- 授課教師：蔡芸琤老師
- 姓名：邱鈺婷
- 系級：科技系116
完成對程式碼部分的資料抽換及問題抽換，並製作架構圖(流程圖)
-
動機: 嘗試從台北公開資料網站使用Youbike即時資料，特別觀察師大附近幾個特定站點，去判斷建不建議借youbike，以及提醒那些地點無車可借、無位可還。
-
使用資料: 台北市 YouBike 2.0 API URL = "https://tcgbusfs.blob.core.windows.net/dotapp/youbike/v2/youbike_immediate.json"
-
程式碼參考:
我將資料換成台北市 YouBike 2.0 的API，他會每分鐘刷新一次資料，並且特別抓取我需要的幾個站點和站點資訊的欄位來分析。
# 台北市 YouBike 2.0 API URL
YOUBIKE_API_URL = "https://tcgbusfs.blob.core.windows.net/dotapp/youbike/v2/youbike_immediate.json"
def fetch_youbike_data():
""" 從 API 取得即時 YouBike JSON 並轉換成 DataFrame，僅篩選特定站點 """
try:
response = requests.get(YOUBIKE_API_URL)
response.raise_for_status()
data = response.json()
# 轉換 JSON 為 DataFrame
df = pd.DataFrame(data)
# 只選擇特定站點
target_stations = [
"YouBike2.0_師大公館校區學二舍",
"YouBike2.0_師範大學公館校區",
"YouBike2.0_師範大學公館校區_1",
"YouBike2.0_臺灣師範大學(圖書館)",
"YouBike2.0_和平龍泉街口",
"YouBike2.0_臺灣師範大學(浦城街)",
"YouBike2.0_景美污水抽水站"
]
df = df[df["sna"].isin(target_stations)]
# 選取需要的欄位
df = df[["sno", "sna", "total", "available_rent_bikes", "available_return_bikes", "latitude", "longitude"]]
df.rename(columns={
"sno": "站點編號",
"sna": "站點名稱",
"total": "總車位",
"available_rent_bikes": "可借車輛數",
"available_return_bikes": "可還車位數",
"latitude": "緯度",
"longitude": "經度"
}, inplace=True)
return df
except Exception as e:
print(f"無法取得 YouBike 資料: {e}")
return None
我將我的prompt改成與Youbike站點建議相關的問題，讓我可以根據我想了解的資訊(是否有車可借、有位可還)提出建議，並且定義哪幾站是公館校區和本部校區。
prompt = (
f"目前正在處理第 {start_idx} 至 {start_idx + len(chunk) - 1} 筆 YouBike 站點數據（共 {total_records} 筆）。\n"
f"以下為該批次 YouBike 即時資訊:\n{chunk_data}\n\n"
"其中YouBike2.0_師大公館校區學二舍、YouBike2.0_師範大學公館校區、YouBike2.0_師範大學公館校區_1、YouBike2.0_景美污水抽水站位於師大分部；YouBike2.0_臺灣師範大學(圖書館)、YouBike2.0_和平龍泉街口、YouBike2.0_臺灣師範大學(浦城街)位於師大本部\n"
"請根據以上數據進行分析，並提供完整的 YouBike 站點建議。\n"
"請特別關注以下方面：\n"
" 1. 哪些站點即將無車可借？\n"
" 2. 哪些站點快要沒有車位可還？\n"
" 3. 是否建議從師大分部，騎腳踏車到師大本部?\n"
"請各代理人協同合作，提供一份完整且具參考價值的分析。"
)
from autogen_agentchat.agents import AssistantAgent, UserProxyAgent
from autogen_agentchat.conditions import TextMentionTermination
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.messagautogen_agentchat.messageses import TextMessage
from autogen_ext.models.openai import OpenAIChatCompletionClient
autogen_agentchat.agents 模組用於初始化該套件提供的各種預定義代理人（agents）。
AssistantAgent 和 UserProxyAgent這兩個套件屬於自動生成代理人對話系統的一部分。AssistantAgent 負責處理代理人（或機器人）的回應，是一個可整合工具並提供輔助的 AI 代理人，支援同步與非同步回應機制，而 UserProxyAgent 則充當用戶的代理，接收和處理用戶的輸入。
local_data_agent = AssistantAgent("data_agent", model_client)
local_assistant = AssistantAgent("assistant", model_client)
local_user_proxy = UserProxyAgent("user_proxy")
autogen_agentchat.conditions 模組提供多代理人團隊（multi-agent teams）行為控制的各種終止條件。
TextMentionTermination這是一個條件模組，用於在對話系統中設定終止對話的條件，通常用於根據文本中的特定提及來終止對話。而這次的程式碼是使用"exit"來當終結對話的特定詞。
termination_condition = TextMentionTermination("exit")
autogen_agentchat.teams 模組提供多個預定義的多代理人團隊（multi-agent teams）實作，每個團隊都繼承自 BaseGroupChat (主要用於管理多代理人對話團隊)類別。
RoundRobinGroupChat這個模組實現了循環輪播組聊功能，用於將不同的對話參與者分配給多個team。
local_team = RoundRobinGroupChat(
[local_data_agent, local_assistant, local_user_proxy],
