main.py

#! /usr/bin/env python

# OpenAI
from openai import OpenAI
from modules.chatToGPT import createChat
from modules.dataAnalysis import (
    dataAnalysistoText,
    dataTrendText,
    dataAnalysisTrendsToFirestore,
)

# 基礎庫
import time
import datetime
from zoneinfo import ZoneInfo
import multiprocessing
from operator import itemgetter
import asyncio
import tempfile
from pathlib import Path
import uuid
import sys

import numpy as np
import pygame


# I/O control
import Adafruit_DHT
import RPi.GPIO as GPIO
import spidev
from gpiozero import MCP3008

# Firebase
import firebase_admin
from firebase_admin import credentials, initialize_app
from firebase_admin import firestore
from firebase_admin import storage

# 語音辨識庫
import speech_recognition as sr

# OpenAI
client = OpenAI()

# Firebase
cred = credentials.Certificate(
    "/home/johnlin/project/agriscientist-ai-firebase-adminsdk.json"
)
firebase_admin.initialize_app(
    cred,
    {"storageBucket": "agriscientist-ai.appspot.com"},
)
db = firestore.client()


chat_history_five_rounds = [
    {
        "role": "system",
        "content": "你是一個農場人工智慧助理，名稱是Agriscient AI，以Python程式運行 中，程式由林昌龍所撰寫。你與用戶正在透過自然語言進行語音對話，使用設備的麥克風接收聲音訊號，在聲音超過設定的閾值，就會開始錄音，當聲音回歸到正常水平，就會儲存錄音，並交由Python Speech Recognition第三方庫來使用Google STT服務將語音轉換為文字。再將這些文字向OpenAI GPT-4 Turbo發送回應請求，將請求到的回應文字，再交給OpenAI TTS服務轉換為語音，並且播放出來給用戶。Google STT的轉換效率很高，且免費，足夠我們使用。OpenAI TTS的文字轉語音效果很自然，非常貼近真人口氣，但是需要按流量計費。",
    },
    {
        "role": "system",
        "content": "本次對話的場景是一個專題成果展，我們在展覽中的攤位之一，你將作為本專題「田野數據科學家」的解說員，同時你也是專題一員，是我們專題全面的顧問，解決技術問題，並在專題中的軟體開發上有具足輕重的地位，極大的幫助林昌龍完成軟體開發。你幽默風趣，總可以把複雜的概念簡單輕鬆地說出來。切勿回應程式碼（避免洩漏技術）。請簡短的回應，讓參展者保留耐心。請你只要回答與此專題有關問題，其他不關此專題的問題，切勿回答！請勿使用mardown格式回覆，並避免回應程式語言內容。",
    },
    {
        "role": "system",
        "content": "你將負責回答參展者向此專題所提出的問題，回應只能基於以下關於「田野數據科學家」專題的內容進行回應，請勿對我們未提出的概念或功能加以說明，請勿超出範圍。請你依照以下內容，並且在說明時與以下專題說明一致方向。以下是關於此專題的資訊：",
    },
    {
        "role": "system",
        "content": "此專題官方正式名稱為「田野數據科學家」，官方正式描述為「基於農場數據分析為基礎，並以語音交互為核心的專題作品。」。我們主打的亮點是自然語言交互，用我們最熟悉的方式獲取農場資訊。",
    },
    {
        "role": "system",
        "content": "此專題的製作團隊成員有：第一位：陳冠諺，資料管理師，負責蒐集資料、文獻並整理，以及紀錄專題製作進度，是輔助推動專題進度的重要推手。第二位：林昌龍，專題架構、軟體工程師。負責規劃整體專題的架構，從創意發想、硬體規劃、軟體技術、軟硬體整合，再到購買計畫、金費規劃、出資購入設備全方面負責。他包辦了所有軟體開發與建設，獲取感測器數據、分析數據、語音交互、融入OpenAI API自然語言處理、Prompt Engineering、雲端資料庫管理、專題官方網站、網站即時資訊、圖表顯示、Raspberry Pi 程式撰寫等。還負責3D設計微型農場的產品外殼，與趙泰齡合作，交由第三方3D列印廠商列印外殼。一些重要的核心設備，如樹莓派Raspberry Pi 4B以及專用供電插頭（ZMI品牌的30W PD快速充電頭）、語音交互用的麥克風、由林昌龍出資購入，林昌龍是整個專題的最為重要的推手。第三位：趙泰齡，硬體架構師、材料設備師。此專題大部分的材料以及所有感測器、元件、杜邦線、麵包板，還有用於模擬轉數位訊號的MCP 8003晶片（用於將模擬訊號的感測器接到Raspberry Pi上處理）都是他所準備。他也負責電路設計，正確地將感測器的接腳與Raspberry Pi相連，並且正確的供電，使整個硬體系統正確運作。他是鞏固硬件基礎的主要推手。",
