請先通過網(wǎng)絡(luò)搜索相關(guān)資料，然后再回答我的問題。
先查閱一些網(wǎng)絡(luò)資源，再給我詳細解答。
請先在網(wǎng)上找一些資料，然后再為我解答。
先在互聯(lián)網(wǎng)搜集相關(guān)信息，然后再回答我。
請先查找網(wǎng)絡(luò)上的相關(guān)內(nèi)容，再來回答我的問題。
請先從網(wǎng)上獲取相關(guān)信息，然后再給出答案。
先通過網(wǎng)絡(luò)查詢一下，再給我提供答案。
請先在網(wǎng)上找到一些相關(guān)資料，再來回答我的問題。
請先通過網(wǎng)絡(luò)查詢相關(guān)內(nèi)容，然后再回答我。
請先利用網(wǎng)絡(luò)搜索相關(guān)資料，然后再給出解答。

現(xiàn)在有3個角色，sys 代表應(yīng)用程序系統(tǒng)，user 代表用戶，你的角色是一名餐廳服務(wù)員，你的目的是服務(wù)用戶，請你根據(jù)上下文決定是否調(diào)用 sys應(yīng)用程序系統(tǒng)。
調(diào)用系統(tǒng)則輸出 to_sys: 應(yīng)用程序參數(shù)
回復(fù)用戶則輸出 to_user: 回復(fù)的消息




規(guī)則：
1，要一句一句的和我溝通，每次只能選擇和to_sys或to_user其中之一，我會代為轉(zhuǎn)達和處理消息，并且用sys 或 user開頭的消息回復(fù)你
2，調(diào)用程序的具體參數(shù)要在上下文中確定，比如我們應(yīng)用程序有個參數(shù)a，上下文里用戶或系統(tǒng)沒有提供，你就不能擅自決定a的具體數(shù)值，調(diào)用程序用json格式
3，當我用sys：開頭給你回復(fù)的時候，表示本次應(yīng)用程序返回，你要結(jié)合這個返回信息繼續(xù)和用戶溝通，你直接用to_user和用戶溝通，要注意影藏程序系統(tǒng)這個信息，讓用戶感知不到




反例：
1，類似下面的回復(fù)是錯誤的，錯誤原因是在消息里同時出現(xiàn)to_sys 和 to_user
"""
to_sys: {
‘a(chǎn)pp’ : '點餐應(yīng)用',
'usernum' : 1,
'caiming' : '包子',
'cainum' : 3
}




to_user: 好的，三個包子已經(jīng)為您下單了，稍等片刻就會上菜。是否還需要點其他菜品或者飲料呢？
"""




[應(yīng)用程序列表如下]
1，點餐應(yīng)用，當用戶點餐時調(diào)用，
請你和用戶溝通確定這些參數(shù)：用戶人數(shù)，菜名（必填），數(shù)量（必填)
輸出json格式例子：{
    ‘a(chǎn)pp’ : '點餐應(yīng)用', #應(yīng)用名字（必填）
    'usernum' : 1,  #用戶人數(shù)
    'caiming' : '包子', #菜名
    'cainum' : 5 #數(shù)量
}
2，菜單應(yīng)用，在點餐之前調(diào)用，
參數(shù)：無
輸出json格式例子：{
    ‘a(chǎn)pp’ : '菜單應(yīng)用', #應(yīng)用名字（必填）
}
3，結(jié)賬應(yīng)用，當用戶用完餐需要結(jié)賬時調(diào)用，
參數(shù)：無
輸出json格式例子：{
    ‘a(chǎn)pp’ : '結(jié)賬應(yīng)用', #應(yīng)用名字（必填）
}




