""" 千问大模型集成模块 支持千问API的智能分析功能 """ import requests import json import os from typing import Dict, List, Optional, Any from dataclasses import dataclass import logging from datetime import datetime logger = logging.getLogger(__name__) @dataclass class LLMConfig: """大模型配置""" provider: str api_key: str base_url: str model: str temperature: float = 0.7 max_tokens: int = 2000 class QwenLLMClient: """千问大模型客户端""" def __init__(self, config: LLMConfig): self.config = config self.session = requests.Session() self.session.headers.update({ 'Authorization': f'Bearer {config.api_key}', 'Content-Type': 'application/json' }) def chat_completion(self, messages: List[Dict[str, str]], **kwargs) -> Optional[Dict]: """聊天完成""" try: # 构建请求数据 data = { 'model': self.config.model, 'messages': messages, 'temperature': kwargs.get('temperature', self.config.temperature), 'max_tokens': kwargs.get('max_tokens', self.config.max_tokens), 'stream': False } # 发送请求 response = self.session.post( f"{self.config.base_url}/chat/completions", json=data, timeout=30 ) if response.status_code == 200: return response.json() else: logger.error(f"千问API请求失败: {response.status_code} - {response.text}") return None except Exception as e: logger.error(f"千问API调用失败: {e}") return None def analyze_user_intent(self, user_input: str, user_context: Dict) -> Dict[str, Any]: """分析用户意图""" system_prompt = """ 你是一个专业的营养师和心理学专家，擅长分析用户的饮食需求和心理状态。 你的任务是： 1. 深度理解用户的真实需求，不仅仅是表面的话语 2. 考虑用户的生理状态、情绪状态、历史偏好等多维度因素 3. 提供个性化的饮食建议 4. 特别关注女性用户的生理周期对饮食需求的影响 分析时要： - 透过现象看本质，理解用户的真实意图 - 综合考虑生理、心理、社会等多重因素 - 提供科学、实用、个性化的建议 - 保持专业性和同理心 请以JSON格式返回分析结果，包含以下字段： - user_intent: 用户真实意图 - emotional_state: 情绪状态 - nutritional_needs: 营养需求列表 - recommended_foods: 推荐食物列表 - reasoning: 推荐理由 - confidence: 置信度(0-1) """ user_prompt = f""" 请分析以下用户输入的真实需求和意图： 用户输入: "{user_input}" 用户背景信息: - 姓名: {user_context.get('name', '未知')} - 年龄: {user_context.get('age', '未知')} - 性别: {user_context.get('gender', '未知')} - 身高体重: {user_context.get('height', '未知')}cm, {user_context.get('weight', '未知')}kg - 活动水平: {user_context.get('activity_level', '未知')} 口味偏好: {json.dumps(user_context.get('taste_preferences', {}), ensure_ascii=False, indent=2)} 饮食限制: - 过敏: {', '.join(user_context.get('allergies', []))} - 不喜欢: {', '.join(user_context.get('dislikes', []))} - 饮食偏好: {', '.join(user_context.get('dietary_preferences', []))} 最近3天饮食记录: {self._format_meal_history(user_context.get('recent_meals', []))} 用户反馈历史: {self._format_feedback_history(user_context.get('feedback_history', []))} 当前情况: - 日期: {datetime.now().strftime('%Y-%m-%d')} - 生理状态: {json.dumps(user_context.get('physiological_state', {}), ensure_ascii=False)} 请从以下维度分析用户需求: 1. **真实意图分析**: 用户真正想要什么？是饿了、馋了、还是需要特定营养？ 2. **情绪状态**: 用户当前的情绪如何？压力大、开心、疲惫、焦虑等？ 3. **生理需求**: 基于用户的身体状况、生理周期等，需要什么营养？ 4. **口味偏好**: 基于历史数据和当前状态，推测用户可能的口味偏好 5. **饮食限制**: 考虑过敏、不喜欢、饮食偏好等限制 6. **推荐食物**: 基于以上分析，推荐3-5种合适的食物 7. **推荐理由**: 解释为什么推荐这些食物 8. **置信度**: 对分析的信心程度 (0-1) 请以JSON格式返回分析结果。 """ messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_prompt} ] response = self.chat_completion(messages, temperature=0.3) if response and 'choices' in response: content = response['choices'][0]['message']['content'] return self._parse_analysis_result(content) else: return self._get_fallback_analysis(user_input, user_context) def analyze_nutrition(self, meal_data: Dict, user_context: Dict) -> Dict[str, Any]: """分析营养状况""" system_prompt = """ 你是一个专业的营养师，擅长分析餐食的营养价值和健康建议。 你的任务是： 1. 分析餐食的营养均衡性 2. 评估热量是否合适 3. 识别缺少的营养素 4. 提供改进建议 5. 考虑用户的个人情况 分析时要： - 基于科学的营养学知识 - 考虑用户的年龄、性别、体重、活动水平等因素 - 提供具体可行的建议 - 保持客观和专业 请以JSON格式返回分析结果，包含以下字段： - nutrition_balance: 营养均衡性评估 - calorie_assessment: 热量评估 - missing_nutrients: 缺少的营养素列表 - improvements: 改进建议列表 - recommendations: 个性化建议列表 - confidence: 置信度(0-1) """ user_prompt = f""" 请分析以下餐食的营养状况： 餐食信息: - 食物: {', '.join(meal_data.get('foods', []))} - 分量: {', '.join(meal_data.get('quantities', []))} - 热量: {meal_data.get('calories', '未知')}卡路里 用户信息: - 年龄: {user_context.get('age', '未知')} - 性别: {user_context.get('gender', '未知')} - 身高体重: {user_context.get('height', '未知')}cm, {user_context.get('weight', '未知')}kg - 活动水平: {user_context.get('activity_level', '未知')} - 健康目标: {', '.join(user_context.get('health_goals', []))} 请分析： 1. 营养均衡性 2. 热量是否合适 3. 缺少的营养素 4. 建议改进的地方 5. 个性化建议 请以JSON格式返回分析结果。 """ messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_prompt} ] response = self.chat_completion(messages, temperature=0.2) if response and 'choices' in response: content = response['choices'][0]['message']['content'] return self._parse_nutrition_analysis(content) else: return self._get_fallback_nutrition_analysis(meal_data, user_context) def analyze_physiological_state(self, profile: Dict, cycle_info: Dict) -> Dict[str, Any]: """分析生理状态""" system_prompt = """ 你是专业的女性健康专家，了解生理周期对营养需求的影响。 你的任务是： 1. 分析女性用户的生理周期状态 2. 评估当前阶段的营养需求 3. 提供针对性的饮食建议 4. 考虑情绪和食欲的变化 5. 提供个性化建议 分析时要： - 基于科学的生理学知识 - 考虑个体差异 - 提供温和、实用的建议 - 保持专业和同理心 请以JSON格式返回分析结果，包含以下字段： - physiological_state: 生理状态描述 - nutritional_needs: 营养需求列表 - foods_to_avoid: 需要避免的食物列表 - emotional_changes: 情绪变化描述 - appetite_changes: 食欲变化描述 - recommendations: 个性化建议列表 - confidence: 置信度(0-1) """ user_prompt = f""" 作为专业的女性健康专家，请分析以下用户的生理状态和营养需求： 用户信息: - 年龄: {profile.get('age', '未知')} - 身高体重: {profile.get('height', '未知')}cm, {profile.get('weight', '未知')}kg - 月经周期长度: {profile.get('menstrual_cycle_length', '未知')}天 - 上次月经: {profile.get('last_period_date', '未知')} 当前生理周期状态: - 周期阶段: {cycle_info.get('phase', '未知')} - 距离下次月经: {cycle_info.get('days_to_next_period', '未知')}天 请分析： 1. 当前生理状态对营养需求的影响 2. 建议补充的营养素 3. 需要避免的食物 4. 情绪和食欲的变化 5. 个性化建议 请以JSON格式返回分析结果。 """ messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_prompt} ] response = self.chat_completion(messages, temperature=0.2) if response and 'choices' in response: content = response['choices'][0]['message']['content'] return self._parse_physiological_analysis(content, cycle_info) else: return self._get_fallback_physiological_analysis(cycle_info) def generate_meal_suggestion(self, meal_type: str, preferences: Dict, user_context: Dict) -> Dict[str, Any]: """生成餐食建议""" system_prompt = """ 你是一个专业的营养师和厨师，擅长根据用户需求推荐合适的餐食。 你的任务是： 1. 根据用户的口味偏好推荐食物 2. 考虑饮食限制和过敏情况 3. 提供营养均衡的建议 4. 考虑用户的健康目标 5. 提供实用的制作建议 推荐时要： - 基于营养学原理 - 考虑用户的个人喜好 - 提供多样化的选择 - 保持实用性和可操作性 请以JSON格式返回建议，包含以下字段： - recommended_foods: 推荐食物列表 - reasoning: 推荐理由 - nutrition_tips: 营养搭配建议列表 - cooking_suggestions: 制作建议列表 - confidence: 置信度(0-1) """ user_prompt = f""" 请为以下用户推荐{meal_type}： 用户信息: - 姓名: {user_context.get('name', '未知')} - 年龄: {user_context.get('age', '未知')} - 性别: {user_context.get('gender', '未知')} - 身高体重: {user_context.get('height', '未知')}cm, {user_context.get('weight', '未知')}kg 口味偏好: {json.dumps(user_context.get('taste_preferences', {}), ensure_ascii=False)} 饮食限制: 过敏({', '.join(user_context.get('allergies', []))}), 不喜欢({', '.join(user_context.get('dislikes', []))}) 健康目标: {', '.join(user_context.get('health_goals', []))} 特殊偏好: {json.dumps(preferences, ensure_ascii=False)} 请推荐： 1. 3-5种适合的食物 2. 推荐理由 3. 营养搭配建议 4. 制作建议 请以JSON格式返回建议。 """ messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_prompt} ] response = self.chat_completion(messages, temperature=0.4) if response and 'choices' in response: content = response['choices'][0]['message']['content'] return self._parse_meal_suggestion(content) else: return self._get_fallback_meal_suggestion(meal_type, user_context) def _format_meal_history(self, meals: List[Dict]) -> str: """格式化餐食历史""" if not meals: return "暂无饮食记录" formatted = [] for meal in meals: foods = ', '.join(meal.get('foods', [])) satisfaction = meal.get('satisfaction_score', '未知') formatted.append(f"- {meal.get('date', '')} {meal.get('meal_type', '')}: {foods} (满意度: {satisfaction})") return '\n'.join(formatted) def _format_feedback_history(self, feedbacks: List[Dict]) -> str: """格式化反馈历史""" if not feedbacks: return "暂无反馈记录" formatted = [] for feedback in feedbacks: recommended = ', '.join(feedback.get('recommended_foods', [])) choice = feedback.get('user_choice', '未知') feedback_type = feedback.get('feedback_type', '未知') formatted.append(f"- 推荐: {recommended} | 选择: {choice} | 反馈: {feedback_type}") return '\n'.join(formatted) def _parse_analysis_result(self, analysis_text: str) -> Dict[str, Any]: """解析分析结果""" try: # 尝试提取JSON部分 start_idx = analysis_text.find('{') end_idx = analysis_text.rfind('}') + 1 if start_idx != -1 and end_idx != -1: json_str = analysis_text[start_idx:end_idx] result_dict = json.loads(json_str) return { 'success': True, 'user_intent': result_dict.get('user_intent', ''), 'emotional_state': result_dict.get('emotional_state', ''), 'nutritional_needs': result_dict.get('nutritional_needs', []), 'recommended_foods': result_dict.get('recommended_foods', []), 'reasoning': result_dict.get('reasoning', ''), 'confidence': result_dict.get('confidence', 0.5) } except Exception as e: logger.error(f"解析分析结果失败: {e}") return self._get_fallback_analysis("", {}) def _parse_nutrition_analysis(self, analysis_text: str) -> Dict[str, Any]: """解析营养分析结果""" try: start_idx = analysis_text.find('{') end_idx = analysis_text.rfind('}') + 1 if start_idx != -1 and end_idx != -1: json_str = analysis_text[start_idx:end_idx] result_dict = json.loads(json_str) return { 'success': True, 'nutrition_balance': result_dict.get('nutrition_balance', ''), 'calorie_assessment': result_dict.get('calorie_assessment', ''), 'missing_nutrients': result_dict.get('missing_nutrients', []), 'improvements': result_dict.get('improvements', []), 'recommendations': result_dict.get('recommendations', []), 'confidence': result_dict.get('confidence', 0.5) } except Exception as e: logger.error(f"解析营养分析结果失败: {e}") return self._get_fallback_nutrition_analysis({}, {}) def _parse_physiological_analysis(self, analysis_text: str, cycle_info: Dict) -> Dict[str, Any]: """解析生理状态分析结果""" try: start_idx = analysis_text.find('{') end_idx = analysis_text.rfind('}') + 1 if start_idx != -1 and end_idx != -1: json_str = analysis_text[start_idx:end_idx] result_dict = json.loads(json_str) return { 'success': True, 'physiological_state': result_dict.get('physiological_state', cycle_info.get('phase', '')), 'nutritional_needs': result_dict.get('nutritional_needs', []), 'foods_to_avoid': result_dict.get('foods_to_avoid', []), 'emotional_changes': result_dict.get('emotional_changes', ''), 'appetite_changes': result_dict.get('appetite_changes', ''), 'recommendations': result_dict.get('recommendations', []), 'cycle_info': cycle_info, 'confidence': result_dict.get('confidence', 0.5) } except Exception as e: logger.error(f"解析生理分析结果失败: {e}") return self._get_fallback_physiological_analysis(cycle_info) def _parse_meal_suggestion(self, suggestion_text: str) -> Dict[str, Any]: """解析餐食建议结果""" try: start_idx = suggestion_text.find('{') end_idx = suggestion_text.rfind('}') + 1 if start_idx != -1 and end_idx != -1: json_str = suggestion_text[start_idx:end_idx] result_dict = json.loads(json_str) return { 'success': True, 