import outlines
from enum import Enum
from pydantic import BaseModel
from transformers import AutoTokenizer, AutoModelForCausalLM
from typing import List


MODEL_NAME = "microsoft/Phi-3-mini-4k-instruct"
model = outlines.from_transformers(
    AutoModelForCausalLM.from_pretrained(MODEL_NAME, device_map="auto"),
    AutoTokenizer.from_pretrained(MODEL_NAME)
)


def alert_manager(ticket):
    print("警报！", ticket)


class TicketPriority(str, Enum):
    low = "low"
    medium = "medium"
    high = "high"
    urgent = "urgent"

class ServiceTicket(BaseModel):
    priority: TicketPriority
    category: str
    requires_manager: bool
    summary: str
    action_items: List[str]


customer_email = """
主题：紧急 — 支付后仍无法访问账户

我3小时前支付了高级套餐费用，但至今仍无法使用任何功能。我已经多次尝试退出并重新登录，但这仍然无效。这种情况实在无法接受，因为我还有一个小时就要为客户做演示，急需使用分析仪表盘。请立即解决问题，否则请退还我的款项。
"""

prompt = f"""
<|im_start|>user
请分析这封客户邮件：

{customer_email}
<|im_end|>
<|im_start|>assistant
"""

ticket = model(
    prompt,
    ServiceTicket,
    max_new_tokens=500
)

# 使用结构化数据路由工单
ticket = ServiceTicket.model_validate_json(ticket)
if ticket.priority == "urgent" or ticket.requires_manager:
    alert_manager(ticket)

import outlines
from pydantic import BaseModel
from transformers import AutoTokenizer, AutoModelForCausalLM
from typing import List, Optional


MODEL_NAME = "microsoft/Phi-3-mini-4k-instruct"
model = outlines.from_transformers(
    AutoModelForCausalLM.from_pretrained(MODEL_NAME, device_map="auto"),
    AutoTokenizer.from_pretrained(MODEL_NAME)
)


def update_inventory(product, category, sub_category):
    print(f"已更新 {product.split(',')[0]}，归入 {category}/{sub_category} 类别")


class ProductCategory(BaseModel):
    main_category: str
    sub_category: str
    attributes: List[str]
    brand_match: Optional[str]

# 批量处理产品描述
product_descriptions = [
    "苹果 iPhone 15 Pro Max 256GB 钛金属款，6.7 英寸 Super Retina XDR 显示屏，支持 ProMotion 技术",
    "有机棉 T 恤，男士中码，海军蓝，100% 可持续材料",
    "KitchenAid 立式搅拌机，5 夸脱容量，红色，10 档速度调节，带揉面钩附件"
]

template = outlines.Template.from_string("""
<|im_start|>user
请对以下产品进行分类：

{{ description }}
<|im_end|>
<|im_start|>assistant
""")

# 获取所有产品的结构化分类
categories = model(
    [template(description=desc) for desc in product_descriptions],
    ProductCategory,
    max_new_tokens=200
)

# 使用分类结果进行库存管理
categories = [
    ProductCategory.model_validate_json(category) for category in categories
]
for product, category in zip(product_descriptions, categories):
    update_inventory(product, category.main_category, category.sub_category)

import outlines
from typing import Union, List, Literal
from pydantic import BaseModel
from enum import Enum
from transformers import AutoTokenizer, AutoModelForCausalLM


MODEL_NAME = "microsoft/Phi-3-mini-4k-instruct"
model = outlines.from_transformers(
    AutoModelForCausalLM.from_pretrained(MODEL_NAME, device_map="auto"),
    AutoTokenizer.from_pretrained(MODEL_NAME)
)

class EventType(str, Enum):
    conference = "conference"
    webinar = "webinar"
    workshop = "workshop"
    meetup = "meetup"
    other = "other"


class EventInfo(BaseModel):
    """关于科技活动的结构化信息"""
    name: str
    date: str
    location: str
    event_type: EventType
    topics: List[str]
    registration_required: bool

# 创建一个联合类型，可以是结构化的 EventInfo 或者 “我不知道”
EventResponse = Union[EventInfo, Literal["我不知道"]]

# 示例活动描述
event_descriptions = [
    # 完整信息
    """
    欢迎参加 2023 年 DevCon 开发者大会，本次顶级开发者会议将于 2023 年 11 月 15 日至 17 日在旧金山会议中心举行。会议主题包括人工智能/机器学习、云基础设施和 Web3。需提前注册。
    """,

    # 信息不足
    """
    下周将举办一场科技活动，更多详情即将公布！
    """
]

# 处理活动
results = []
for description in event_descriptions:
    prompt = f"""
<|im_start>system
您是一位乐于助人的助手
<|im_end|>
<|im_start>user
请提取以下科技活动的结构化信息：

{description}

如果信息足够完整，请返回包含以下字段的 JSON 对象：

- name：活动名称
- date：活动日期
- location：活动地点
- event_type：活动类型，可选值为 'conference'、'webinar'、'workshop'、'meetup' 或 'other'
- topics：会议主题列表
- registration_required：是否需要注册

如果现有信息不足以填写上述 JSON，且仅在此情况下，请回答 '我不知道'。
<|im_end|>
<|im_start>assistant
"""
    # 联合类型使模型能够返回结构化数据或 “我不知道”
    result = model(prompt, EventResponse, max_new_tokens=200)
    results.append(result)

