import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    # 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
    model="qwen-plus",
    messages=[
        {"role": "system", "content": "你是一个专业的技术研究员"},
        {"role": "user", "content": "我是HealerJean，帮我找下网上关于他的一些信息"},
    ]
)
print(completion.model_dump_json())

import requests
import json
import os

# 从环境变量获取API密钥
API_KEY = os.environ.get("DASHSCOPE_API_KEY")
if not API_KEY:
    print("请先设置环境变量: export DASHSCOPE_API_KEY='sk-你的密钥'")
    exit(1)

# OpenAI兼容模式API端点
URL = "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json",
    "X-DashScope-SSE": "enable"  # 必须的兼容模式头
}

# 简洁的请求结构
payload = {
    "model": "qwen-plus",
    "messages": [
        {"role": "system", "content": "你是一个专业的技术研究员"},
        {"role": "user", "content": "我是HealerJean，帮我找下网上关于他的一些信息"}
    ],
    "temperature": 0.3,  # 0.0-1.0，值越低回复越确定
    "max_tokens": 2000   # 最大回复长度
}

try:
    response = requests.post(URL, headers=headers, json=payload, timeout=30)
    response.raise_for_status()  # 检查HTTP错误
    
    result = response.json()
    print(result)

except Exception as e:
    print(f"错误: {str(e)}")
    if hasattr(e, 'response') and e.response is not None:
        print(f"详细错误: {e.response.text}")

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

prompt = """
请分析以下句子的情感倾向，并给出评分（-1 到 1）：
- 很开心能参加这次会议。
- 这个产品太差了，根本不好用。
- 一般般吧，还可以接受。

格式如下：
句子：xxx
情感：积极 / 消极 / 中性
得分：xx
"""


response = client.chat.completions.create(  # ← 关键：完整调用路径
    model="qwen-plus",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.3
)

print(response.choices[0].message.content)

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

prompt = """
请分析以下文本的情感，并返回 JSON 格式结果：
{
  "text": "原文",
  "sentiment": "positive/negative/neutral",
  "confidence": 0.0 ~ 1.0,
  "summary": "一句话总结"
}

文本：这部电影真的太棒了，演员演技炸裂，剧情紧凑，强烈推荐！
"""


response = client.chat.completions.create(  # ← 关键：完整调用路径
    model="qwen-plus",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.3
)

print(response.choices[0].message.content)

└─[$] python3 qwen_first.py                                                                                                                      [15:02:44]
{
  "text": "这部电影真的太棒了，演员演技炸裂，剧情紧凑，强烈推荐！",
  "sentiment": "positive",
  "confidence": 0.99,
  "summary": "对电影给予高度评价，表达强烈的喜爱和推荐。"
}

import os
from openai import OpenAI
import json

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

comments = [
    "物流很快，商品质量很好，满意！",
    "客服态度差，退换货麻烦，不推荐。",
    "一般吧，没什么特别的。",
    "性价比超高，下次还买！"
]

for comment in comments:
    prompt = f"""
请严格按以下 JSON 格式分析情感，不要输出任何其他内容：
{
  "text": "{comment}",
  "sentiment": "positive/negative/neutral",
  "confidence": 0.0~1.0,
  "summary": "一句话总结"
}
"""

    response = client.chat.completions.create(  # 缩进到循环内
        model="qwen-plus",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3
    )    
    print(response.choices[0].message.content)

└─[$] python3 qwen_first.py                                                                                                                      [15:09:47]
{
  "text": "物流很快，商品质量很好，满意！",
  "sentiment": "positive",
  "confidence": 0.99,
  "summary": "用户对物流速度和商品质量表示满意，整体体验良好。"
}
{
  "text": "客服态度差，退换货麻烦，不推荐。",
  "sentiment": "negative",
  "confidence": 0.98,
  "summary": "用户对客服态度和退换货流程表示不满，整体评价负面。"
}
{
  "text": "一般吧，没什么特别的。",
  "sentiment": "neutral",
  "confidence": 0.95,
  "summary": "表达对事物平淡无奇的看法，情感倾向中性。"
}
{
  "text": "性价比超高，下次还买！",
  "sentiment": "positive",
  "confidence": 0.99,
  "summary": "用户对产品性价比非常满意，表达强烈购买意愿。"
}

import os
from openai import OpenAI
import json

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)



system_prompt = """
你是一个专业的客服助手，负责回答用户的咨询问题。
请保持礼貌、专业、简洁。
如果不知道答案，请说：“这个问题我暂时无法回答，请联系人工客服。”
"""
messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user", "content": "你们几点上班？"},
    {"role": "assistant", "content": "我们工作时间为每天 9:00 - 18:00。"},
    {"role": "user", "content": "怎么退款？"}
]


response = client.chat.completions.create(  # 缩进到循环内
    model="qwen-plus",
    messages=messages,
    temperature=0.3
)    
print(response.choices[0].message.content)

# app.py
import os
import streamlit as st
from openai import OpenAI
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()
api_key = os.getenv("DASHSCOPE_API_KEY")  # 注意：这里建议改名为 DASHSCOPE_API_KEY，但保留也可
if not api_key:
    st.error("请在环境变量中中设置 DASHSCOPE_API_KEY")
    st.stop()

# 使用 OpenAI SDK 初始化客户端，指向 DashScope
client = OpenAI(
    api_key = api_key,
    base_url= "https://dashscope.aliyuncs.com/compatible-mode/v1",
)

# 设置页面标题
st.set_page_config(page_title="📝 智能写作助手", layout="centered")
st.title("📝 智能写作助手")
st.markdown("基于通义千问（Qwen）的 AI 写作工具，输入主题，自动生成文章。")

