傳統(tǒng)腳本式對話的典型實現(xiàn)
def scripted_response(user_input):
    if "吃飯" in user_input:
        return "您想吃什么呢？"
    elif "吃藥" in user_input:
        return "請按時服用藥物。"
    else:
        return "我不太明白您的意思，請重新說一遍。"   卡死點

┌─────────────────────────────────────────────────────────┐
│                      端側(cè)（邊緣計算）                       │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐   │
│  │ 語音喚醒  │ │ 語音識別  │ │ 意圖識別  │ │ 本地緩存  │   │
│  └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘   │
│       │           │           │           │            │
│       └───────────┴───────────┴───────────┘            │
│                          │                               │
│                    ┌─────▼─────┐                         │
│                    │ 決策分發(fā)層 │                         │
│                    └─────┬─────┘                         │
│          ┌───────────────┼───────────────┐               │
│          ▼               ▼               ▼               │
│   ┌──────────┐    ┌──────────┐    ┌──────────┐         │
│   │ 本地任務(wù)  │    │ 云端請求  │    │ 緊急通道  │         │
│   │（提醒等） │    │（復(fù)雜推理）│    │（異常告警）│         │
│   └──────────┘    └────┬─────┘    └──────────┘         │
└───────────────────────┼─────────────────────────────────┘
                        │
                        ▼
┌─────────────────────────────────────────────────────────┐
│                      云端組件                            │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐   │
│  │ 大語言模型│ │ 用戶畫像  │ │ 知識圖譜  │ │ 數(shù)據(jù)存儲  │   │
│  │  (LLM)   │ │  系統(tǒng)    │ │  系統(tǒng)    │ │  系統(tǒng)    │   │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘   │
└─────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────┐
│                        用戶輸入（語音/文字）                    │
└─────────────────────────────┬───────────────────────────────┘
                              │
        ┌─────────────────────┼─────────────────────┐
        ▼                     ▼                     ▼
┌──────────────┐      ┌──────────────┐      ┌──────────────┐
│ 健康監(jiān)測Agent │      │ 情感陪伴Agent │      │ 生活輔助Agent │
│              │      │              │      │              │
│· 體征數(shù)據(jù)分析 │      │· 情緒識別    │      │· 訂餐/購物    │
│· 用藥提醒    │      │· 主動對話    │      │· 出行規(guī)劃    │
│· 異常預(yù)警    │      │· 記憶共鳴    │      │· 信息查詢    │
└──────┬───────┘      └──────┬───────┘      └──────┬───────┘
       │                     │                     │
       └─────────────────────┼─────────────────────┘
                             ▼
              ┌──────────────────────────┐
              │     仲裁器/融合器         │
              │  （沖突解決+優(yōu)先級排序）   │
              └──────────────────────────┘

 三個智能體并行評分
@dataclass
class HealthProfile:
    """用戶健康畫像"""
    age: int = 65
    mobility_score: float = 3.0   行動能力1-5
    chronic_diseases: List[str] = None   慢性病史

 智能體1：健康評估Agent
class HealthAgent:
    def evaluate(self, destination, user_profile):
        """評估目的地是否符合用戶健康狀況"""
        score = 0
        if destination.steps <= user_profile.stamina_limit:
            score += 0.4
        if destination.has_elevator or not destination.has_stairs:
            score += 0.3
        if destination.nearby_hospital <= 5:   5公里內(nèi)有醫(yī)院
            score += 0.3
        return score

 智能體2：安全評估Agent
class SafetyAgent:
    def evaluate(self, destination):
        """評估目的地安全性（天氣、醫(yī)療資源、人流密度）"""
         低于2星自動過濾
        return safety_score

 智能體3：興趣匹配Agent
class InterestAgent:
    def evaluate(self, destination, user_history):
        """匹配用戶歷史偏好"""
        return interest_score

 仲裁器：加權(quán)融合
class Moderator:
    def aggregate(self, scores, weights):
        """加權(quán)融合 + 安全兜底"""
        total = (scores['health']  weights['health'] +
                 scores['safety']  weights['safety'] +
                 scores['interest']  weights['interest'])
        return total

┌─────────────────────────────────────────────────────────┐
│                     AI養(yǎng)老助手（是什么）                   │
│          頂層應(yīng)用：陪伴 + 健康 + 生活 + 安全               │
└─────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────┐
│                   多智能體系統(tǒng)（怎么做）                   │
│         實現(xiàn)手段：Agent分工 + 協(xié)作機制 + 仲裁器           │
└─────────────────────────────────────────────────────────┘

 完整可運行的AI養(yǎng)老助手核心模塊
import openai
from dataclasses import dataclass
from typing import Optional, List
import json

 1. 用戶畫像配置（關(guān)鍵！個性化服務(wù)的核心）
@dataclass
class ElderlyProfile:
    user_id: str
    name: str
    age: int = 70
    chronic_diseases: List[str] = None   慢性病史
    medication_list: List[dict] = None    用藥清單
    interests: List[str] = None           興趣偏好
    emergency_contact: dict = None        緊急聯(lián)系人
    
    def to_context_string(self):
        """將用戶畫像轉(zhuǎn)換為Prompt上下文"""
        context = f"【用戶信息】姓名：{self.name}，年齡：{self.age}歲。"
        if self.chronic_diseases:
            context += f"健康狀況：患有{','.join(self.chronic_diseases)}。"
        if self.interests:
            context += f"興趣偏好：喜歡{','.join(self.interests)}。"
        return context


 2. 對話管理器
class EldercareDialogueManager:
    def __init__(self, api_key: str, model: str = "gpt-3.5-turbo"):
        openai.api_key = api_key
        self.model = model
        self.memory_window = 10   保留最近10輪對話作為短期記憶
        
    def build_prompt(self, user_query: str, profile: ElderlyProfile, 
                     history: List[dict]) -> str:
        """構(gòu)建包含用戶畫像和記憶的Prompt"""
        system_prompt = f"""你是一位專業(yè)的養(yǎng)老助手，服務(wù)于{profile.name}老人。
{profile.to_context_string()}

【重要規(guī)則】
1. 回答要溫暖、耐心、語速適中
2. 涉及用藥問題時，必須先詢問是否已遵醫(yī)囑
3. 檢測到用戶情緒低落時，主動提供情感支持
4. 涉及健康緊急情況時，明確提示聯(lián)系緊急聯(lián)系人
5. 不要使用復(fù)雜詞匯，避免反問句

【歷史對話】
{self._format_history(history)}

【用戶當(dāng)前問題】
{user_query}

請回復(fù)："""
        return system_prompt
    
    def _format_history(self, history: List[dict]) -> str:
        formatted = []
        for h in history[-self.memory_window:]:
            formatted.append(f"用戶：{h['user']}\n助手：{h['assistant']}")
        return "\n".join(formatted)
    
    def chat(self, user_query: str, profile: ElderlyProfile, 
             history: List[dict]) -> str:
        """核心對話處理邏輯"""
         第一步：意圖識別與安全檢測
        if "吃藥" in user_query and profile.medication_list:
             命中用藥提醒場景，走特殊處理邏輯
            return self._handle_medication_query(user_query, profile)
        
         第二步：構(gòu)建Prompt調(diào)用LLM
        prompt = self.build_prompt(user_query, profile, history)
        
         第三步：調(diào)用大模型生成回復(fù)
        try:
            response = openai.ChatCompletion.create(
                model=self.model,
                messages=[{"role": "user", "content": prompt}],
                temperature=0.7,   控制回復(fù)多樣性
                max_tokens=500
            )
            return response.choices[0].message.content
        except Exception as e:
             降級方案：返回預(yù)定義安全回復(fù)
            return "抱歉，我暫時無法回答這個問題。建議您聯(lián)系家人或撥打緊急電話。"
    
    def _handle_medication_query(self, query: str, profile: ElderlyProfile) -> str:
        """用藥提醒場景專用處理"""
         檢查是否需要緊急提醒
        return "請問您按時服用藥物了嗎？如果不確定，請先查看藥盒上的說明，或聯(lián)系醫(yī)生確認。"


 3. 主程序演示
if __name__ == "__main__":
     初始化
    manager = EldercareDialogueManager(api_key="your-api-key")
    
     創(chuàng)建用戶畫像（示例：75歲高血壓患者）
    profile = ElderlyProfile(
        user_id="1001",
        name="王奶奶",
        age=75,
        chronic_diseases=["高血壓", "關(guān)節(jié)炎"],
        medication_list=[{"name": "硝苯地平", "time": "07:00"}],
        interests=["京劇", "廣場舞"],
        emergency_contact={"name": "張明", "phone": "1380000"}
    )
    
    history = []
    
     測試對話
    user_queries = [
        "我今天血壓有點高，怎么辦？",
        "我想聽一段京劇",
        "這個降壓藥什么時候吃最好？"
    ]
    
    for query in user_queries:
        print(f"\n【用戶】{query}")
        response = manager.chat(query, profile, history)
        print(f"【助手】{response}")
        history.append({"user": query, "assistant": response})

用戶輸入
    │
    ▼
┌─────────────────────────────────────────┐
│ 1. 接收語音/文字輸入                      │
└───────────────┬─────────────────────────┘
                ▼
┌─────────────────────────────────────────┐
│ 2. 意圖識別                              │
│    ├── 用藥提醒場景？→ 特殊處理路徑      │
│    └── 普通對話場景？→ LLM路徑          │
└───────────────┬─────────────────────────┘
                ▼
┌─────────────────────────────────────────┐
│ 3. 構(gòu)建Prompt                            │
│    ├── 注入用戶畫像（慢性病、用藥等）    │
│    ├── 注入對話歷史（短期記憶）          │
│    └── 注入行為規(guī)則（安全約束）          │
└───────────────┬─────────────────────────┘
                ▼
┌─────────────────────────────────────────┐
│ 4. 調(diào)用LLM生成回復(fù)                       │
└───────────────┬─────────────────────────┘
                ▼
┌─────────────────────────────────────────┐
│ 5. 后處理：安全過濾 + 語音合成           │
└─────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────┐
│                    應(yīng)用層                                │
│  情感陪伴 | 健康監(jiān)測 | 生活輔助 | 安全預(yù)警 | 用藥提醒    │
└─────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────┐
│                    能力層                                │
│  LLM對話 | 語音識別ASR | 語音合成TTS | 計算機視覺CV     │
│  推薦系統(tǒng) | 知識圖譜 | 情緒識別 | 姿態(tài)識別              │
└─────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────┐
│                    支撐層                                │
│  邊緣計算 | 云端協(xié)同 | 分布式存儲 | 數(shù)據(jù)安全加密        │
└─────────────────────────────────────────────────────────┘