business_agent/
├── __init__.py                  # 讓後端 import BusinessAgent
├── agent.py                     # 主程式（下面全部內容）
├── schemas.py                   # 所有 Pydantic 結構（安全、意圖）
├── prompts.py                   # 你未來要填的真實 prompt（目前放 placeholder）
└── config.py                    # 可設定 model、temperature 等


1. business_agent/config.py
from dataclasses import dataclass

@dataclass
class AgentConfig:
    model: str = "gpt-4o-mini-2024-11-08"  # 支援最新 Responses API
    temperature_safety: float = 0.0
    temperature_intent: float = 0.0
    temperature_rag: float = 0.3
    max_tokens: int = 2048




2. business_agent/schemas.py
from pydantic import BaseModel, Field
from typing import Literal, Optional, Dict, Any

class SafetyOutput(BaseModel):
    is_safe: bool = Field(..., description="是否為合法、安全、可回答的問題")
    reason: Optional[str] = Field(None, description="若不安全，說明原因")

class IntentNEROutput(BaseModel):
    intent: Literal[
        "product_inquiry",   # 需要查資料的業務問題 → 走 RAG
        "price_check",       # 快速回覆類 1
        "greeting_faq",      # 快速回覆類 2
        "off_topic",         # 超出範圍
        "complaint"          # 客訴（未來可擴充）
    ] = Field(..., description="嚴格選擇以上其中一種意圖")

    entities: Dict[str, Any] = Field(
        default_factory=dict,
        description="抽取的命名實體，如 {'product': 'XX保險', 'age': 35}"
    )

    quick_reply: Optional[str] = Field(
        None,
        description="僅當 intent 為 price_check 或 greeting_faq 時，填入完整、可直接回傳的回覆句子"
    )



3. business_agent/prompts.py
from langchain_core.prompts import ChatPromptTemplate

# 你之後取代這裡的 placeholder
SAFETY_SYSTEM_PROMPT = """你是一個極其嚴格的內容審核員，請判斷使用者問題是否安全、可回答。
（這裡放你真正的安全規則）"""

INTENT_SYSTEM_PROMPT = """你是一個專業的業務助理，請嚴格按照以下規則分析使用者問題：
（這裡放你真正的意圖說明 + 5種意圖定義 + NER 要求 + 快速回覆規則）"""




5. business_agent/__init__.py
Pythonfrom .agent import BusinessAgent
__all__ = ["BusinessAgent"]





backend.py
from openai import AsyncOpenAI
from business_agent import BusinessAgent

openai_client = AsyncOpenAI(api_key="sk-...")
vector_client = YourVectorSearchClient(...)

agent = BusinessAgent(openai_client=openai_client, vector_search_client=vector_client)

async for chunk in agent.astream(history, metadata):
    if chunk["type"] == "token":
        await ws.send_text(chunk["content"])
    elif chunk["type"] == "final":
        save_logs(chunk["logs"])  # 完整中間資訊都在這裡