懂王AI 工程化实战：从风格迁移到可控生成的三层管线

import json
from openai import OpenAI

client = OpenAI(api_key="sk-xxx", base_url="https://api.deepseek.com/v1")

def extract_style(samples: list[str]) -> dict:
    """从样本中提取可量化的风格特征"""
    joined = "\n---\n".join(samples)
    prompt = f"""分析以下文本样本的语言风格特征。
样本：
{joined}

从以下维度提取：
- avg_sentence_len: 平均句长（字数）
- exclamation_rate: 感叹句占比（0-1）
- repetition: 重复强调的频率（0-1）
- absolutes: 绝对化表达的频率（0-1）
- self_ref: 自我指涉的频率（0-1）
- emotion_swing: 情绪起伏强度（0-1）
- catchphrases: 高频口头禅列表

输出 JSON，每个维度给一个数值和一句说明。"""
    resp = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.1,
        response_format={"type": "json_object"})
    return json.loads(resp.choices[0].message.content)

# 使用示例
style = extract_style([
    "没有人比我更懂贸易。没有人！我们正在被全世界占便宜。",
    "看看德国，看看日本。他们做对了。我们？我们做错了。",
    "我会解决这个问题。相信我。很快，你们就会看到结果。"
])
print(json.dumps(style, ensure_ascii=False, indent=2))

def generate(text_topic: str, style: dict, n: int = 3) -> list[str]:
    """按风格特征生成候选文本"""
    prompt = f"""写一段关于「{text_topic}」的发言，严格遵循以下风格：
- 平均句长控制在 {style['avg_sentence_len']} 字左右
- 感叹句占比约 {style['exclamation_rate']:.0%}
- 适当使用重复强调（频率约 {style['repetition']:.0%}）
- 绝对化表达频率约 {style['absolutes']:.0%}
- 自我指涉频率约 {style['self_ref']:.0%}
- 情绪起伏强度约 {style['emotion_swing']:.0%}
- 必须包含这些口头禅：{', '.join(style['catchphrases'])}

不要提及任何真实政治人物姓名。不要涉及真实政治事件。
只描述对话题本身的看法，用风格化的语言。
输出 JSON 数组，每个元素一段话。"""
    resp = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.9,
        response_format={"type": "json_object"})
    return json.loads(resp.choices[0].message.content)["texts"]

def score_style(text: str, style: dict) -> dict:
    """独立评分：与目标风格特征的匹配度"""
    prompt = f"""评估以下文本与目标风格特征的匹配度。
文本：{text}

目标特征：
- 平均句长：{style['avg_sentence_len']} 字
- 感叹句占比：{style['exclamation_rate']:.0%}
- 重复强调频率：{style['repetition']:.0%}
- 绝对化表达频率：{style['absolutes']:.0%}
- 自我指涉频率：{style['self_ref']:.0%}

从五个维度打分（1-10），并给出一个总评。
输出 JSON：{{"sentence":int,"exclaim":int,"repeat":int,
"absolute":int,"selfref":int,"total":int,"reason":str}}"""
    resp = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.1,
        response_format={"type": "json_object"})
    return json.loads(resp.choices[0].message.content)

def pick_best(topic: str, style: dict, top_k: int = 2) -> list[dict]:
    candidates = generate(topic, style, n=5)
    scored = []
    for c in candidates:
        s = score_style(c, style)
        s["text"] = c
        scored.append(s)
    scored.sort(key=lambda x: x["total"], reverse=True)
    return scored[:top_k]

results = pick_best("人工智能对就业的影响", style)
for r in results:
    print(f"[{r['total']}分] {r['text']}\n理由：{r['reason']}\n")