Python实战！打造AI聊天机器人，从 GPT-4 生成代码到用户交互！

Python 实战！打造 AI 聊天机器人，从 GPT-4 生成代码到用户交互！

大家好！今天咱们手把手教你做一个能 “学习” 的 Python 聊天机器人 —— 它不只是死板地回复，还能记住你教它的内容，下次聊天直接用！关键是咱们用 GPT-4 辅助写核心代码，再靠 JSON 文件存对话记忆，哪怕关了程序，之前教的东西也不会丢。

不管你是刚学 Python 的新手，还是想练手小项目的同学，跟着做都能学会文件操作、函数设计、用户交互这些实用技能。最后还会给 GitHub 源码链接，拿过去就能用，咱们现在就开始！

一、先搞懂：这个机器人到底特别在哪？

普通聊天机器人要么只能答固定内容，要么得连大模型（比如 GPT）才能聪明点。咱们这个机器人不一样：

1. 能 “学习”：刚开始它啥都不会，你问 “你好” 它答不上来，但你教它 “嘿你好呀”，它就记下来了
2. 记忆不丢失：教的内容存在 JSON 文件里，关程序、重启电脑都在，下次聊天直接调用
3. 能认 “相似问题”：你教过 “你好” 的回复，下次输入 “你好呀”“嗨～” 它也能匹配到正确答案
4. 新手友好：只用 Python 内置库（json、difflib），不用装一堆复杂依赖，代码能直接跑

简单说：你教得越多，它越 “聪明”，而且是专属于你的聊天伙伴～

二、环境准备：3 分钟搞定

咱们不用复杂的环境，Python 自带的库就够了，步骤超简单：

1. 装 Python：如果没装，去官网（https://www.python.org/）下 3.8 及以上版本（现在主流是 3.10/3.11，随便选），装的时候勾上 “Add Python to PATH”（不然后续找不到 Python）
2. 选编辑器：新手用 VS Code（免费，官网下）或者 PyCharm（社区版免费）都行，我这里用 VS Code 举例
3. 确认库是否存在：咱们要用到的json和difflib都是 Python 内置库，不用额外装！打开 Python 终端（VS Code 里按 Ctrl+调出终端，输入python回车），输import json和import difflib`，没报错就没问题

三、核心技术拆解：一个个讲透

咱们的机器人核心逻辑靠 4 个函数 + JSON 文件，我先把每个技术点拆开来，保证你能懂～

1. 第一个关键：用 JSON 存 “记忆”（对话持久化）

为啥选 JSON？

咱们要存的是 “问题 - 答案” 对（比如 “你好”→“嘿你好呀”），JSON 刚好适合存这种键值对数据，而且：

• 读 / 写方便，Python 有现成的json库
• 人类能直接看懂（打开 JSON 文件就能看到之前教的内容）
• 不用装数据库，新手也能搞定

JSON 文件长啥样？

咱们会自动生成一个叫knowledge_base.json的文件，里面内容长这样：

{

   "你好": "嘿你好呀",

   "今天天气怎么样": "我还不会查天气呢，你可以教我呀～",

   "再见": "拜拜～下次再聊！"

}

左边的 “你好” 是用户可能问的问题（键），右边的 “嘿你好呀” 是对应的回复（值），新增的内容会自动加到这个文件里。

用表格看懂 JSON 操作逻辑

2. 第二个关键：让机器人认 “相似问题”（智能匹配）

比如你教过 “你好” 的回复，用户输入 “你好呀”“嗨”“哈喽”，机器人怎么知道这些是类似的问题？

这里要用到 Python 内置的difflib库，里面的get_close_matches()函数专门干这事！

这个函数咋工作的？

简单说：它会计算 “用户输入” 和 “知识库已有问题” 的相似度，返回最像的几个（默认最多 3 个）。

函数参数咱们要搞懂 3 个核心的：

• word：用户当前输入的内容（比如 “你好呀”）
• possibilities：知识库所有的问题（比如 "你好","再见","今天天气怎么样"）
• cutoff：相似度阈值（0-1 之间），值越高要求越像（比如 0.6 表示 “比较像” 就行，0.8 就要 “非常像”）

举个例子：

如果知识库有 “你好”，用户输入 “你好呀”，get_close_matches("你好呀", ["你好","再见"], cutoff=0.6)会返回["你好"]，机器人就知道该用 “你好” 的回复了。

用表格看匹配效果

3. 第三个关键：四大核心函数（机器人的 “心脏”）

咱们把机器人的逻辑拆成 4 个函数，每个函数干一件事，这样代码好懂、也好改。每个函数我都给完整代码 + 逐行解释，保证你能看懂！

函数 1：加载知识库（load_knowledge_base）

作用：打开knowledge_base.json文件，把里面的 “问题 - 答案” 读到 Python 字典里，供机器人使用。

如果文件不存在（比如第一次运行），就自动创建一个空字典。

import json  # 导入处理JSON的库

import difflib  # 导入处理相似匹配的库

def load_knowledge_base(file_path: str) -> dict:

   # file_path：JSON文件的路径（比如"knowledge_base.json"）

   # -> dict：表示这个函数最终返回一个字典

  

   try:

       # 尝试以“读”模式打开JSON文件，指定encoding='utf-8'避免中文乱码

       with open(file_path, 'r', encoding='utf-8') as file:

           # 把文件里的内容转成Python字典，返回这个字典

           return json.load(file)

   except FileNotFoundError:

       # 如果文件不存在，就返回一个空字典（后续会自动创建文件）

       return {}

函数 2：保存知识库（save_knowledge_base）

作用：把新教给机器人的 “问题 - 答案” 写到 JSON 文件里，实现 “记忆保存”。

def save_knowledge_base(file_path: str, knowledge_base: dict):

   # file_path：JSON文件路径

   # knowledge_base：要保存的字典（包含旧的+新的问答）

  

   # 以“写”模式打开文件，如果文件不存在就创建；指定encoding='utf-8'防中文乱码

   # indent=2：让JSON文件里的内容缩进2个空格，人类看起来更舒服

   with open(file_path, 'w', encoding='utf-8') as file:

       # 把Python字典转成JSON格式，写到文件里

       json.dump(knowledge_base, file, indent=2, ensure_ascii=False)

       # ensure_ascii=False：允许JSON里存中文（不然中文会变成uXXXX这种乱码）

函数 3：查找最佳匹配（find_best_match）

作用：根据用户输入，在知识库中找最像的问题，返回这个问题（如果没找到就返回 None）。

def find_best_match(user_input: str, knowledge_base: dict) -> str | None:

   # user_input：用户输入的内容

   # knowledge_base：知识库字典

   # -> str | None：返回要么是找到的问题（字符串），要么是None（没找到）

  

   # 先把知识库的所有问题（字典的键）取出来，存成列表

   questions = list(knowledge_base.keys())

  

   # 用difflib找相似问题，最多返回1个（因为我们只需要最像的）

   matches = difflib.get_close_matches(

       user_input,  # 用户输入

       questions,   # 知识库所有问题

       n=1,         # 最多返回1个匹配结果

       cutoff=0.6   # 相似度阈值，0.6是经验值，太低会匹配错，太高会找不到

   )

  

   # 如果有匹配结果，就返回第一个（也是唯一一个）；没有就返回None

   return matches[0] if matches else None

函数 4：获取回答（get_response）

作用：这是最核心的逻辑函数，负责：

1. 找最佳匹配问题
2. 有匹配就返回对应答案
3. 没匹配就让用户教机器人，然后保存到知识库

def get_response(user_input: str, knowledge_base: dict, file_path: str) -> str:

   # user_input：用户输入

   # knowledge_base：知识库字典

   # file_path：JSON文件路径

   # -> str：返回机器人给用户的回复

  

   # 第一步：找最佳匹配的问题

   best_match = find_best_match(user_input, knowledge_base)

  

   # 第二步：根据是否找到匹配，生成回复

   if best_match:

       # 如果找到匹配，就返回知识库中对应的答案

       return knowledge_base[best_match]

   else:

       # 如果没找到，就让用户教机器人

       print(f"我还不知道怎么回答“{user_input}”呢～")

       # 让用户输入正确的回复

       new_answer = input("你可以教我怎么回复吗？输入回复内容：")

      

       # 把用户输入的“问题-回复”加到知识库字典里

       knowledge_base[user_input] = new_answer

      

       # 把更新后的知识库保存到JSON文件（这样下次打开还有）

       save_knowledge_base(file_path, knowledge_base)

      

       # 给用户反馈

       return "谢谢！我记住啦～下次再问我这个问题，我就会回答了！"

四、完整可运行代码：把所有部分串起来

上面的 4 个函数是 “零件”，现在咱们把它们拼成完整的机器人程序，再加个用户交互循环（让用户能一直提问，直到输入 “退出”）。

完整代码（复制就能跑）

# 导入需要的库

import json

import difflib

# ---------------------- 四大核心函数 ----------------------

def load_knowledge_base(file_path: str) -> dict:

   try:

       with open(file_path, 'r', encoding='utf-8') as file:

           return json.load(file)

   except FileNotFoundError:

       return {}

def save_knowledge_base(file_path: str, knowledge_base: dict):

   with open(file_path, 'w', encoding='utf-8') as file:

       json.dump(knowledge_base, file, indent=2, ensure_ascii=False)

def find_best_match(user_input: str, knowledge_base: dict) -> str | None:

   questions = list(knowledge_base.keys())

   matches = difflib.get_close_matches(user_input, questions, n=1, cutoff=0.6)

   return matches[0] if matches else None

def get_response(user_input: str, knowledge_base: dict, file_path: str) -> str:

   best_match = find_best_match(user_input, knowledge_base)

   if best_match:

       return knowledge_base[best_match]

   else:

       print(f"我还不知道怎么回答“{user_input}”呢～")

       new_answer = input("你可以教我怎么回复吗？输入回复内容：")

       knowledge_base[user_input] = new_answer

       save_knowledge_base(file_path, knowledge_base)

       return "谢谢！我记住啦～下次再问我这个问题，我就会回答了！"

# ---------------------- 主程序（用户交互） ----------------------

def main():

   # 知识库文件的路径（就存在当前文件夹，叫knowledge_base.json）

   KNOWLEDGE_BASE_FILE = "knowledge_base.json"

  

   # 第一步：加载已有的知识库（第一次运行是空字典）

   knowledge_base = load_knowledge_base(KNOWLEDGE_BASE_FILE)

  

   # 欢迎语

   print("嗨！我是你的专属聊天机器人～你可以问我问题，输入“退出”就能结束聊天～")

  

   # 循环：让用户一直提问

   while True:

       # 获取用户输入

       user_input = input("n你：")

      

       # 如果用户输入“退出”，就结束程序

       if user_input.lower() == "退出":

           print("机器人：拜拜～下次再聊！")

           break

      

       # 否则，获取机器人的回复并打印

       response = get_response(user_input, knowledge_base, KNOWLEDGE_BASE_FILE)

       print(f"机器人：{response}")

# 运行主程序（只有直接运行这个文件时才会执行）

if __name__ == "__main__":

   main()

代码能跑的关键注意点

1. 保存文件：把上面的代码复制到 VS Code 里，保存为chatbot.py（名字随便，但后缀必须是.py）
2. 中文编码：所有open()函数都加了encoding='utf-8'，避免中文乱码（新手最容易踩的坑！）
3. 路径问题：KNOWLEDGE_BASE_FILE设为"knowledge_base.json"，表示 JSON 文件和chatbot.py在同一个文件夹里，不用管复杂路径

五、测试步骤：亲手教机器人说话

现在咱们跑代码，看看机器人怎么 “学习”，步骤超简单：

第一步：运行代码

1. 打开 VS Code 终端（Ctrl+`）
2. 进入chatbot.py所在的文件夹（比如文件存在D:PythonProjects，终端输入cd D:PythonProjects回车）
3. 输入python chatbot.py回车，看到欢迎语就成功了！

第二步：教机器人第一个问题

1. 你输入：你好
2. 机器人会说：我还不知道怎么回答“你好”呢～你可以教我怎么回复吗？输入回复内容：
3. 你输入：嘿你好呀～很高兴和你聊天！
4. 机器人会说：谢谢！我记住啦～下次再问我这个问题，我就会回答了！

第三步：验证 “记忆” 是否生效

1. 关闭程序（终端按 Ctrl+C）
2. 重新运行代码（输入python chatbot.py）
3. 你输入：你好
4. 机器人会直接回复：嘿你好呀～很高兴和你聊天！（说明记忆保存成功了！）

第四步：测试 “相似匹配”

1. 你输入：你好呀（和之前教的 “你好” 相似）
2. 机器人会回复：嘿你好呀～很高兴和你聊天！（说明智能匹配生效了！）

六、常见问题 & 解决方法（新手必看）

我整理了新手跑代码时最容易遇到的问题，每个问题都给解决办法，照着做就行！

七、面试常问问题 & 怎么回答（加分项）

如果你学完这个项目去面试 Python 岗，面试官可能会问这些问题，我给你大白话的回答思路，结合项目说更加分！

1. 为什么用 JSON 做对话持久化，而不用 TXT 或数据库？

回答思路：分 “为什么不用 TXT”“为什么不用数据库”“为什么用 JSON” 三点说，结合项目场景：

“因为咱们的项目是轻量级的，只需要存‘问题 - 答案’这种键值对数据：

• 不用 TXT 是因为 TXT 要自己处理格式（比如用逗号分隔问题和答案），读的时候还要拆分，容易出错；JSON 自带键值对格式，Python 有现成的库能直接读成字典，不用自己写逻辑。
• 不用数据库（比如 MySQL、SQLite）是因为数据库要装环境、写 SQL 语句，对新手太复杂，而且咱们的数据量小，JSON 完全够用，没必要搞这么重。
• 用 JSON 的话，不仅新手好上手，而且打开文件能直接看到内容，方便调试，保存和加载的代码也简单，刚好适合这个小项目。”