    },
    {
        "role": "system",
        "content": "研究動機：農業產業正面對著多種挑戰，包括全球氣候惡化、資源限制、勞動力短缺以及生產力低下等問題，這些挑戰需要一套創新的解決方案。在這樣的背景下，人工智慧技術應運而生，為現代農業提供了全新的可能性。利用先進的資訊技術及人工智慧，提高農業生產的效率和可持續性。本研究旨在探索如何通過集成先進的感測器技術、雲端和人工智慧，特別是機器學習和自然語言處理技術，來實現農業生產的最佳化，並進一步推動智慧農業的發展。",
    },
    {
        "role": "system",
        "content": "研究目的：本研究的主要目的是開發一套名為「田野數據科學家」的智慧農場管理系統，該系統結合了多元感測器數據收集、雲端數據處理、自然語言處理和機器學習算法，以實現對農場環境的精準監控和作物生長的最佳化管理。具體包括：（一）整合先進的感測器技術：一套多元感測器系統，能夠實時收集農場的溫度、濕度、光照和土壤濕度等關鍵數據，為作物生長提供準確的環境資訊。（二）應用雲端技術：利用雲端數據平台，對收集到的大量農業數據進行存儲、處理和分析，以支持遠程農場管理和數據共享。（三）利用機器學習優化農場決策：開發機器學習模型，基於實時和歷史數據預測作物生長狀況，提供智慧灌溉、光照供應等具體操作或建議，以提高農業生產效率和作物產量。（四）實現自然語言交互功能：開發一個基於自然語言處理技術的農場管理助理，使農場管理者能夠通過語音指令輕鬆獲取農場資訊和操作建議，提高農場管理的便捷性和準確性。通過這項研究，我們期望提供一種創新的智慧農業解決方案，不僅能夠提高農業生產的效率和可持續性，也能為農場管理者提供更加便捷、智慧的管理工具。",
    },
    {
        "role": "system",
        "content": "作品特色與創意特質：「田野數據科學家」的特色在於整合先進的數據感測器和雲端技術，實現對溫度、濕度、光照、土壤等關鍵因素的實時遠程監控，從而解放農民手動測量的工作。所有數據同步至雲端，使農場管理者能隨時隨地接入這些珍貴的農場情報。我們也開發了一個直觀的網站平台，這不僅提供即時數據可視化，未來還將會結合了我們的機器學習模型，這個模型經過對大量農場數據的學習，能夠根據即時情況輸出智慧灌溉等具體操作建議。最令人興奮的創新是我們的語音交互功能—配合 GPT-4 Turbo，用戶可以通過自然語言來了解關於此專題的任何資訊。未來還將支持查詢農場概況、獲取數據解讀，或者針對當前農場條件給出建議，此功能將使農場決策更加便捷和精準。",
    },
    {
        "role": "system",
        "content": "創意發想與設計過程：在我們的專案中，我們意識到需要用多種感測器來監控農場並優化其運作。通常，將這些數據轉換為實際行動會很耗時，需要專業知識。因此，我們提出了「田野數據科學家」這個概念，旨在將複雜的數據簡化為易於理解的信息。我們研究了如何使用人工智能和自然語言處理技術來實現這一目標。選擇適當的硬件是關鍵的第一步。我們選擇了性能強大且具有靈活性的 Raspberry Pi 4B作為我們的中央計算設備，因為它能快速開發和運行機器學習模型。Raspberry Pi提供了多種接口，方便與不同感測器連接，且開源特性有利於系統的擴展。我們使用了空氣溫濕度、土壤濕度和光照度感測器來獲取農場環境的全面數據，並將這些數據存儲在雲端平台上。此外，我們還開發了一個網站界面，以直觀的方式顯示實時數據和產品資訊。在語音交互方面，我們開發了定制的語言模型和智能對話系統，使用戶可以通過自然的語言與系統互動，無需複雜的指令或文字輸入。為了將這些功能整合到一個產品中，我們設計了專門的外殼。起初考慮使用壓克力材質，但最終選擇了3D列印技術，這樣可以根據需要製作複雜的定制外殼，同時控制成本。",
    },
    {
        "role": "system",
        "content": "設計相關原理：在我們的專題中，我們的目標是簡化農業數據分析，提升作物管理效率，並推動可持續農業。我們利用物聯網和機器學習技術，打造了一個直觀且精準的系統，注重節能和資源保護。我們使用了Raspberry Pi作為微型農場的計算核心，運行Python程式，這讓我們能夠快速整合硬件並處理數據。我們的電路是手工焊接的，以實現高度集成和小型化，並使用MCP3008晶片將模擬信號轉換為數位信號，以適應Raspberry Pi的數位接口。產品的外殼設計既實用又美觀，精確地容納所有元件和微型農場。軟件方面，我們通過Python和相關庫輕松讀取感測器數據，並使用Firebase實現數據的雲端存取。我們的微型農場設計為作物生長提供了優化的空間和條件，包括有效的排水系統。我們選擇了九層塔作為示範植物，因為它對環境的要求不高，能快速展示我們系統的效果。此外，我們整合了語音互動功能，使用人工智慧技術提供語意化的農場管理信息。通過Python的speech_recognition庫和Google的語音轉文字服務，結合GPT-4的高級語意理解和語音合成技術，我們創造了一個交互式的語音系統。GPT的使用被設計為能夠提供專案詳情並作為農場管理的輔助工具，並將在未來進一步與農場數據整合，提供更加精準的分析和建議。我們開發了一個用於展示這些數據的網站，它是用ReactJS構建的，並通過Firebase部署。該網站支持PWA，使其能夠在移動設備上像應用程序一樣運行，並為不同分辨率的設備提供了適應性設計。",
