# 環(huán)境準(zhǔn)備：安裝必要庫(kù)
# pip install openai anthropic-baidu-sdk  # 文心一言SDK示例，實(shí)際請(qǐng)參考官方最新
# 本文使用Python 3.10+
import openai
from anthropic import Anthropic
# 文心一言SDK導(dǎo)入示例，此處為示意，實(shí)際調(diào)用可能不同
# import qianfan
# 請(qǐng)?zhí)鎿Q為你的真實(shí)API密鑰（務(wù)必從環(huán)境變量讀取，不要硬編碼在代碼中?。?
import os
openai.api_key = os.getenv("OPENAI_API_KEY")
anthropic = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
# wenxin_client = qianfan.ChatCompletion(ak=os.getenv("WENXIN_AK"), sk=os.getenv("WENXIN_SK"))

def chat_with_openai(prompt, model="gpt-4-turbo-preview", max_tokens=500):
    """
    使用OpenAI API進(jìn)行對(duì)話。
    Args:
        prompt: 用戶輸入的提示詞。
        model: 使用的模型，如'gpt-4-turbo-preview', 'gpt-3.5-turbo'。
        max_tokens: 生成回復(fù)的最大長(zhǎng)度。
    Returns:
        模型生成的文本。
    """
    try:
        response = openai.chat.completions.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
            max_tokens=max_tokens,
            temperature=0.7,  # 控制創(chuàng)造性：0.0-2.0，越高越隨機(jī)
            top_p=0.9,        # 核采樣：與temperature配合，控制候選詞范圍
            frequency_penalty=0.1, # 降低重復(fù)用詞
            presence_penalty=0.1,  # 鼓勵(lì)談?wù)撔略掝}
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"OpenAI API調(diào)用出錯(cuò): {e}"
# 測(cè)試
prompt = "用技術(shù)博客的風(fēng)格，簡(jiǎn)要介紹Python的列表推導(dǎo)式，不超過(guò)150字。"
result = chat_with_openai(prompt, model="gpt-3.5-turbo") # 先用便宜的3.5測(cè)試
print("=== OpenAI GPT 回復(fù) ===")
print(result)

def chat_with_claude(prompt, model="claude-3-opus-20240229", max_tokens=500):
    """
    使用Anthropic Claude API進(jìn)行對(duì)話。
    """
    try:
        message = anthropic.messages.create(
            model=model,
            max_tokens=max_tokens,
            temperature=0.7,
            system="你是一位樂(lè)于助人、準(zhǔn)確且簡(jiǎn)潔的寫作助手。", # Claude獨(dú)有的系統(tǒng)提示詞設(shè)置
            messages=[
                {"role": "user", "content": prompt}
            ]
        )
        return message.content[0].text
    except Exception as e:
        return f"Claude API調(diào)用出錯(cuò): {e}"

# 測(cè)試
prompt = "將以下技術(shù)術(shù)語(yǔ)用通俗易懂的方式解釋給小白聽：‘神經(jīng)網(wǎng)絡(luò)反向傳播'。"
result = chat_with_claude(prompt, model="claude-3-haiku-20240307") # 使用更快的Haiku模型測(cè)試
print("\n=== Claude 回復(fù) ===")
print(result)

# 注意：以下為基于百度千帆SDK的示意代碼，API可能更新，請(qǐng)以官方文檔為準(zhǔn)
def chat_with_wenxin(prompt, model="ERNIE-Bot-4", max_tokens=500):
    """
    使用百度文心一言API進(jìn)行對(duì)話（示意）。
    """
    try:
        # 此處為偽代碼，實(shí)際調(diào)用需參考百度智能云千帆最新SDK
        # resp = wenxin_client.do(model=model, messages=[{"role":"user", "content": prompt}], temperature=0.7, max_tokens=max_tokens)
        # return resp['result']
        return "【文心一言回復(fù)示意】由于API密鑰和SDK配置，此處省略實(shí)際調(diào)用。其調(diào)用邏輯與OpenAI類似，但對(duì)中文成語(yǔ)、古詩(shī)詞、國(guó)內(nèi)熱點(diǎn)事件的理解和生成有優(yōu)勢(shì)。"
    except Exception as e:
        return f"文心一言API調(diào)用出錯(cuò): {e}"

print("\n=== 文心一言 回復(fù) ===")
print(chat_with_wenxin(prompt))

def get_article_with_style(topic, style_instruction, api="openai"):
    """
    根據(jù)指定的風(fēng)格指令生成文章。
    Args:
        topic: 文章主題。
        style_instruction: 風(fēng)格指令，描述所需的寫作風(fēng)格。
        api: 使用的API服務(wù)，'openai' 或 'claude'。
    """
    system_prompt = f"""
    你是一位資深的{style_instruction}。請(qǐng)根據(jù)用戶提供的主題，創(chuàng)作一篇相應(yīng)風(fēng)格的文章。
    要求：
    1. 嚴(yán)格遵循指定的寫作風(fēng)格。
    2. 文章結(jié)構(gòu)清晰，有引言、主體和結(jié)論。
    3. 字?jǐn)?shù)在300字左右。
    """
    user_prompt = f"文章主題：{topic}"