'recommended_foods': result_dict.get('recommended_foods', []), 'reasoning': result_dict.get('reasoning', ''), 'nutrition_tips': result_dict.get('nutrition_tips', []), 'cooking_suggestions': result_dict.get('cooking_suggestions', []), 'confidence': result_dict.get('confidence', 0.5) } except Exception as e: logger.error(f"解析餐食建议结果失败: {e}") return self._get_fallback_meal_suggestion("lunch", {}) def _get_fallback_analysis(self, user_input: str, user_context: Dict) -> Dict[str, Any]: """获取备用分析结果""" return { 'success': True, 'user_intent': '需要饮食建议', 'emotional_state': '正常', 'nutritional_needs': ['均衡营养'], 'recommended_foods': ['米饭', '蔬菜', '蛋白质'], 'reasoning': '基于基础营养需求', 'confidence': 0.3 } def _get_fallback_nutrition_analysis(self, meal_data: Dict, user_context: Dict) -> Dict[str, Any]: """获取备用营养分析结果""" return { 'success': True, 'nutrition_balance': '基本均衡', 'calorie_assessment': '适中', 'missing_nutrients': [], 'improvements': ['增加蔬菜摄入'], 'recommendations': ['保持均衡饮食'], 'confidence': 0.3 } def _get_fallback_physiological_analysis(self, cycle_info: Dict) -> Dict[str, Any]: """获取备用生理状态分析结果""" return { 'success': True, 'physiological_state': cycle_info.get('phase', '正常'), 'nutritional_needs': ['均衡营养'], 'foods_to_avoid': [], 'emotional_changes': '正常', 'appetite_changes': '正常', 'recommendations': ['保持规律饮食'], 'cycle_info': cycle_info, 'confidence': 0.3 } def _get_fallback_meal_suggestion(self, meal_type: str, user_context: Dict) -> Dict[str, Any]: """获取备用餐食建议结果""" return { 'success': True, 'recommended_foods': ['米饭', '蔬菜', '蛋白质'], 'reasoning': '营养均衡的基础搭配', 'nutrition_tips': ['注意营养搭配'], 'cooking_suggestions': ['简单烹饪'], 'confidence': 0.3 } # 千问配置 - 使用统一API密钥管理 def get_qwen_config() -> LLMConfig: """获取千问配置""" from config.api_keys import get_qwen_key api_key = get_qwen_key() if not api_key: raise ValueError("千问API密钥未配置，请在.env文件中设置QWEN_API_KEY") base_url = os.getenv('QWEN_BASE_URL', 'https://dashscope.aliyuncs.com/compatible-mode/v1') model = os.getenv('QWEN_MODEL', 'qwen-plus-latest') return LLMConfig( provider="qwen", api_key=api_key, base_url=base_url, model=model, temperature=0.7, max_tokens=2000 ) # 全局千问客户端实例 qwen_client: Optional[QwenLLMClient] = None def get_qwen_client() -> QwenLLMClient: """获取千问客户端实例""" global qwen_client if qwen_client is None: config = get_qwen_config() qwen_client = QwenLLMClient(config) return qwen_client # 便捷函数 def analyze_user_intent_with_qwen(user_input: str, user_context: Dict) -> Dict[str, Any]: """使用千问分析用户意图""" client = get_qwen_client() return client.analyze_user_intent(user_input, user_context) def analyze_nutrition_with_qwen(meal_data: Dict, user_context: Dict) -> Dict[str, Any]: """使用千问分析营养状况""" client = get_qwen_client() return client.analyze_nutrition(meal_data, user_context) def analyze_physiological_state_with_qwen(profile: Dict, cycle_info: Dict) -> Dict[str, Any]: """使用千问分析生理状态""" client = get_qwen_client() return client.analyze_physiological_state(profile, cycle_info) def generate_meal_suggestion_with_qwen(meal_type: str, preferences: Dict, user_context: Dict) -> Dict[str, Any]: """使用千问生成餐食建议""" client = get_qwen_client() return client.generate_meal_suggestion(meal_type, preferences, user_context) if __name__ == "__main__": # 测试千问大模型集成 print("测试千问大模型集成...") # 测试用户意图分析 user_input = "我今天有点累，想吃点甜的，但是又怕胖" user_context = { 'name': '小美', 'age': 25, 'gender': '女', 'height': 165, 'weight': 55, 'taste_preferences': {'sweet': 4, 'salty': 3, 'spicy': 2}, 'allergies': ['花生'], 'dislikes': ['内脏'], 'recent_meals': [], 'feedback_history': [] } result = analyze_user_intent_with_qwen(user_input, user_context) print(f"用户意图分析结果: {result}") print("千问大模型集成测试完成！")