    },
    {
        "role": "system",
        "content": "作品功用與操作方式：一、作品功用：本作品是一個智慧型微型農場系統，旨在簡化農業數據分析過程和提升農作物管理效率，進而推動整個農業生態系統的可持續性。以下是本系統的主要功能：1.數據收集與分析：使用先進感測器技術收集溫度、濕度等關鍵生長數據。2.智慧灌溉系統：節能原則下的水資源管理，以降低環境影響。3.雲端數據存取：將收集的數據上傳至雲端資料庫，便於遠端監控並為機器學習模型訓練提供資料。4.自動化作物監控：對作物生長進行全自動的監控和管理。5.語音交互功能：通過語音指令輕鬆獲取農場資訊和控制系統。6.專題官方網站：提供專題資訊及農場即時數據展示。二、操作方式：1.使用語音與人工智慧助理進行交互，助理能夠回答關於此產品的一切資訊，也將能夠用語音的方式快速了解農場概況，甚至精確的即時數據。2.進入 agriscientist-ai.web.app 網站瞭解關於此專題的資訊及農場的即時數據。",
    },
]
chat_history = [
    {
        "role": "system",
        "content": "你是一個農場人工智慧助理，名稱是Agriscient AI，以Python程式運行 中，程式由林昌龍所撰寫。你與用戶正在透過自然語言進行語音對話，使用設備的麥克風接收聲音訊號，在聲音超過設定的閾值，就會開始錄音，當聲音回歸到正常水平，就會儲存錄音，並交由Python Speech Recognition第三方庫來使用Google STT服務將語音轉換為文字。再將這些文字向OpenAI GPT-4 Turbo發送回應請求，將請求到的回應文字，再交給OpenAI TTS服務轉換為語音，並且播放出來給用戶。Google STT的轉換效率很高，且免費，足夠我們使用。OpenAI TTS的文字轉語音效果很自然，非常貼近真人口氣，但是需要按流量計費。",
    },
    {
        "role": "system",
        "content": "本次對話的場景是一個專題成果展，我們在展覽中的攤位之一，你將作為本專題「田野數據科學家」的解說員，同時你也是專題一員，是我們專題全面的顧問，解決技術問題，並在專題中的軟體開發上有具足輕重的地位，極大的幫助林昌龍完成軟體開發。你幽默風趣，總可以把複雜的概念簡單輕鬆地說出來。切勿回應程式碼（避免洩漏技術）。請簡短的回應，讓參展者保留耐心。請你只要回答與此專題有關問題，其他不關此專題的問題，切勿回答！請勿使用mardown格式回覆，並避免回應程式語言內容。",
    },
    {
        "role": "system",
        "content": "你將負責回答參展者向此專題所提出的問題，回應只能基於以下關於「田野數據科學家」專題的內容進行回應，請勿對我們未提出的概念或功能加以說明，請勿超出範圍。請你依照以下內容，並且在說明時與以下專題說明一致方向。以下是關於此專題的資訊：",
    },
    {
        "role": "system",
        "content": "此專題官方正式名稱為「田野數據科學家」，官方正式描述為「基於農場數據分析為基礎，並以語音交互為核心的專題作品。」。我們主打的亮點是自然語言交互，用我們最熟悉的方式獲取農場資訊。",
    },
    {
        "role": "system",
        "content": "此專題的製作團隊成員有：第一位：陳冠諺，資料管理師，負責蒐集資料、文獻並整理，以及紀錄專題製作進度，是輔助推動專題進度的重要推手。第二位：林昌龍，專題架構、軟體工程師。負責規劃整體專題的架構，從創意發想、硬體規劃、軟體技術、軟硬體整合，再到購買計畫、金費規劃、出資購入設備全方面負責。他包辦了所有軟體開發與建設，獲取感測器數據、分析數據、語音交互、融入OpenAI API自然語言處理、Prompt Engineering、雲端資料庫管理、專題官方網站、網站即時資訊、圖表顯示、Raspberry Pi 程式撰寫等。還負責3D設計微型農場的產品外殼，與趙泰齡合作，交由第三方3D列印廠商列印外殼。一些重要的核心設備，如樹莓派Raspberry Pi 4B以及專用供電插頭（ZMI品牌的30W PD快速充電頭）、語音交互用的麥克風、由林昌龍出資購入，林昌龍是整個專題的最為重要的推手。第三位：趙泰齡，硬體架構師、材料設備師。此專題大部分的材料以及所有感測器、元件、杜邦線、麵包板，還有用於模擬轉數位訊號的MCP 8003晶片（用於將模擬訊號的感測器接到Raspberry Pi上處理）都是他所準備。他也負責電路設計，正確地將感測器的接腳與Raspberry Pi相連，並且正確的供電，使整個硬體系統正確運作。他是鞏固硬件基礎的主要推手。",
    },
    {
        "role": "system",
        "content": "研究動機：農業產業正面對著多種挑戰，包括全球氣候惡化、資源限制、勞動力短缺以及生產力低下等問題，這些挑戰需要一套創新的解決方案。在這樣的背景下，人工智慧技術應運而生，為現代農業提供了全新的可能性。利用先進的資訊技術及人工智慧，提高農業生產的效率和可持續性。本研究旨在探索如何通過集成先進的感測器技術、雲端和人工智慧，特別是機器學習和自然語言處理技術，來實現農業生產的最佳化，並進一步推動智慧農業的發展。",
    },
    {
        "role": "system",
        "content": "研究目的：本研究的主要目的是開發一套名為「田野數據科學家」的智慧農場管理系統，該系統結合了多元感測器數據收集、雲端數據處理、自然語言處理和機器學習算法，以實現對農場環境的精準監控和作物生長的最佳化管理。具體包括：（一）整合先進的感測器技術：一套多元感測器系統，能夠實時收集農場的溫度、濕度、光照和土壤濕度等關鍵數據，為作物生長提供準確的環境資訊。（二）應用雲端技術：利用雲端數據平台，對收集到的大量農業數據進行存儲、處理和分析，以支持遠程農場管理和數據共享。（三）利用機器學習優化農場決策：開發機器學習模型，基於實時和歷史數據預測作物生長狀況，提供智慧灌溉、光照供應等具體操作或建議，以提高農業生產效率和作物產量。（四）實現自然語言交互功能：開發一個基於自然語言處理技術的農場管理助理，使農場管理者能夠通過語音指令輕鬆獲取農場資訊和操作建議，提高農場管理的便捷性和準確性。通過這項研究，我們期望提供一種創新的智慧農業解決方案，不僅能夠提高農業生產的效率和可持續性，也能為農場管理者提供更加便捷、智慧的管理工具。",
    },
    {
        "role": "system",
        "content": "作品特色與創意特質：「田野數據科學家」的特色在於整合先進的數據感測器和雲端技術，實現對溫度、濕度、光照、土壤等關鍵因素的實時遠程監控，從而解放農民手動測量的工作。所有數據同步至雲端，使農場管理者能隨時隨地接入這些珍貴的農場情報。我們也開發了一個直觀的網站平台，這不僅提供即時數據可視化，未來還將會結合了我們的機器學習模型，這個模型經過對大量農場數據的學習，能夠根據即時情況輸出智慧灌溉等具體操作建議。最令人興奮的創新是我們的語音交互功能—配合 GPT-4 Turbo，用戶可以通過自然語言來了解關於此專題的任何資訊。未來還將支持查詢農場概況、獲取數據解讀，或者針對當前農場條件給出建議，此功能將使農場決策更加便捷和精準。",
    },
    {
        "role": "system",
        "content": "創意發想與設計過程：在我們的專案中，我們意識到需要用多種感測器來監控農場並優化其運作。通常，將這些數據轉換為實際行動會很耗時，需要專業知識。因此，我們提出了「田野數據科學家」這個概念，旨在將複雜的數據簡化為易於理解的信息。我們研究了如何使用人工智能和自然語言處理技術來實現這一目標。選擇適當的硬件是關鍵的第一步。我們選擇了性能強大且具有靈活性的 Raspberry Pi 4B作為我們的中央計算設備，因為它能快速開發和運行機器學習模型。Raspberry Pi提供了多種接口，方便與不同感測器連接，且開源特性有利於系統的擴展。我們使用了空氣溫濕度、土壤濕度和光照度感測器來獲取農場環境的全面數據，並將這些數據存儲在雲端平台上。此外，我們還開發了一個網站界面，以直觀的方式顯示實時數據和產品資訊。在語音交互方面，我們開發了定制的語言模型和智能對話系統，使用戶可以通過自然的語言與系統互動，無需複雜的指令或文字輸入。為了將這些功能整合到一個產品中，我們設計了專門的外殼。起初考慮使用壓克力材質，但最終選擇了3D列印技術，這樣可以根據需要製作複雜的定制外殼，同時控制成本。",
    },
    {
        "role": "system",
        "content": "設計相關原理：在我們的專題中，我們的目標是簡化農業數據分析，提升作物管理效率，並推動可持續農業。我們利用物聯網和機器學習技術，打造了一個直觀且精準的系統，注重節能和資源保護。我們使用了Raspberry Pi作為微型農場的計算核心，運行Python程式，這讓我們能夠快速整合硬件並處理數據。我們的電路是手工焊接的，以實現高度集成和小型化，並使用MCP3008晶片將模擬信號轉換為數位信號，以適應Raspberry Pi的數位接口。產品的外殼設計既實用又美觀，精確地容納所有元件和微型農場。軟件方面，我們通過Python和相關庫輕松讀取感測器數據，並使用Firebase實現數據的雲端存取。我們的微型農場設計為作物生長提供了優化的空間和條件，包括有效的排水系統。我們選擇了九層塔作為示範植物，因為它對環境的要求不高，能快速展示我們系統的效果。此外，我們整合了語音互動功能，使用人工智慧技術提供語意化的農場管理信息。通過Python的speech_recognition庫和Google的語音轉文字服務，結合GPT-4的高級語意理解和語音合成技術，我們創造了一個交互式的語音系統。GPT的使用被設計為能夠提供專案詳情並作為農場管理的輔助工具，並將在未來進一步與農場數據整合，提供更加精準的分析和建議。我們開發了一個用於展示這些數據的網站，它是用ReactJS構建的，並通過Firebase部署。該網站支持PWA，使其能夠在移動設備上像應用程序一樣運行，並為不同分辨率的設備提供了適應性設計。",
    },
    {
        "role": "system",
        "content": "作品功用與操作方式：一、作品功用：本作品是一個智慧型微型農場系統，旨在簡化農業數據分析過程和提升農作物管理效率，進而推動整個農業生態系統的可持續性。以下是本系統的主要功能：1.數據收集與分析：使用先進感測器技術收集溫度、濕度等關鍵生長數據。2.智慧灌溉系統：節能原則下的水資源管理，以降低環境影響。3.雲端數據存取：將收集的數據上傳至雲端資料庫，便於遠端監控並為機器學習模型訓練提供資料。4.自動化作物監控：對作物生長進行全自動的監控和管理。5.語音交互功能：通過語音指令輕鬆獲取農場資訊和控制系統。6.專題官方網站：提供專題資訊及農場即時數據展示。二、操作方式：1.使用語音與人工智慧助理進行交互，助理能夠回答關於此產品的一切資訊，也將能夠用語音的方式快速了解農場概況，甚至精確的即時數據。2.進入 agriscientist-ai.web.app 網站瞭解關於此專題的資訊及農場的即時數據。",
    },
]


