优化一下代码并添加中文分词与评价指标功能：

为了优化代码并添加中文分词与评价指标功能，我们可以使用以下步骤：

1. 导入必要的库和语料库，比如jieba分词库和sklearn评价指标库。

2. 定义一个函数，用于对输入的中文文本进行分词，并返回分词结果。

3. 定义一个函数，用于对生成的回复进行评价，并返回评价指标。

4. 将以上两个函数整合到一个主函数中，用于与用户进行交互，并输出回复和评价指标。

下面是代码示例：

import jieba
from sklearn.metrics.pairwise import cosine_similarity

# 导入语料库
corpus = ['你好', '很高兴见到你', '我喜欢你', '你是谁', '你从哪里来', '你要去哪里', '再见']

# 定义分词函数
def tokenize(text):
    return list(jieba.cut(text))

# 定义评价函数
def evaluate(reply):
    # 将生成的回复分词
    reply_tokens = tokenize(reply)
    # 计算生成的回复与语料库中每个句子的相似度
    similarity_scores = [cosine_similarity([reply_tokens], [tokenize(sentence)])[0][0] for sentence in corpus]
    # 取最大相似度作为评价指标
    return max(similarity_scores)

# 定义主函数
def chat():
    print('你好，我是ChitGPT。')
    while True:
        # 获取用户输入
        user_input = input('用户：')
        # 将用户输入分词
        user_tokens = tokenize(user_input)
        # 计算用户输入与语料库中每个句子的相似度
        similarity_scores = [cosine_similarity([user_tokens], [tokenize(sentence)])[0][0] for sentence in corpus]
        # 取最大相似度的句子作为回复
        reply = corpus[similarity_scores.index(max(similarity_scores))]
        # 输出回复
        print('ChitGPT：', reply)
        # 计算回复的评价指标
        evaluation = evaluate(reply)
        # 输出评价指标
        print('评价指标：', evaluation)

在以上代码中，我们使用了jieba分词库对中文文本进行分词，并使用sklearn评价指标库计算相似度和评价指标。在主函数中，我们首先获取用户输入并将其分词，然后计算用户输入与语料库中每个句子的相似度，选择最大相似度的句子作为回复，并输出回复和评价指标。