# 用户输入
topic = st.text_input("请输入写作主题（例如：人工智能的未来）", placeholder="人工智能的未来")

# 生成按钮
if st.button("🚀 生成文章"):
    if not topic.strip():
        st.warning("请输入一个主题！")
    else:
        with st.spinner("正在生成内容，请稍候..."):
            try:
                prompt = f"""
                            你是一位专业的内容创作者，请围绕以下主题写一篇 300 字左右的短文：
                            主题：{topic}

                            要求：
                            - 语言流畅，逻辑清晰
                            - 包含开头、主体、结尾
                            - 不要使用 markdown 格式
                            - 直接输出正文
                            """
                # 调用 DashScope 的 Qwen 模型（通过 OpenAI SDK）
                response = client.chat.completions.create(
                    model="qwen-max",  # 支持 qwen-plus / qwen-max / qwen-turbo
                    messages=[{"role": "user", "content": prompt}],
                    temperature= 0.7,
                    max_tokens= 500,
                )
                content = response.choices[0].message.content
                st.subheader("📖 生成结果")
                st.write(content)
                
                # 提供下载按钮
                st.download_button(
                    label="💾 下载为 .txt",
                    data=content,
                    file_name=f"{topic}.txt",
                    mime="text/plain"
                )
            except Exception as e:
                st.error(f"出错了：{str(e)}")

└─[$] streamlit run qwen_first.py                                                                                                                [16:38:42]


      👋 Welcome to Streamlit!

      If you'd like to receive helpful onboarding emails, news, offers, promotions,
      and the occasional swag, please enter your email address below. Otherwise,
      leave this field blank.

      Email: healerjean@163.com
└─[$] streamlit run qwen_first.py                                                                                                                [16:57:29]


  You can now view your Streamlit app in your browser.

  Local URL: http://localhost:8504
  Network URL: http://10.254.65.167:8504

  For better performance, install the Watchdog module:

  $ xcode-select --install
  $ pip install watchdog
            
    

# sentiment_clustering.py
import os
import numpy as np
from openai import OpenAI
from sklearn.cluster import KMeans

# 初始化 OpenAI 兼容客户端（指向阿里云 DashScope）
client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)


# === 文本数据 ===
texts = [
    "今天天气真好",
    "阳光明媚，心情愉快",
    "下雨了，有点烦",
    "外面刮风了，很冷",
    "我很开心，因为放假了"
]

# === 步骤1：获取 Embedding 向量 ===
print("正在获取文本向量...")
embeddings = []
for text in texts:
    response = client.embeddings.create(
        model="text-embedding-v2",  # DashScope 官方 embedding 模型
        input=text
    )
    embeddings.append(response.data[0].embedding)

# 转为 NumPy 数组（KMeans 需要）
X = np.array(embeddings)

# === 步骤2：KMeans 聚类（分 2 类） 42《银河系漫游指南》终极答案===
kmeans = KMeans(n_clusters=2, random_state=42)
labels = kmeans.fit_predict(X)

# === 步骤3：输出结果 ===
print("\n聚类结果：")
for i, label in enumerate(labels):
    print(f"文本{i}: {texts[i]} -> 类别{label}")

# sentiment_clustering.py
import os
import numpy as np
from openai import OpenAI
from sklearn.cluster import KMeans

# 初始化 OpenAI 兼容客户端（指向阿里云 DashScope）
client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)



# === 步骤 1：准备新闻标题 ===
news_titles = [
    "华为发布新款 Mate60 手机",
    "苹果股价创历史新高",
    "NBA 总决赛湖人夺冠",
    "央行宣布降准 0.5 个百分点",
    "特斯拉上海工厂扩产",
    "C罗加盟沙特联赛",
    "英伟达市值突破万亿美元",
    "美联储加息 25 个基点",
    "梅西率队赢得世界杯",
    "小米汽车明年量产",
    "A股三大指数集体上涨",
    "勇士队签下新秀合同"
]

# === 步骤 2：获取 Embedding 向量 ===
def get_embeddings(texts):
    embeddings = []
    for text in texts:
        response = client.embeddings.create(
            model="text-embedding-v2",  # DashScope 官方 embedding 模型
            input=text
        )
        embeddings.append(response.data[0].embedding)
    return np.array(embeddings)

print("正在获取文本向量...")
vectors = get_embeddings(news_titles)


# === 步骤 3：KMeans 聚类（分 3 类）===
n_clusters = 3
kmeans = KMeans(n_clusters=n_clusters, random_state=42)
labels = kmeans.fit_predict(vectors)

# 按标签分组
clusters = {}
for i, label in enumerate(labels):
    if label not in clusters:
        clusters[label] = []
    clusters[label].append(news_titles[i])


# === 步骤 4：用 Qwen 为每个类别命名 ===
print("\n正在为每个类别生成名称...\n")

for label, titles in clusters.items():
    # 取最多 3 条作为样本
    sample_titles = "\n".join(titles[:3])
    naming_prompt = f"""以下是一组新闻标题，请为这个类别起一个简洁的中文名称（2~4 个字）：
{sample_titles}

只输出类别名称，不要任何解释、标点或额外内容。"""

    response = client.chat.completions.create(
        model="qwen-plus",
        messages=[{"role": "user", "content": naming_prompt}],
        temperature=0.3,
        max_tokens=10
    )
    category_name = response.choices[0].message.content.strip().replace(" ", "").replace("”", "").replace("“", "")

    print(f"【{category_name}】")
    for t in titles:
        print(f" - {t}")
    print()