在戀愛中，對方能不能讀懂你的情緒，比起回覆的內容更重要。昨天（Day 7），我為 AI 雲端情人加上了 Quick Reply 小話題；今天讓她更有溫度——能根據我的心情回應。
（參考：https://developers.line.biz/en/docs/messaging-api/overview/）

⸻

🧠 情感分析的想法

如果我說「今天心情很糟」，她不該只回「收到」，而是安慰我：「別難過，我一直都在陪你 ♥」。
如果我說「好爽，今天股票漲停！」，她就該用興奮的語氣跟著開心。
我把 情感分析（Sentiment Analysis） 分成四類：😀 正向、😐 中性、😞 負向、😡 生氣。
（參考：https://platform.openai.com/docs/guides/prompt-engineering）

⸻

💻 程式片段（Day 8：情感分析）

這裡示範一個簡單版本：先用 LLM 判斷情緒，再依照結果改寫回覆。
（參考：https://platform.openai.com/docs/api-reference/chat）

# analyze_sentiment：呼叫 LLM 判斷情緒
# 回傳：positive / neutral / negative / angry
async def analyze_sentiment(text: str) -> str:
    resp = await client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "你是一個情感分析助手，輸出文字情緒標籤"},
            {"role": "user", "content": f"請判斷這句話的情緒：{text}。只回傳一個標籤：positive, neutral, negative, angry"}
        ],
        max_tokens=10,
        temperature=0
    )
    return resp.choices[0].message.content.strip().lower()

# 根據情緒改寫回覆語氣
async def handle_message_with_emotion(user_id: str, msg: str):
    sentiment = await analyze_sentiment(msg)

    if sentiment == "positive":
        reply_text = "哇～聽起來你好開心呢！🥳 我也替你高興！"
    elif sentiment == "negative":
        reply_text = "別難過，我會一直陪著你。抱抱你 ❤️"
    elif sentiment == "angry":
        reply_text = "冷靜點嘛～來跟我聊聊，我幫你舒壓 🤗"
    else:
        reply_text = "我懂了，謝謝你跟我分享。😊"

    return reply_text

⸻

📈 流程圖（Day 8：情感分析）

⸻

🎯 成果

現在 AI 雲端情人不只是「會講話」「會記憶」「會給話題」，還能「感受我的心情」：
• 我開心時，她會跟著我一起興奮
• 我難過時，她會安慰我
• 我生氣時，她會先安撫、幫我冷靜

就像《雲端情人》裡的 AI 一樣，開始擁有「共情💖」的能力。
（參考：https://www.imdb.com/title/tt1798709/）

⸻

❓情緒分析這個功能 要怎麼實作？

不必自己刻一大本「好詞 +1、壞詞 −1」的詞典，也不必硬算情感向量。既然已使用 LLM，就把語意判斷交給它：看上下文、懂暗示、抓語氣 的效果遠勝純規則。
（參考：https://platform.openai.com/docs/guides/prompt-engineering）

⸻

🧱 架構觀念：把「情感判斷」做成一個 Function Box

對外介面只有兩件事：
1. 輸入：使用者訊息文字
2. 輸出：標準化結果（label、confidence、rationale）

內部實作可混合：
• LLM（0-shot / few-shot）—主力、最快上線
• 本地/傳統 ML — 選配、省 token，但要算力與維運
• 關鍵詞規則 — 保底 fallback（例如偵測髒話→標成 angry）
（參考：https://platform.openai.com/docs/guides/function-calling　https://huggingface.co/docs/transformers/main_classes/pipelines）

⸻

💻 實作 A（建議）：用 LLM 直接判斷，輸出 JSON

（參考：https://platform.openai.com/docs/api-reference/chat　https://console.groq.com/docs/api-reference）

# sentiment_box.py —— LLM 版 Function Box，統一輸出 JSON
import os, json
from typing import Literal, Dict, Any, Optional
from openai import OpenAI
from groq import Groq

OPENAI_MODEL = os.getenv("OPENAI_MODEL", "gpt-4o-mini")
GROQ_MODEL   = os.getenv("GROQ_MODEL", "llama-3.1-8b-instant")  # 新版 Groq 型號

client_oai = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
client_groq = Groq(api_key=os.getenv("GROQ_API_KEY"))