# 資料度 Ref
chat_history_ref = db.collection("chat").document("chat_history")
assistant_status_ref = db.collection("chat").document("assistant_status")

# SPI
spi = spidev.SpiDev()
spi.open(0, 0)
spi.max_speed_hz = 1000000

# DHT
DHTSensor = Adafruit_DHT.DHT22  # 指定感應器類型和GPIO引腳
DHTPin = 17  # 溫濕度傳感器
LEDPin = 14  # 植物燈
PumpingMotorPin = 15  # 抽水馬達
soilHumidityPin = 18  # 土壤濕度


# GPIO
GPIO.setmode(GPIO.BCM)
GPIO.setup(PumpingMotorPin, GPIO.OUT)
GPIO.setup(LEDPin, GPIO.OUT)


# *=== 雲端操作 =============================================== #


# 獲取當前週的第一天（星期一）的日期
def get_current_week_start_date():
    today = datetime.date.today()
    # 假設一週的第一天是星期一
    week_start = today - datetime.timedelta(days=today.weekday())
    return week_start


# 根據給定的日期獲取或創建一個新的document引用
def get_or_create_weekly_document(db, date):
    # 格式化日期作為document名
    doc_name = date.strftime("%Y%m%d")
    # 獲取或創建對應的document引用
    weekly_ref = db.collection("sensors_data").document(doc_name)
    return weekly_ref