termination_condition=termination_condition
)
autogen_agentchat.messages 模組定義了多種用於代理人之間通訊的訊息類型，每種訊息類型都繼承自 BaseChatMessage 或 BaseAgentEvent 類別，主要作用是標準化代理人之間的訊息格式，以確保有效的通訊和互動。
TextMessage這個模組定義了文本訊息的結構，標準化了代理人之間的文字訊息格式，使其能夠在系統內進行一致的處理，用於在系統中處理和生成文本訊息。
messages = []
async for event in local_team.run_stream(task=prompt):
if isinstance(event, TextMessage):
print(f"[{event.source}] => {event.content}\n")
messages.append({
"batch_start": start_idx,
"batch_end": start_idx + len(chunk) - 1,
"source": event.source,
"content": event.content,
"type": event.type,
"prompt_tokens": event.models_usage.prompt_tokens if event.models_usage else None,
"completion_tokens": event.models_usage.completion_tokens if event.models_usage else None
})
return messages
autogen_ext.models.openai 模組提供 OpenAIChatCompletionClient 類別，用於與 OpenAI 託管的對話模型進行交互，使他能與OpenAI對話完成模型集成的客戶端，用於向OpenAI模型發送對話提示並接收完成的對話回應。
model_client = OpenAIChatCompletionClient(
model="gemini-2.0-flash",
api_key=gemini_api_key,
)
完成課程中所提到關於DRai的相關程式碼作業，可以自己更改CSV檔案的內容，並提供程式碼執行截圖。
假設身分為親子對話分析專家，去分析一段錄音逐字對話紀錄中，是否觸及評分項目的標記，並輸出成CSV檔。
| 使用資料 | 程式碼 |
|---|---|
| 113.csv | DRai.py |
假設身分為大學生面試對話分析專家，去分析一段錄音逐字對話紀錄中(此對話紀錄來自於AI生成)，是否觸及評分項目的標記，並輸出成CSV檔。
| 使用資料 | 程式碼 |
|---|---|
| interview.csv | DRai2.py |
 |
 |
|---|
利用Playwright控制瀏覽器，並給予程式碼的執行截圖，截圖方式同HW2
| 程式碼 | 輸出結果 |
|---|---|
| moodleAI.py | submissions.csv |
-
動機: 因為想往「批改系統」的方向製作，而想到第一個與我最有關的學生作業作業系統便是Moodle，所以想嘗試讓playwright來控制登入moodle
-
功能: 此程式可以抓取學生moodle上特定課程的特定作業回答
-
啟動過程流程圖
| debug_1_after_login | debug_2_after_profile | debug_3_after_click_post_box | debug_4_after_click_post_box |
|---|---|---|---|
 |
 |
 |
 |
利用04/01的範例程式碼，綜合前三項作業內容，生成一個可以下載的PDF
| 程式碼 | 使用的CSV檔案 | 輸出結果 |
|---|---|---|
| getPDF.py | 113.csv | getPDF.pdf |
| 程式碼 | 輸入的CSV檔案 | 輸出的CSV檔案 | 輸出的pdf檔案 | 輸出的github結果 |
|---|---|---|---|---|
| github2.py | 作文資料集.csv | 作文回饋.csv | getPDF.pdf | hw4回饋內容 |
本作業是一個作文內容分析與AI回饋系統(延續之前批改系統的想法)，使用者可以在gradio介面輸入CSV檔案(這裡使用"作文資料集.csv")，接著程式會去根據評分項目去分析是否有觸及個項目(有則填"有"，否則"無")，並使用AI Agent去分析文章內容並給予回饋，最後會輸出分析結果的PDF檔案、CSV檔案，且程式會自動登入github，分析結果的文字自動寫入在指定的檔案中，並儲存。
| Gradio介面 | 終端機截圖 |
|---|---|
 |
 |
-
HW1 : 使用AI Agent分析CSV檔案內容、輸出CSV檔案分析結果
為配合後續欲輸出內容，因此使用Google Gemini API來進行分析CSV檔案的內容。
import google.generativeai as genai genai.configure(api_key=os.getenv("GEMINI_API_KEY")) model_flash = genai.GenerativeModel("gemini-1.5-flash") model_pro = genai.GenerativeModel("gemini-1.5-pro")
-
HW2 : 透過AI Agnet分析每筆CSV檔案資料是否符合評估項目、輸出CSV檔案分析結果
設定評估項目，並將內容解析成json檔，以及給以分析的prompt。
ITEMS = ["修辭使用", "有邏輯", "經驗分享", "前後呼應", "善用譬喻"] def parse_response(response_text): cleaned = response_text.strip() if cleaned.startswith("```"): lines = cleaned.splitlines() if lines[0].startswith("```"): lines = lines[1:] if lines and lines[-1].strip().startswith("```"): lines = lines[:-1] cleaned = "\n".join(lines).strip() try: result = json.loads(cleaned) for item in ITEMS: if item not in result: result[item] = "" return result except Exception as e: print(f"解析 JSON 失敗：{e}") print("原始回傳內容：", response_text) return {item: "" for item in ITEMS} def score_prompt(content): return f""" 你是一位作文老師，請針對下列作文內容評估是否有觸及以下五項標準： 1. 修辭使用（如比喻、排比、設問等） 2. 有邏輯（段落之間有清楚銜接與主題句） 3. 經驗分享（有分享自身或他人經歷） 4. 前後呼應（結尾能回扣開頭或主題） 5. 善用譬喻（是否有明確譬喻幫助說明） 請使用 JSON 格式回應，例如： {{ "修辭使用": "有", "有邏輯": "無", "經驗分享": "有", "前後呼應": "無", "善用譬喻": "有" }} 作文如下： {content} """ def feedback_prompt(content): return f""" 你是一位作文老師，請針對以下學生作文給予具體、溫和且有幫助的回饋與建議： {content} 請使用繁體中文回答。 """