接下來用to_user給用戶開始第一條消息
你的餐廳名字是: 成都小吃

import json
def deal_app(app, params):
    print(">>> " + app)




    if app == "菜單應(yīng)用":
        return '菜單 1包子 2餃子 3 可樂或雪碧'




    if app == "結(jié)賬應(yīng)用":
        return '一共消費100元'




    if app == "點餐應(yīng)用":
        if 'caiming' not in params or  params['caiming'] == None:
            return "請先選擇菜品和數(shù)量"
        if params['caiming'] == '面包':
            return '面包賣完了'




        return "已下單"




    return "沒有這個應(yīng)用"




def deal_answer(answer):




    if answer.find("to_user:") >= 0 and answer.find("to_sys:") >= 0:
        print(answer)
        return xf_ai('user', "請不要同時回復(fù)to_user 和 to_sys, 兩者只能選一個，也不要[等待系統(tǒng)回復(fù)]這樣的說明", "sys:")




    if answer.find("to_sys:") >= 0 and answer.find("\nsys:") >= 0:
        print(answer)
        return xf_ai('user', "請不要同時回復(fù)to_sys 和 sys, 只回復(fù)to_sys的數(shù)據(jù)", "sys:")




    if answer.find("to_user:") == 0:
        return answer.replace("to_user:", "")




    if answer.find("to_sys:") == 0:
        # print(answer)
        j = answer.replace("to_sys:", "")
        j = j.strip()
        end = j.find("}")
        j = j[0:end+1]
        print(j)
        jj = json.loads(j)
        app = jj['app']
        s = deal_app(app, jj)
        o = xf_ai('user', s, "sys:請告訴用戶：")
        return o
    # print(answer)
    return ""
def get_input_from_command_line():
    """
    Get input string from command line using input function.
    """
    input_string = input("用戶: ")
    return input_string




def out_user_message(s):
    if s == False:
        return




    print('服務(wù)員：'  + s)






if __name__ == '__main__':




    o = xf_ai('user', prompt)
    out_user_message(o)




    while True:
        s = get_input_from_command_line()
        if s  == 'quit':
            exit()
        o = xf_ai('user', s, "user:")
        out_user_message(o)

{
    "1": {"name": "經(jīng)典黃燜雞", "description": "雞肉鮮嫩，配以濃郁醬汁和土豆", "price": "12元", "category": "主菜"},
    "2": {"name": "辣味黃燜雞", "description": "經(jīng)典黃燜雞基礎(chǔ)上加入辣椒調(diào)味", "price": "13元", "category": "主菜"},
    "3": {"name": "香菇黃燜雞", "description": "黃燜雞加入香菇，風味獨特", "price": "14元", "category": "主菜"}
}

from transformers import BertModel, BertTokenizer
import torch




# 使用BERT模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased')




def get_embedding(texts):
    embeddings = []
    for text in texts:
        inputs = tokenizer(text, return_tensors='pt')
        outputs = model(**inputs)
        vector = outputs.last_hidden_state.mean(dim=1).detach().numpy()
        embeddings.append(vector)
    return embeddings




# 讀取數(shù)據(jù)并向量化
with open('huangmenji_menu.json', 'r') as f:
    menu_data = json.loads(f.read())




menu_descriptions = [item["description"] for item in menu_data.values()]
menu_embeddings = get_embedding(menu_descriptions)

from pymilvus import MilvusClient, FieldSchema, CollectionSchema, DataType, Collection
import numpy as np




# 連接到Milvus
client = MilvusClient(uri="http://localhost:19530", db_name="default")




# 定義集合schema
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=False),
    FieldSchema(name="name", dtype=DataType.VARCHAR, max_length=100),
    FieldSchema(name="description", dtype=DataType.VARCHAR, max_length=1000),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=768)
]
schema = CollectionSchema(fields, "黃燜雞餐館菜單")
index_params = client.prepare_index_params()
index_params.add_index(
    field_name="embedding",
    index_type="IVF_FLAT",
    metric_type="IP",
    params={"nlist": 128}
)




# 創(chuàng)建集合
collection_name = "huangmenji_menu"
client.create_collection(
    collection_name=collection_name,
    schema=schema,
    index_params=index_params
)




# 插入數(shù)據(jù)
entities = [
    {"id": int(item_id),
     "name": menu_data[item_id]["name"],
     "description": menu_data[item_id]["description"],
     "embedding": menu_embeddings[int(item_id)-1].tolist()}
    for item_id in menu_data
]
client.insert(collection_name=collection_name, data=entities)

# 查詢向量化輸入
query = "我喜歡吃辣，有什么菜品推薦"
query_embedding = get_embedding([query])




# 搜索相似的菜單項
res = client.search(
    collection_name=collection_name,
    data=query_embedding,
    limit=3,
    search_params={"metric_type": "IP", "params": {}},
    output_fields=['name', 'description']
)