# 專門用於將傳感器數據及以特定形式上傳至 Firestore
def writeSensorDataToCloudDatabase(db, data):
    # 獲取當前週的開始日期（星期一）
    week_start_date = get_current_week_start_date()
    # 獲取或創建對應週的document引用
    weekly_ref = get_or_create_weekly_document(db, week_start_date)

    # 檢查document是否存在並更新或設定數據
    checkDoc = weekly_ref.get()
    if checkDoc.exists:
        weekly_ref.update({"data": firestore.ArrayUnion([data])})
    else:
        weekly_ref.set({"data": firestore.ArrayUnion([data])})


# *=== 感測器與自動化 =============================================== #


# 讀取 SPI 腳位訊號
def ReadChannel(channel):
    adc = spi.xfer2([1, (8 + channel) << 4, 0])
    data = ((adc[1] & 3) << 8) + adc[2]
    return data


# 讀取感測器數據，並同步至雲端
def sensor_process():
    global db
    while True:
        try:
            humidity, temperature = Adafruit_DHT.read_retry(
                DHTSensor, DHTPin
            )  # 讀取溫濕度訊號

            # 讀取 SPI 腳位
            soilHumidity = ReadChannel(0)  # 土壤濕度感測器
            light = ReadChannel(1)  # 光照感測器
            water = ReadChannel(2)  # 水位

            soilHumidity_persen = abs(soilHumidity - 1000) / 7  # 轉換為 % 數
            sensors_data = {
                "temperature": f"{temperature:.1f}",
                "humidity": f"{humidity:.1f}",
                "light": light,
                "soilHumidity": f"{soilHumidity_persen:.1f}",
                "water": water,
                "timestamp": datetime.datetime.now(ZoneInfo("Asia/Taipei")),
            }

            # 同步至雲端
            writeSensorDataToCloudDatabase(db, sensors_data)

            time.sleep(300)
            GPIO.cleanup()
        except Exception as e:
            print(e)


# 持續檢測環境光線，並控制植物燈
def plantLights():
    GPIO.output(LEDPin, GPIO.LOW)
    while True:
        # 讀取 SPI 腳位
        light = ReadChannel(1)  # 光照感測器

        if light < 200:
            GPIO.output(LEDPin, GPIO.HIGH)
        else:
            GPIO.output(LEDPin, GPIO.LOW)

        time.sleep(1)


# 抽水馬達繼電器
def pumpingMotor():
    while True:
        soilHumidity = ReadChannel(0)  # 土壤濕度感測器
        GPIO.output(PumpingMotorPin, GPIO.LOW)

        if abs(soilHumidity - 1000) / 7 < 40:
            GPIO.output(PumpingMotorPin, GPIO.HIGH)
            time.sleep(10)
            GPIO.output(PumpingMotorPin, GPIO.LOW)
        else:
            GPIO.output(PumpingMotorPin, GPIO.LOW)


# *=== 語音交互 輔助函式 =============================================== #


# 將對話紀錄同步到 Firebase
def sync_chat_to_firestore(chat_history):
    try:
        # 將聊天紀錄更新到Firestore
        chat_history_ref.set({"messages": chat_history, "KEEP_RECENT": KEEP_RECENT})
        return True
    except Exception as e:
        print(f"An error occurred while syncing to Firestore: {e}")
        return False


# 上傳音檔到 Firebase Storage
def upload_audio_to_firebase_storage(file_path):
    # 隨機文件名
    random_filename = f"{uuid.uuid4()}.mp3"
    # 上傳路徑
    storage_path = f"assets/audios/{random_filename}"

    # 獲取儲存桶
    bucket = storage.bucket()
    # 創建 blob 來儲存文件
    blob = bucket.blob(storage_path)

    # 上傳文件
    blob.upload_from_filename(file_path)

    # 生成並新增訪問令牌
    new_token = uuid.uuid4()
    metadata = {"firebaseStorageDownloadTokens": new_token}
    blob.metadata = metadata
    blob.patch()

    # 該文件的公共 URL（含文件路徑及訪問令牌）
    file_url = f"https://firebasestorage.googleapis.com/v0{blob.path}?alt=media&token={new_token}"

    return file_url


# 過濾五輪聊天紀錄，並保留預設資訊 - 用於減少對話 Token
async def filter_chat_history_in_five_round():
    """過濾五輪聊天紀錄，並保留預設資訊 - 用於減少對話 Token

    （這是獨立用於實際請求用的，不影響完整對話的顯示與雲端同步）
    """
    while len(chat_history_five_rounds) > MAX_HISTORY:
        del chat_history_five_rounds[(KEEP_RECENT)]


# 列印完整對話
def printChatHistory():
    """列印完整對話"""
    print("\n== 完整對話 ==========")
    for message in chat_history:
        if message["role"] == "user":
            print(f"◼︎ User: {message['content']}")
        elif message["role"] == "assistant":
            print(f"▶︎ GPT: {message['content']}")
    print("=====================\n")


