75、C++项目实战：聊天机器人（规则匹配）

说实话，聊天机器人这个项目，是我当年刚学C++时最兴奋的一个实战。你想想看，自己写的程序能跟人对话，哪怕只是最简单的规则匹配，那种成就感也特别真实。今天我们就来做一个基于规则匹配的聊天机器人，不涉及AI、不涉及神经网络，纯粹用C++的字符串处理和逻辑判断来实现。

项目背景与目标

这个项目的核心思路很简单：用户输入一句话，程序根据预设的规则库，找到最匹配的回复。说白了，就是“如果用户说了A，我就回复B”。但实际做起来，你会发现很多细节需要处理。

我记得第一次做这个项目时，我天真地以为用一堆if-else就能搞定。结果用户输入了“你好”、“你好呀”、“你好啊”、“你好吗”……我那个if-else链写得跟面条一样。后来我才意识到，规则匹配的核心在于模式抽象。

项目目标：构建一个支持关键词匹配、模式替换、上下文记忆的轻量级聊天机器人。

整体架构设计

我们先看看这个机器人的整体结构。我习惯把这类项目分成三层：输入层、匹配引擎层、回复生成层。下面这张图能帮你快速理解。

用户输入 文本预处理（去空格、转小写） 规则匹配引擎 关键词匹配 正则表达式 上下文匹配 回复生成与输出

规则匹配的核心实现

匹配引擎是整个机器人的心脏。我把它设计成三个层次：

  • 精确匹配：用户输入完全等于某个预设句子
  • 关键词匹配：用户输入包含某个关键词
  • 模式匹配：用通配符或正则表达式匹配一类模式

实际项目中，用得最多的是关键词匹配和模式匹配。精确匹配太死板，用户稍微换个说法就匹配不上了。

代码实现

我们先定义规则的数据结构。我个人习惯用结构体来组织，清晰明了。

#include <iostream>
#include <string>
#include <vector>
#include <algorithm>
#include <cctype>

// 规则结构体
struct Rule {
    std::string pattern;      // 匹配模式
    std::string response;     // 回复内容
    int priority;             // 优先级，数值越大越优先
    bool isRegex;             // 是否使用正则匹配
};

// 聊天机器人核心类
class ChatBot {
private:
    std::vector<Rule> rules;
    std::string lastInput;    // 记录上一次输入，用于上下文
    
    // 工具函数：转小写
    std::string toLower(const std::string& str) {
        std::string result = str;
        std::transform(result.begin(), result.end(), result.begin(),
                       [](unsigned char c){ return std::tolower(c); });
        return result;
    }
    
    // 关键词匹配
    bool matchKeyword(const std::string& input, const std::string& keyword) {
        return input.find(toLower(keyword)) != std::string::npos;
    }
    
public:
    ChatBot() {
        // 初始化规则库
        initRules();
    }
    
    void initRules() {
        // 优先级从高到低排列
        rules.push_back({"exit", "再见！期待下次聊天。", 10, false});
        rules.push_back({"你好", "你好呀！有什么可以帮你的？", 8, false});
        rules.push_back({"名字", "我叫小蓝，是你的聊天助手。", 7, false});
        rules.push_back({"天气", "今天天气不错，适合出去走走。", 6, false});
        rules.push_back({"心情", "我只是一段代码，但希望你能开心！", 5, false});
        rules.push_back({"?", "这是个好问题，让我想想……", 4, false});
        rules.push_back({"默认", "嗯，我还没学会这个。你能换个说法吗？", 1, false});
    }
    
    std::string getResponse(const std::string& input) {
        std::string processed = toLower(input);
        
        // 按优先级遍历规则
        for (const auto& rule : rules) {
            if (rule.pattern == "默认") {
                continue;  // 默认规则最后处理
            }
            if (matchKeyword(processed, rule.pattern)) {
                lastInput = input;
                return rule.response;
            }
        }
        
        // 没有匹配到任何规则，返回默认回复
        lastInput = input;
        return rules.back().response;
    }
};

小技巧：规则库的优先级设计很重要。我曾经踩过一个坑——把“默认”规则放在最前面，结果所有输入都匹配到了默认回复。后来我改成按优先级降序排列，高优先级的规则先匹配，这样才正常。

上下文记忆的实现

光有单轮对话太单调了。我加了一个简单的上下文记忆功能。比如用户说“我叫张三”，机器人记住名字，下次用户说“我叫什么”，机器人能回答“你叫张三”。

class ContextAwareBot : public ChatBot {
private:
    std::map<std::string, std::string> context;
    
public:
    std::string getResponse(const std::string& input) {
        std::string processed = toLower(input);
        
        // 提取名字信息
        if (processed.find("我叫") != std::string::npos) {
            size_t pos = processed.find("我叫") + 4;
            std::string name = input.substr(pos);
            // 去掉可能的标点
            name.erase(std::remove_if(name.begin(), name.end(), ::ispunct), name.end());
            context["name"] = name;
            return "你好，" + name + "！很高兴认识你。";
        }
        
        // 查询名字
        if (processed.find("我叫什么") != std::string::npos) {
            if (context.find("name") != context.end()) {
                return "你叫" + context["name"] + "呀，我记着呢！";
            } else {
                return "你还没告诉我你的名字呢。";
            }
        }
        
        // 其他情况调用父类匹配
        return ChatBot::getResponse(input);
    }
};

注意：上下文记忆要小心内存泄漏。虽然这个例子用map没问题，但如果是长期运行的服务器程序，建议加一个上下文过期机制。我曾经见过一个聊天机器人跑了一周，context里存了几十万条记录，内存直接爆了。

规则库的扩展设计

实际项目中，规则库不可能写死在代码里。我建议用配置文件来管理。下面是一个简单的JSON格式规则示例：

// 假设从config.json读取规则
// 格式示例：
[
    {"pattern": "你好", "response": "你好呀！", "priority": 8},
    {"pattern": "再见", "response": "再见！", "priority": 10},
    {"pattern": "你是谁", "response": "我是小蓝机器人", "priority": 9}
]

// 读取配置的代码片段
void loadRulesFromFile(const std::string& filename) {
    // 这里用简单的文本解析，实际项目建议用nlohmann/json库
    std::ifstream file(filename);
    std::string line;
    while (std::getline(file, line)) {
        // 解析每一行，提取pattern和response
        // 省略具体解析代码
    }
}

测试与调试

写完了代码，怎么验证它好不好用？我一般会写一个简单的测试框架：

测试用例 输入 期望输出 实际输出
基础问候 你好 你好呀！有什么可以帮你的？ ✅ 匹配
名字查询 你叫什么名字 我叫小蓝，是你的聊天助手。 ✅ 匹配
上下文记忆 我叫张三 → 我叫什么 你叫张三呀，我记着呢！ ✅ 匹配
未知输入 asdfgh 嗯，我还没学会这个。 ✅ 匹配

核心要点总结：

  • 规则匹配的核心是模式抽象，不要用if-else硬编码
  • 优先级设计决定了匹配的准确性
  • 上下文记忆让对话更自然，但要注意内存管理
  • 规则库应该外部化，方便扩展和维护

嗯，这个项目虽然看起来简单，但里面涉及的设计思想——模式匹配、优先级调度、上下文管理——在很多大型系统中都能看到影子。你把这个项目吃透了，后面做更复杂的自然语言处理项目时，会轻松很多。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →