本文详解如何在 python 聊天机器人中全局识别 stop、bye 等退出关键词，避免因输入验证逻辑覆盖导致关键词失效，并提供可立即运行的修复方案。
本文详解如何在 python 聊天机器人中全局识别 stop、bye 等退出关键词，避免因输入验证逻辑覆盖导致关键词失效，并提供可立即运行的修复方案。
在 Codecademy 的「Looping Coffee Chatbot」项目中，为聊天机器人添加「退出关键词」（如 stop、bye）是提升用户体验的关键一步。但许多初学者会遇到一个典型陷阱：即使用户输入了退出词，程序仍进入错误处理流程（如调用 print_message()），而非立即终止。根本原因在于：所有输入获取函数（如 get_size()、get_drink_type()、order_mocha()）内部均采用递归或循环验证机制，而这些逻辑未对退出关键词做前置判断，导致关键词被当作无效输入处理。
✅ 正确做法：在每个输入函数中优先检测退出词
你需要在每个接收用户输入的函数开头（即读取 input() 后、任何条件判断前）插入统一的退出词检查。以 utils.py 中的 get_size() 为例，修复后如下：
# utils.py（修改后）
exit_words = ["stop", "bye"]
def print_message():
print("I'm sorry, I did not understand your selection. Please enter the corresponding letter for your response.")
def get_size():
res = input('What size drink can I get for you? \n[a] Small \n[b] Medium \n[c] Large \n> ').strip().lower()
# ✅ 关键修复：优先检查退出词
if res in exit_words:
return res # 直接返回，不触发后续验证
if res == 'a':
return 'small'
elif res == 'b':
return 'medium'
elif res == 'c':
return 'large'
else:
print_message()
return get_size()
同样，需同步更新 get_drink_type()（位于 script.py）和 order_mocha()：
# script.py（修改 get_drink_type 和 order_mocha）
def get_drink_type():
res = input('What type of drink would you like? \n[a] Brewed Coffee \n[b] Mocha \n[c] Latte \n> ').strip().lower()
# ✅ 新增：优先检查退出词
if res in exit_words:
return res
if res == 'a':
return 'brewed coffee'
elif res == 'b':
return order_mocha()
elif res == 'c':
return order_latte()
else:
print_message()
return get_drink_type()
def order_mocha():
while True:
res = input("Would you like to try our limited-edition peppermint mocha? \n[a] Sure! \n[b] Maybe next time! \n> ").strip().lower()
# ✅ 新增：优先检查退出词
if res in exit_words:
return res
if res == "a":
return "peppermint mocha"
elif res == "b":
return "mocha"
else:
print_message()
? 主循环中统一处理退出逻辑（script.py）
在 coffee_bot() 主函数中，需将所有输入结果（包括 size、drink_type、order_drink、name）统一检查是否为退出词，并立即返回：
def coffee_bot():
print('Welcome to the cafe!')
drinks = []
while True:
size = get_size()
if size in exit_words:
print("Sure, feel free to come back anytime!")
return
drink_type = get_drink_type()
if drink_type in exit_words:
print("Sure, feel free to come back anytime!")
return
drink = f'{size} {drink_type}'
print(f'Alright, that\'s a {drink}!')
drinks.append(drink)
# 询问是否继续点单（支持更多肯定/否定词）
while True:
order_drink = input("Would you like to order another drink? (y/n) \n> ").strip().lower()
if order_drink in exit_words:
print("Sure, feel free to come back anytime!")
return
elif order_drink in ["y", "yes", "affirmative", "amen", "fine", "good", "okay", "true", "yea"]:
break
elif order_drink in ["n", "no", "nah", "nay", "nix"]:
# 结束点单循环
break
else:
print_message()
# 若用户选择不继续，则跳出外层循环
if order_drink in ["n", "no", "nah", "nay", "nix"]:
break
print("Okay, so I have:")
for drink in drinks:
print("-", drink)
name = input('Can I get your name please? \n> ').strip().lower()
if name in exit_words:
print("Sure, feel free to come back anytime!")
return
print(f'Thanks, {name.title()}! Your order will be ready shortly.')
⚠️ 注意事项与最佳实践
- 统一小写 + 去空格：使用 .strip().lower() 处理所有输入，确保 "STOP"、" Bye " 等变体也能匹配。
- 避免重复定义 exit_words：仅在 utils.py 中定义一次，并在 script.py 中通过 from utils import exit_words 导入，保持一致性。
- 不要依赖递归退出：原代码中 get_size() 的递归调用会屏蔽退出词；必须在首次读取后立即判断。
- 测试边界场景：在每一步（选尺寸、选品类、加料、确认续单、输入姓名）分别输入 stop 或 bye，验证是否即时退出。
通过以上结构化修复，你的咖啡聊天机器人即可在任意交互环节响应退出关键词，逻辑清晰、健壮可靠——这也是构建真实对话系统的基础能力。