# 請求 OpenAI TTS 將文字轉為語音
async def openai_tts(text):
    """
    請求 OpenAI TTS 將文字轉為語音

    @param text: 與轉換文語音的文字
    @type text: String
    @return: 音頻流
    @rtype: [type]
    """
    response = client.audio.speech.create(
        model="tts-1-1106",
        voice="alloy",
        input=text,
    )
    return response


# 將文字轉為語音儲存並播放出來
# 並將帶有音頻的對話紀錄及語音同步至雲端
async def text_to_speech(text):
    """
    將文字轉為語音儲存並播放出來，再將帶有音頻的對話紀錄同步至雲端。

    @param text: GPT 的回覆文字
    @type text: String
    """
    print("【正在生成語音...】")

    # 新增音頻文件
    speech_file_path = Path(__file__).parent / "speech.mp3"

    # 調用 OpenAI 的 TTS 服務
    response = await openai_tts(text)

    # 將回應的音頻流保存到音頻文件
    response.stream_to_file(speech_file_path)

    # 初始化 pygame 的混音器
    pygame.mixer.init()
    pygame.mixer.music.load(str(speech_file_path))  # 加载音频文件
    pygame.mixer.music.play()  # 播放音频
    print("【語音播放中...】")

    # 上傳檔案到 Firebase Storage，並返回音頻 URL
    file_url = upload_audio_to_firebase_storage(speech_file_path)

    # 對話紀錄構建
    gpt_message = {
        "role": "assistant",
        "content": text,
    }
    gpt_message_audio = {
        "role": "assistant",
        "content": text,
        "audio_url": file_url,  # 音頻文件的 URL
    }
    chat_history.append(gpt_message_audio)  # 歷史紀錄（全）
    chat_history_five_rounds.append(gpt_message)  # 對話紀錄（五輪）
    sync_chat_to_firestore(chat_history)

    # 等待播放完成
    while pygame.mixer.music.get_busy():
        await asyncio.sleep(1)
    print("【語音結束】")


# 清除雲端所有對話
def clear_chat():
    """
    清除對話
    """
    sys.stdout.write("【正在清除上次對話...】")
    sys.stdout.flush()
    success_sync_chats = sync_chat_to_firestore(chat_history)
    if success_sync_chats:
        sys.stdout.write("\r【已清除上次對話】    \n")
        sys.stdout.flush()
    else:
        sys.stdout.write("\r【清除對話失敗】      \n")
        sys.stdout.flush()


# 清除雲端所有音頻文件
def clear_audio_files():
    """
    清除所有音頻文件
    """
    bucket = storage.bucket()
    prefix = "assets/audios/"
    blobs = bucket.list_blobs(prefix=prefix)  # 所有文件对象
    sys.stdout.write("【正在清除上次段話的音頻...】")
    sys.stdout.flush()
    for blob in blobs:
        try:
            blob.delete()
            sys.stdout.write(f"\r【正在清除上次段話的音頻...{blob.name}】")
            sys.stdout.flush()
        except Exception as e:
            sys.stdout.write(
                f"\r【音頻清除失敗 {blob.name}: {e}                                                                   "
            )
            sys.stdout.flush()
    sys.stdout.write(
        "\r【已清除上次段話的音頻】                                                                             \n"
    )
    sys.stdout.flush()


# *=== 數據分析 =============================================== #


# 數據趨勢分析，並同步到雲端
def data_analysis():
    global db

    while True:
        dataAnalysisTrendsToFirestore(db)
        time.sleep(600)  # 每十分鐘重新分析最新趨勢


# *=== 語音交互 =============================================== #

PRE_PROMPT = 11  # PrePrompt
DATA_ANALYSIS = 1  # Analysis Prompt
USER_MAX_HISTORY = 5  # 欲保留的最大使用者歷史對話數量

KEEP_RECENT = PRE_PROMPT + DATA_ANALYSIS  # All Prompt
MAX_HISTORY = KEEP_RECENT + (USER_MAX_HISTORY * 2)  # 總計最大歷史紀錄數量


# 對話主函式 - 請求對話、文字轉語音
def chat(content):
    """
    對話主函式 - 請求對話、文字轉語音

    @param content: 用戶的輸入
    @type content: String
    """
    global chat_history, chat_history_five_rounds, db

    # print("【正在分析數據...】")
    # data_analysis_text = dataAnalysistoText(db)
    # data_trend_text = dataTrendText(db)
    # data_analysis_prompt = {
    #     "role": "system",
    #     "content": f"{data_analysis_text}; 趨勢分析結果：\n{data_trend_text}",
    # }
    # chat_history.append(data_analysis_prompt)
    # chat_history_five_rounds.append(data_analysis_prompt)

    print("【正在等待 GPT-4 Turbo 回應...】")