# 顯示結(jié)果
for result in res:
    print(f"Found menu item: {result['name']} - {result['description']}")

# AI知識庫插件
def plugin_ai_knowledge_base_query(query: str, knowledge_base_name: str, field: str) -> str:
    """
    輸入：
        query (str) - 用戶查詢的問題或主題
        knowledge_base_name (str) - 知識庫的名稱
        field (str) - 需要獲取的具體字段名稱
    輸出：str - 從知識庫中獲取的相關(guān)信息
    """
    # 調(diào)用原系統(tǒng)函數(shù)獲取知識庫信息
    return original_system_get_knowledge_base_info(query, knowledge_base_name, field)

version: '1.0'
name: '菜單推薦工作流'
description: '一個基于用戶喜好使用AI知識庫和自定義邏輯推薦菜品的工作流。'
steps:
  - id: 'input_step'
    type: 'input'
    description: '獲取用戶對菜品的喜好'
    input:
      description: '用戶輸入的菜品喜好'
      example: '我喜歡吃辣，有什么菜品推薦'
    output:
      name: 'user_preference'
      type: 'str'




  - id: 'query_knowledge_base'
    type: 'plugin'
    plugin: 'plugin_ai_knowledge_base_query'
    description: '根據(jù)用戶喜好查詢AI知識庫中的菜品推薦'
    inputs:
      query: '{user_preference}'
      knowledge_base_name: 'huangmenji_menu'
      # 在這里具體化字段的選擇
      field: 'embedding'  # 使用向量數(shù)據(jù)庫的嵌入向量字段進行查詢
    outputs:
      name: 'dish_recommendations'
      type: 'str'




  - id: 'custom_logic_filter_spicy'
    type: 'custom'
    function: 'filter_spicy_dishes'
    description: '過濾推薦的菜品，僅保留辣味菜品'
    inputs:
      recommendations: '{dish_recommendations}'
    outputs:
      name: 'spicy_dish_recommendations'
      type: 'list'




  - id: 'output_step'
    type: 'output'
    description: '向用戶提供最終的辣味菜品推薦列表'
    inputs:
      spicy_dishes: '{spicy_dish_recommendations}'
    output:
      description: '菜品推薦列表'
      example: ['麻婆豆腐', '辣子雞', '四川火鍋']

version: '1.0'
name: '客戶營銷工作流'
description: '根據(jù)用戶標簽和營銷需求進行個性化營銷的工作流。'
steps:
  - id: 'input_step'
    type: 'input'
    description: '獲取用戶標簽和營銷需求'
    input:
      description: '用戶輸入的標簽和營銷需求'
      example: 
        tag: '潛在客戶'
        marketing_need: '推廣新產(chǎn)品'
    output:
      name: 'user_tag'
      type: 'str'
      name: 'marketing_need'
      type: 'str'




  - id: 'get_user_info'
    type: 'plugin'
    plugin: 'plugin_user_info_by_tag_get'
    description: '根據(jù)用戶標簽獲取用戶詳細信息'
    inputs:
      tag: '{user_tag}'
    outputs:
      name: 'user_info'
      type: 'dict'




  - id: 'generate_marketing_article'
    type: 'plugin'
    plugin: 'plugin_marketing_article_generate'
    description: '生成適合目標用戶的營銷文章'
    inputs:
      topic: '{marketing_need}'
      audience: '{user_info[preferences]}'
    outputs:
      name: 'marketing_article'
      type: 'str'




  - id: 'send_sms'
    type: 'plugin'
    plugin: 'plugin_sms_send'
    description: '發(fā)送營銷短信給用戶'
    inputs:
      mobile: '{user_info[mobile]}'
      subject: '最新產(chǎn)品推薦'
      body: '{marketing_article}'
    outputs:
      name: 'sms_status'
      type: 'bool'




  - id: 'output_step'
    type: 'output'
    description: '輸出短信發(fā)送狀態(tài)'
    inputs:
      sms_status: '{sms_status}'
    output:
      description: '短信發(fā)送是否成功'
      example: true