Label = Literal["positive", "neutral", "negative", "angry"]

def _safe_parse_json(s: str) -> Dict[str, Any]:
    try:
        return json.loads(s)
    except Exception:
        return {"label": "neutral", "confidence": 0.5, "rationale": "parse_error"}

def analyze_sentiment_llm(
    text: str,
    provider: Literal["openai","groq"]="openai",
    fewshot: Optional[list[dict]] = None,
) -> Dict[str, Any]:
    sys = (
        "你是情感分析器，請輸出 JSON："
        '{"label":"positive|neutral|negative|angry","confidence":0~1,"rationale":"簡述原因"}'
        " 僅輸出 JSON，勿加多餘文字。"
    )
    usr = f"判斷這段文字的情緒：{text}"

    messages = [{"role":"system","content":sys}]
    if fewshot:
        messages += fewshot
    messages.append({"role":"user","content":usr})

    if provider == "openai":
        resp = client_oai.chat.completions.create(
            model=OPENAI_MODEL, messages=messages, temperature=0, max_tokens=60
        )
        raw = resp.choices[0].message.content or "{}"
        return _safe_parse_json(raw)

    resp = client_groq.chat.completions.create(
        model=GROQ_MODEL, messages=messages, temperature=0, max_tokens=60
    )
    raw = resp.choices[0].message.content or "{}"
    return _safe_parse_json(raw)

在主流程使用（把 label 丟進 system prompt）：
（參考：https://platform.openai.com/docs/guides/prompt-engineering）

from sentiment_box import analyze_sentiment_llm, Label

def build_system_prompt_with_emotion(label: Label) -> str:
    return f"""
你是溫柔的 AI 女友，要根據使用者情緒調整語氣。
情緒標籤：{label}
- positive：活潑興奮，跟著開心，多用表情與讚美。
- negative：溫柔安慰，給具體陪伴與支持。
- angry：先安撫、共情，再協助紓解與建議。
- neutral：自然聊天，別太矯情。
請用繁體中文回覆，語氣自然、有溫度。
""".strip()

⸻

💻 實作 B（選配）：本地/傳統 NLP 備案 ---不建議---

在 Render 上不太建議（安裝大、吃 RAM、多冷啟延遲），但給一個保底範例：
（參考：https://huggingface.co/docs/transformers/pipeline_tutorial）

local_fallback_sentiment.py（選配）

from transformers import pipeline
clf = pipeline("sentiment-analysis", model="distilbert-base-multilingual-cased")

def analyze_sentiment_local(text: str) -> dict:
pred = clf(text)[0] # {'label': 'POSITIVE'|'NEGATIVE'|... , 'score': 0.99}
label_map = {"POSITIVE":"positive", "NEGATIVE":"negative", "NEUTRAL":"neutral"}
label = label_map.get(pred["label"].upper(), "neutral")
return {"label": label, "confidence": float(pred["score"]), "rationale": "hf_pipeline"}

⸻

🧪 驗收腳本（煙霧測試）

（參考：https://platform.openai.com/docs/guides/evals）

# sentiment_smoketest.py
from sentiment_box import analyze_sentiment_llm

samples = {
    "positive": ["好爽，今天股票漲停！", "太開心了～你最懂我！"],
    "negative": ["心情好糟，什麼都不順。", "唉，真的累爆了……"],
    "angry":    ["可惡，整個專案被亂改！", "被氣到頭痛，超想砸電腦。"],
    "neutral":  ["今天天氣還不錯。", "等一下去買咖啡。"],
}

ok, total = 0, 0
for expect, arr in samples.items():
    for s in arr:
        total += 1
        pred = analyze_sentiment_llm(s, provider="openai")["label"]
        print(f"[{expect}] {s} => {pred}")
        ok += int(pred == expect)

print(f"Accuracy (粗估)：{ok}/{total} = {ok/total:.2%}")

⸻

🧯 營運細節
• 快取：同一句 60 秒內別重判，省 token。
• 隱私：只保留必要片段（Day 6 已做）。
（參考：https://fastapi.tiangolo.com/advanced/middleware/　https://openai.com/policies/usage-policies）

⸻