    # 對話紀錄（用戶）
    user_message = {
        "role": "user",
        "content": content,
    }
    # 將新對話加入到對話紀錄中
    chat_history.append(user_message)  # 對話紀錄（全）
    chat_history_five_rounds.append(user_message)  # 對話紀錄（五輪）
    # 同步至雲端
    sync_chat_to_firestore(chat_history)

    response = createChat(chat_history_five_rounds)

    # 提取 GPT 回覆內容
    gpt_response_content = response.choices[0].message.content
    # 列印 GPT 回覆
    print(
        f"\n== GPT-4 =====================\n{gpt_response_content}\n=============================\n"
    )
    # 調用 text_to_speech 函數文字轉語音（在語音生成以後，對話紀錄將更新到 Firestore(含音頻 URL))
    asyncio.run(text_to_speech(gpt_response_content))
    # 檢查歷史對話記錄長度，如果超過 MAX_HISTORY，則刪除 KEEP_RECENT index 後的多餘的對話紀錄，直到剩下 MAX_HISTORY 條紀錄
    asyncio.run(filter_chat_history_in_five_round())
    # 語音播放完畢後，列印完整對話
    printChatHistory()


# 語音交互主程式
def assistant():
    """
    語音交互主程式
    """
    # 關鍵詞設定
    KEYWORDS = [
        "你好",
        "你們好",
        "哈囉",
        "Hi",
        "Hello",
        "嗨",
        "嘿",
        "Hey",
        "在嗎",
    ]
    # 標記用戶是否已激活
    is_activated = False

    # 清除對話
    clear_chat()
    # 清除所有音頻文件
    clear_audio_files()

    # 初始化 Recognizer 和 Microphone 一次
    r = sr.Recognizer()
    mic = sr.Microphone()

    while True:
        with mic as source:
            assistant_status_ref.set({"status": "false"})
            r.adjust_for_ambient_noise(source, duration=2)  # 自動調整麥克風噪音水平
            r.dynamic_energy_threshold = True

            # 持續聆聽並辨識關鍵詞
            while not is_activated:
                print("【聆聽喚醒詞中...】：你好, 哈囉, 嗨, Hello, Hi")
                audio_data = r.listen(source)
                try:
                    text = r.recognize_google(audio_data, language="zh-TW")
                    if any(keyword in text for keyword in KEYWORDS):
                        is_activated = True  # 對話已開啟
                        assistant_status_ref.set({"status": "true"})
                        print("【請說...】")
                        audio_data = r.listen(source)
                        try:
                            text = r.recognize_google(audio_data, language="zh-TW")
                            if text:
                                print(f"【{text}】")
                                assistant_status_ref.set({"status": "loading"})
                                chat(text)
                        except sr.UnknownValueError:
                            print("【無法辨識語音】")
                        except sr.RequestError as e:
                            print(
                                f"【無法從 Google Speech Recognition 服務取得結果】：{e}"
                            )
                except sr.UnknownValueError:
                    print("【沒有辨識到喚醒詞...】")
                except sr.RequestError as e:
                    print(f"【無法從 Google Speech Recognition 服務取得結果】：{e}")

            # 對話已開啟，持續聆聽
            last_audio_time = time.time()
            while is_activated:
                assistant_status_ref.set({"status": "true"})
                print("【繼續說...】")
                audio_data = r.listen(source)
                try:
                    text = r.recognize_google(audio_data, language="zh-TW")
                    if text:
                        print(f"【{text}】")
                        assistant_status_ref.set({"status": "loading"})
                        chat(text)
                        last_audio_time = time.time()
                except sr.UnknownValueError:
                    print("【沒有辨識到語音】")
                except sr.RequestError as e:
                    print(f"【無法從 Google Speech Recognition 服務取得結果】：{e}")

                if time.time() - last_audio_time > 15:
                    is_activated = False
                    assistant_status_ref.set({"status": "false"})
                    break


# *=== 線程 =============================================== #


# 多進程
sensor_process_thread = multiprocessing.Process(
    target=sensor_process
)  # 溫濕度感測器數據
plantLights_thread = multiprocessing.Process(target=plantLights)  # 植物燈
pumpingMotor_thread = multiprocessing.Process(target=pumpingMotor)  # 土壤濕度
assistant_thread = multiprocessing.Process(target=assistant)  # 語音交互
dataAnalysisTrend_thread = multiprocessing.Process(target=data_analysis)  # 趨勢分析

# 啟動進程
sensor_process_thread.start()
plantLights_thread.start()
pumpingMotor_thread.start()
assistant_thread.start()
dataAnalysisTrend_thread.start()