立 Prompt
    history_context = f"該用戶最近查詢過: {', '.join(history)}。" if history else "該用戶沒有歷史查詢紀錄。"
    membership_context = f"該用戶是 {membership} 會員，請根據會員等級提供適合的建議回覆。"

    prompt = f"""
    用戶訊息: {user_message}
    {history_context}
    {membership_context}
    
    請根據以上資訊，生成 3 個適合該用戶的 Quick Replies，請使用 JSON 格式輸出，例如：
    {{"quick_replies": ["回覆1", "回覆2", "回覆3"]}}
    """

    response = openai.ChatCompletion.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": "你是一個智慧客服助手，請生成個性化 Quick Replies。"},
                  {"role": "user", "content": prompt}],
        temperature=0.7
    )

    return response["choices"][0]["message"]["content"]

# 測試 OpenAI 生成個性化回覆
user_message = "請問這件衣服有貨嗎？"
print(generate_personalized_replies("user_001", user_message))

# 模擬用戶購買與瀏覽紀錄
user_activity = {
    "user_001": {"purchased": ["藍色連帽外套"], "viewed": ["黑色牛仔褲"]},
    "user_002": {"purchased": ["無線耳機"], "viewed": ["智能手錶"]},
}

def generate_product_based_replies(user_id, user_message):
    """根據用戶的購買與瀏覽紀錄 + OpenAI 生成 Quick Replies"""
    activity = user_activity.get(user_id, {})
    purchased = activity.get("purchased", [])
    viewed = activity.get("viewed", [])

    purchase_context = f"該用戶曾購買: {', '.join(purchased)}。" if purchased else ""
    view_context = f"該用戶曾瀏覽: {', '.join(viewed)}。" if viewed else ""

    prompt = f"""
    用戶訊息: {user_message}
    {purchase_context}
    {view_context}

    根據以上資訊，請提供 3 個 Quick Replies，請使用 JSON 格式輸出，例如：
    {{"quick_replies": ["回覆1", "回覆2", "回覆3"]}}
    """

    response = openai.ChatCompletion.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": "你是一個智慧客服助手，請根據用戶購買與瀏覽紀錄生成 Quick Replies。"},
                  {"role": "user", "content": prompt}],
        temperature=0.7
    )

    return response["choices"][0]["message"]["content"]

# 測試 OpenAI 生成個性化回覆
user_message = "請問這件衣服有貨嗎？"
print(generate_product_based_replies("user_001", user_message))

# 模擬 Quick Replies 點擊數據
quick_replies_clicks = {
    "📦 查詢物流進度": 120,
    "💰 付款方式": 80,
    "📞 聯絡客服": 30,
    "🔄 重新訂購": 50,
    "🛠 商品保固資訊": 20
}

def generate_dynamic_sorted_replies(user_message):
    """根據用戶點擊數據調整 Quick Replies 順序 + OpenAI 生成內容"""
    sorted_replies = sorted(quick_replies_clicks.items(), key=lambda x: x[1], reverse=True)
    sorted_replies_text = [item[0] for item in sorted_replies]

    prompt = f"""
    用戶訊息: {user_message}
    目前熱門的 Quick Replies 排序如下：
    {', '.join(sorted_replies_text)}

    請根據此排序，生成 3 個最適合的 Quick Replies，並使用 JSON 格式輸出，例如：
    {{"quick_replies": ["回覆1", "回覆2", "回覆3"]}}
    """

    response = openai.ChatCompletion.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": "你是一個智慧客服助手，請根據熱門選項生成 Quick Replies。"},
                  {"role": "user", "content": prompt}],
        temperature=0.7
    )

    return response["choices"][0]["message"]["content"]

# 測試 OpenAI 生成動態排序的 Quick Replies
user_message = "請問如何付款？"
print(generate_dynamic_sorted_replies(user_message))

import openai
import os

# 設定 OpenAI API 金鑰
openai.api_key = os.getenv("OPENAI_API_KEY")

def generate_multilingual_replies(user_message, target_language="zh"):
    """使用 OpenAI 直接生成多語言 Quick Replies"""
    prompt = f"""
    用戶訊息: {user_message}
    請使用 {target_language} 生成 3 個 Quick Replies，確保符合該語言文化習慣。
    格式要求：
    {{"quick_replies": ["回覆1", "回覆2", "回覆3"]}}
    """

    response = openai.ChatCompletion.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": "你是一個智慧客服助手，請用指定語言生成 Quick Replies。"},
                  {"role": "user", "content": prompt}],
        temperature=0.7
    )

    return response["choices"][0]["message"]["content"]

# 測試 OpenAI 生成不同語言的 Quick Replies
user_message = "What are the payment options?"
print(generate_multilingual_replies(user_message, "fr"))  # 生成法文回覆
print(generate_multilingual_replies(user_message, "ja"))  # 生成日文回覆

from googletrans import Translator

translator = Translator()

def translate_text(text, target_language="zh-tw"):
    """使用 Google 翻譯 API 將 Quick Replies 翻譯為目標語言"""
    translated = translator.translate(text, dest=target_language)
    return translated.text

# 測試翻譯功能
english_text = "What are the available payment methods?"
print(translate_text(english_text, "zh-tw"))  # 翻譯為繁體中文
print(translate_text(english_text, "de"))  # 翻譯為德文