2. difflib.get_close_matches 是怎么实现相似匹配的？

回答思路：不用讲太底层，说清楚 “计算相似度”“返回匹配结果” 就行，结合项目例子：

“这个函数主要是计算‘用户输入’和‘已有问题’之间的‘相似度分数’（用的是序列匹配算法，比如比较字符的重合度），然后根据咱们设的 cutoff 阈值筛选：

比如咱们项目里 cutoff=0.6，函数会把所有相似度≥0.6 的问题找出来，按相似度从高到低排，然后返回前 n 个（咱们设的 n=1，所以只返回最像的）。

比如用户输入‘你好呀’，和知识库的‘你好’相似度算出来是 0.7，超过 0.6，就返回‘你好’，机器人就能用对应的回复了。”

3. 你为什么把代码拆成四大核心函数？这样做有什么好处？

回答思路：讲 “模块化” 的好处，比如好懂、好改、好复用：

“主要是为了‘模块化’，每个函数干一件事，这样：

• 好懂：比如想改‘保存逻辑’，只需要找 save_knowledge_base 函数，不用在一堆代码里找；新手看的时候，知道每个函数的作用，很快能理清逻辑。
• 好改：比如以后想换个方式存数据（比如用 SQLite），只需要改 load 和 save 两个函数，其他函数（比如找匹配、获取回复）不用动，不会影响整个程序。
• 好复用：比如以后做另一个聊天机器人，这四个函数直接复制过去就能用，不用重新写。”

4. 这个机器人怎么优化才能更 “智能”？

回答思路：从 “功能扩展”“体验优化” 两个方向说，结合实际场景：

“可以从几个方面优化：

1. 支持多轮对话：比如用户问‘今天天气怎么样’，机器人回复‘不知道，教我’，用户教完后，机器人可以接着问‘还有其他要教我的吗？’，不用每次都重新开始。
2. 优化匹配逻辑：现在只用了 difflib，可以加关键词匹配（比如用户输入含‘天气’就优先找天气相关的问题），或者结合大模型（比如 GPT-3.5）生成相似问题，让匹配更准。
3. 用数据库存数据：如果教的问答多了（比如上千条），JSON 读起来会变慢，换成 SQLite 或 MongoDB，查数据更快，还能支持按分类存（比如‘日常对话’‘学习问题’）。
4. 加输入验证：比如用户输入空内容，机器人提示‘请输入有效的问题’，避免程序出问题；或者过滤脏话，让聊天更文明。”

5. 你这个机器人现在只能教 “问题 - 答案”，如果想让它记住用户的信息（比如用户名字），该怎么改？

回答思路：结合 JSON 的结构，新增 “用户信息” 字段：

“可以改 JSON 的结构，原来只存‘问题 - 答案’，现在加一个‘user_info’字段，存用户的信息，比如：

{

"questions": {

"你好": "嘿你好呀"

},

"user_info": {

"name": "小明",

"age": "20"

}

}

然后改 load 和 save 函数，读取的时候把 user_info 也读出来；加一个‘设置用户信息’的逻辑，比如用户输入‘我的名字是小明’，机器人就把‘name’:‘小明’加到 user_info 里，下次聊天时说‘嘿小明，你好呀’，这样就能记住用户信息了。”

八、后续扩展

后续可以自己玩的扩展功能

1. 给机器人加 “忘记” 功能：输入 “忘记你好”，机器人就把 “你好” 对应的问答从知识库删掉
2. 加回复时限：如果用户 30 秒没输入，机器人提示 “你还在吗？”
3. 做个 GUI 界面：用 tkinter 或 PyQt 做个窗口，不用在终端里聊，更像个正经的聊天软件

只要跟着这个项目练下来，你不仅能学会 Python 文件操作、函数设计这些基础技能，还能理解 “持久化”“模块化” 这些编程思想，下次再做类似项目，就能举一反三啦！

如果运行代码时遇到其他问题，或者想扩展某个功能，随时回来讨论～