    if api == "openai":
        # OpenAI 將system prompt放在messages列表中
        response = openai.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[
                {"role": "system", "content": system_prompt},
                {"role": "user", "content": user_prompt}
            ],
            temperature=0.8,
        )
        return response.choices[0].message.content
    elif api == "claude":
        # Claude 使用獨(dú)立的system參數(shù)
        message = anthropic.messages.create(
            model="claude-3-haiku-20240307",
            max_tokens=800,
            temperature=0.8,
            system=system_prompt,
            messages=[{"role": "user", "content": user_prompt}]
        )
        return message.content[0].text
    else:
        return "不支持的API類型。"

# 測(cè)試：用兩種風(fēng)格寫同一主題
topic = "遠(yuǎn)程辦公的利弊"
print("=== 風(fēng)格1：嚴(yán)肅的商業(yè)評(píng)論 ===")
print(get_article_with_style(topic, "《經(jīng)濟(jì)學(xué)人》雜志專欄作家", api="openai"))
print("\n=== 風(fēng)格2：活潑的社交媒體博主 ===")
print(get_article_with_style(topic, "科技領(lǐng)域的網(wǎng)紅博主，語(yǔ)言幽默接地氣", api="claude"))

from langchain.text_splitter import RecursiveCharacterTextSplitter
# pip install langchain

def split_and_summarize(long_text, chunk_size=2000, overlap=200):
    """
    將長(zhǎng)文本分割，并模擬對(duì)每個(gè)塊進(jìn)行摘要的過(guò)程（此處用簡(jiǎn)單截取代替實(shí)際摘要API調(diào)用）。
    """
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=chunk_size,
        chunk_overlap=overlap,
        length_function=len,
        separators=["\n\n", "\n", "。", "！", "？", "，", " ", ""]
    )
    chunks = text_splitter.split_text(long_text)
    print(f"已將文本分割為 {len(chunks)} 個(gè)塊。")

    # 模擬摘要：實(shí)際應(yīng)用中，這里應(yīng)調(diào)用AI對(duì)每個(gè)chunk生成簡(jiǎn)短摘要
    summaries = []
    for i, chunk in enumerate(chunks[:3]): # 假設(shè)只處理前三個(gè)塊做演示
        # 實(shí)際摘要調(diào)用：summary = chat_with_openai(f“請(qǐng)用一句話總結(jié)以下內(nèi)容：\n{chunk}”)
        simulated_summary = f"[第{i+1}塊摘要]: {chunk[:100]}..." # 簡(jiǎn)單截取前100字模擬
        summaries.append(simulated_summary)

    # 基于摘要，生成連貫的后續(xù)內(nèi)容
    context_for_continuation = "\n".join(summaries)
    continuation_prompt = f"基于以下已寫內(nèi)容的摘要，請(qǐng)繼續(xù)撰寫下一部分：\n{context_for_continuation}\n\n接下來(lái)要寫的內(nèi)容是關(guān)于‘遠(yuǎn)程辦公的技術(shù)挑戰(zhàn)'。"
    # 實(shí)際調(diào)用：continuation = chat_with_openai(continuation_prompt)
    return continuation_prompt

# 模擬一個(gè)長(zhǎng)文本（這里用重復(fù)字符串代替）
sample_long_text = "遠(yuǎn)程辦公已成為新常態(tài)。" * 500
result_prompt = split_and_summarize(sample_long_text)
print("\n生成的后續(xù)寫作提示詞示例：")
print(result_prompt)

# 首先安裝：pip install transformers torch accelerate

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

class LocalWritingAssistant:
    def __init__(self, model_name="Qwen/Qwen1.5-1.8B-Chat"):
        """
        初始化本地寫作助手。
        注意：1.8B模型需要約4GB GPU內(nèi)存，若無(wú)GPU，可在CPU運(yùn)行但速度較慢。
        """
        print(f"正在加載模型 {model_name}，請(qǐng)耐心等待...")
        self.tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
        self.model = AutoModelForCausalLM.from_pretrained(
            model_name,
            torch_dtype=torch.float16, # 半精度節(jié)省顯存
            device_map="auto", # 自動(dòng)分配至GPU或CPU
            trust_remote_code=True
        )
        print("模型加載完成！")

    def write(self, prompt, max_length=300, temperature=0.8):
        """
        根據(jù)提示詞生成文本。
        """
        # 構(gòu)建符合模型要求的對(duì)話格式（不同模型格式不同，此處以Qwen為例）
        messages = [{"role": "user", "content": prompt}]
        text = self.tokenizer.apply_chat_template(
            messages,
            tokenize=False,
            add_generation_prompt=True
        )
        model_inputs = self.tokenizer([text], return_tensors="pt").to(self.model.device)

        # 生成參數(shù)
        generated_ids = self.model.generate(
            **model_inputs,
            max_new_tokens=max_length,
            temperature=temperature,
            do_sample=True,
            top_p=0.9,
            pad_token_id=self.tokenizer.eos_token_id # 避免警告
        )
        generated_ids = [
            output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
        ]
        response = self.tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
        return response

# 注意：首次運(yùn)行需要下載數(shù)GB的模型文件，請(qǐng)確保網(wǎng)絡(luò)通暢和磁盤空間充足。
# 為節(jié)省時(shí)間和資源，以下代碼塊注釋掉實(shí)際加載和運(yùn)行，僅展示結(jié)構(gòu)。
"""
if __name__ == "__main__":
    assistant = LocalWritingAssistant(model_name="Qwen/Qwen1.5-1.8B-Chat") # 可替換為更小的模型
    prompt = "寫一封簡(jiǎn)潔的會(huì)議邀請(qǐng)郵件，主題是‘季度項(xiàng)目復(fù)盤'。"
    result = assistant.write(prompt, max_length=200)
    print("=== 本地模型生成結(jié)果 ===")
    print(result)
"""
print("【提示】本地模型構(gòu)建代碼已提供。由于模型下載量大，建議讀者在GPU環(huán)境中自行運(yùn)行。")

import json

class MultiPlatformCopywriter:
    def __init__(self, api_key):
        openai.api_key = api_key
        self.platform_instructions = {
            "weibo": {
                "system": "你是微博熱門數(shù)碼博主，語(yǔ)言活潑，愛(ài)用網(wǎng)絡(luò)熱詞和表情符號(hào)，擅長(zhǎng)制造話題和互動(dòng)。文案控制在120字內(nèi)，加上相關(guān)話題標(biāo)簽。",
                "temperature": 0.9
            },
            "zhihu": {
                "system": "你是知乎上的科技領(lǐng)域優(yōu)秀答主，分析深入淺出，邏輯嚴(yán)謹(jǐn)，喜歡用數(shù)據(jù)和案例支撐觀點(diǎn)。文章結(jié)構(gòu)清晰，可稍長(zhǎng)。",
                "temperature": 0.7
            },
            "product_detail": {
                "system": "你是專業(yè)的產(chǎn)品經(jīng)理，文案突出產(chǎn)品賣點(diǎn)、技術(shù)參數(shù)和用戶利益，語(yǔ)言精準(zhǔn)、客觀、有說(shuō)服力。使用分點(diǎn)描述。",
                "temperature": 0.5
            }
        }

    def generate_copy(self, product_info, platform):
        """
        為核心產(chǎn)品信息生成指定平臺(tái)的文案。
        Args:
            product_info (dict): 包含產(chǎn)品名稱、核心賣點(diǎn)、目標(biāo)人群等。
            platform (str): 平臺(tái)標(biāo)識(shí)，'weibo', 'zhihu', 或 'product_detail'。
        """
        if platform not in self.platform_instructions:
            return "錯(cuò)誤：不支持的平臺(tái)。"

        instruction = self.platform_instructions[platform]
        user_prompt = f"""
        請(qǐng)根據(jù)以下產(chǎn)品信息，撰寫符合{platform}平臺(tái)風(fēng)格的文案。
        產(chǎn)品信息：
        - 名稱：{product_info['name']}
        - 核心賣點(diǎn)：{product_info['key_features']}
        - 目標(biāo)人群：{product_info['target_audience']}
        """

        response = openai.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[
                {"role": "system", "content": instruction["system"]},
                {"role": "user", "content": user_prompt}
            ],
            temperature=instruction["temperature"],
            max_tokens=400,
        )
        return response.choices[0].message.content

    def batch_generate(self, product_info):
        """為一款產(chǎn)品批量生成所有平臺(tái)的文案。"""
        results = {}
        for platform in self.platform_instructions.keys():
            print(f"正在生成 {platform} 文案...")
            results[platform] = self.generate_copy(product_info, platform)
        return results

# 使用示例
if __name__ == "__main__":
    # 假設(shè)你的API_KEY已設(shè)置環(huán)境變量
    writer = MultiPlatformCopywriter(api_key=os.getenv("OPENAI_API_KEY"))

    my_product = {
        "name": "智能辦公本 Pro",
        "key_features": "10英寸電子墨水屏，支持手寫轉(zhuǎn)文本，云端同步，超長(zhǎng)續(xù)航",
        "target_audience": "商務(wù)人士、文字工作者、學(xué)生"
    }

    all_copies = writer.batch_generate(my_product)

    for platform, copy in all_copies.items():
        print(f"\n{'='*20} {platform.upper()} 文案 {'='*20}")
        print(copy)
        print()