-
HW3 : 控自瀏覽器登入網站、進行操作
自動輸入帳密登入Github(但因為需要雙重認證，目前雙重認證部分仍須手動輸入)，接著跳轉到指定編輯介面(hw4回饋內容)，自動寫入AI Agent分析之內容，並點擊Commit changes進行儲存。
def upload_to_github(content: str): with sync_playwright() as p: browser = p.chromium.launch(headless=False) page = browser.new_page() github_username = os.getenv("github_username") github_pass = os.getenv("github_password") print("登入 GitHub...") page.goto("https://github.com/login") page.fill("#login_field", github_username) page.fill("#password", github_pass) page.click("input[name='commit']") page.wait_for_timeout(7000) # 跳轉到目標頁面 page.goto("https://github.com/MocuAcqu/1132Database/edit/main/hw4%E5%9B%9E%E9%A5%8B%E5%85%A7%E5%AE%B9") # 點擊 CodeMirror 的可編輯區塊以聚焦（選一個內層 div） editor = page.locator(".cm-content").first editor.click() page.keyboard.press("Control+A") # 如果要清空原有內容 page.keyboard.press("Backspace") page.keyboard.type(content) # 提交更改 page.click("button:has-text('Commit changes')") page.wait_for_timeout(1000) # 等待彈窗出現 page.wait_for_selector("div[role='dialog']") # GitHub 的 modal 是 dialog 角色 # 點擊彈窗內的第二個 Commit changes modal_commit_button = page.locator("div[role='dialog'] button:has-text('Commit changes')").first modal_commit_button.wait_for() modal_commit_button.click() print("點擊彈窗內的 Commit changes") print("已更新 GitHub 檔案！") page.wait_for_timeout(2000) browser.close()
- HW4練習 : 輸入CSV檔案進行分析並輸出PDF檔案
設定html框架，讓PDF輸出格式固定完整，將分析內容最終可匯出成CSV檔案和PDF檔案。
html_template = """
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>作文回饋報告</title>
<style>
body { font-family: "Noto Sans TC", sans-serif; margin: 2em; }
h2 { color: #333; border-bottom: 2px solid #ddd; padding-bottom: 4px; }
.essay { margin-bottom: 2em; padding: 1em; border: 1px solid #ccc; border-radius: 8px; }
.feedback { background-color: #f9f9f9; padding: 0.5em; margin-top: 1em; border-left: 4px solid #007bff; }
.criteria { margin-top: 1em; }
</style>
</head>
<body>
<h1>作文分析與回饋報告</h1>
{% for item in results %}
<div class="essay">
<h2>{{ item['name'] }}</h2>
<p><strong>原始內容：</strong> {{ item['content'] }}</p>
<div class="criteria">
{% for crit in criteria %}
<p><strong>{{ crit }}：</strong> {{ item[crit] }}</p>
{% endfor %}
</div>
<div class="feedback">
<strong>AI 回饋：</strong> {{ item['AI回饋'] }}
</div>
</div>
{% endfor %}
</body>
</html>
"""
利用本周的範例程式碼(或其他方式)將前幾周的內容加上前端功能。
因為我作業四，已經有Gradio介面，因此這裡我將我們組別期末報告中，我所撰寫之程式透過Flask加上前端內容。
| 原版程式碼 | 使用的txt檔案 | 輸出結果 | Flask版程式碼 |
|---|---|---|---|
| EWA.py | Dreams.txt | analysis_report.pdf | app.py |
本作業是一個英文寫作分析，他透過AI Agent分析使用者之文章，並藉由prompt下達明確輸出結果，讓使用者可以下載分析結果的PDF檔案，也可以透過Quill編輯器，編輯分析結果，再輸出。
| 使用介面 | 分析結果 | 分析結果可編輯 |
|---|---|---|
 |
 |
 |