# 显示结果
for i, result in enumerate(results):
    print(f"活动 {i+1}:")
    if isinstance(result, str):
        print(f"  {result}")
    else:
        # 这是一个 EventInfo 对象
        print(f"  名称：{result.name}")
        print(f"  类型：{result.event_type}")
        print(f"  日期：{result.date}")
        print(f"  主题：{', '.join(result.topics)}")
    print()

# 在下游流程中使用结构化数据
structured_count = sum(1 for r in results if isinstance(r, EventInfo))
print(f"成功从 {structured_count} 场活动中提取了数据，总共有 {len(results)} 场活动")

import outlines
from typing import Literal, List
import pandas as pd
from transformers import AutoTokenizer, AutoModelForCausalLM


MODEL_NAME = "microsoft/Phi-3-mini-4k-instruct"
model = outlines.from_transformers(
    AutoModelForCausalLM.from_pretrained(MODEL_NAME, device_map="auto"),
    AutoTokenizer.from_pretrained(MODEL_NAME)
)


# 使用 Literal 定义分类类别
DocumentCategory = Literal[
    "财务报告",
    "法律合同",
    "技术文档",
    "营销材料",
    "个人信件"
]

# 待分类的示例文档
documents = [
    "第三季度财务摘要：收入同比增长15%，达到1240万美元。EBITDA利润率从去年第三季度的19%提升至23%。运营费用...",

    "本协议由甲方和乙方于…日签订，以下简称‘双方’，",

    "该API接受带有JSON负载的POST请求。必需参数包括‘user_id’和‘transaction_type’。成功时，端点返回200状态码。"
]

template = outlines.Template.from_string("""
<|im_start|>user
请将以下文档精确地归类到下列类别之一：
- 财务报告
- 法律合同
- 技术文档
- 市场营销材料
- 个人通信

文档：
{{ document }}
<|im_end|>
<|im_start|>assistant
""")

# 对文档进行分类
def classify_documents(texts: List[str]) -> List[DocumentCategory]:
    results = []

    for text in texts:
        prompt = template(document=text)
        # 模型必须返回预定义的其中一个类别
        category = model(prompt, DocumentCategory, max_new_tokens=200)
        results.append(category)

    return results

# 执行分类
classifications = classify_documents(documents)

# 创建一个简单的结果表格
results_df = pd.DataFrame({
    "文档": [doc[:50] + "..." for doc in documents],
    "分类": classifications
})

print(results_df)

# 按类别统计文档数量
category_counts = pd.Series(classifications).value_counts()
print("\n类别分布：")
print(category_counts)

import outlines
import json
from typing import List, Optional
from datetime import date
from transformers import AutoTokenizer, AutoModelForCausalLM


MODEL_NAME = "microsoft/phi-4"
model = outlines.from_transformers(
    AutoModelForCausalLM.from_pretrained(MODEL_NAME, device_map="auto"),
    AutoTokenizer.from_pretrained(MODEL_NAME)
)


# 定义一个带类型参数的函数
def schedule_meeting(
    title: str,
    date: date,
    duration_minutes: int,
    attendees: List[str],
    location: Optional[str] = None,
    agenda_items: Optional[List[str]] = None
):
    """根据指定的细节安排会议"""
    # 在实际应用中，这会创建会议
    meeting = {
        "title": title,
        "date": date,
        "duration_minutes": duration_minutes,
        "attendees": attendees,
        "location": location,
        "agenda_items": agenda_items
    }
    return f"会议‘{title}’已安排在{date}举行，共有{len(attendees)}位参会者"

# 自然语言请求
user_request = """
我需要下周二下午2点与工程团队安排一次产品路线图评审会议。会议应持续90分钟。请邀请john@example.com、sarah@example.com以及product@example.com的产品团队参加。
"""

# Outlines会自动从函数签名中推断出所需的结构
prompt = f"""
<|im_start|>user
请从该请求中提取会议详情：

{user_request}
<|im_end|>
<|im_start|>assistant
"""
meeting_params = model(prompt, schedule_meeting, max_new_tokens=200)

# 结果是一个与函数参数匹配的字典
meeting_params = json.loads(meeting_params)
print(meeting_params)

# 使用提取的参数调用函数
result = schedule_meeting(**meeting_params)
print(result)
# “会议‘产品路线图评审’已安排在2023年10月17日举行，共有3位参会者”

import outlines
from typing import List, Literal
from transformers import AutoTokenizer, AutoModelForCausalLM


MODEL_NAME = "microsoft/phi-4"
model = outlines.from_transformers(
    AutoModelForCausalLM.from_pretrained(MODEL_NAME, device_map="auto"),
    AutoTokenizer.from_pretrained(MODEL_NAME)
)


# 1. 创建一个使用Jinja语法的可重用模板
sentiment_template = outlines.Template.from_string("""
<|im_start>user
请分析以下{{ content_type }}的情感倾向：

{{ text }}

请将您的分析结果表述为“正面”、“负面”或“中性”。
<|im_end>
<|im_start>assistant
""")

# 2. 使用不同参数生成提示
review = "这家餐厅完全超出了我的预期。服务太棒了！"
prompt = sentiment_template(content_type="评论", text=review)

# 3. 使用模板化的提示进行结构化生成
result = model(prompt, Literal["正面", "负面", "中性"])
print(result)  # "正面"

# 模板也可以从文件中加载
example_template = outlines.Template.from_file("templates/few_shot.txt")

# 结合示例进行少样本学习
examples = [
    ("食物很冷", "负面"),
    ("员工很友好", "正面")
]
few_shot_prompt = example_template(examples=examples, query="服务很慢")
print(few_shot_prompt)