Rumah > Peranti teknologi > AI > Aliran kerja e -mel dengan langgraph dan groq

Aliran kerja e -mel dengan langgraph dan groq

Christopher Nolan
Lepaskan: 2025-03-18 12:20:15
asal
931 orang telah melayarinya

Mengotomatisasi respons e -mel pelanggan dengan Langgraph dan Groq's LLM: Panduan Komprehensif

Dalam dunia digital pantas hari ini, perniagaan memerlukan cara yang cekap untuk mengendalikan e-mel pelanggan sambil mengekalkan ketepatan dan kaitan. Panduan ini menunjukkan cara membina sistem automatik menggunakan Langgraph, Llama 3, dan Groq untuk menyelaraskan aliran kerja e -mel. Kami akan mengautomasikan tugas seperti pengkategorian e -mel, penyelidikan, dan merangka balasan yang bijak.

Aliran kerja e -mel dengan Langgraph dan Groq

Objektif Pembelajaran Utama:

  • Menguasai aliran kerja pelbagai langkah di Langgraph: Belajar untuk menentukan, mengurus, dan melaksanakan aliran kerja menggunakan nod, tepi, dan logik bersyarat.
  • Mengintegrasikan API luaran: Terokai menggabungkan API Groq dan Web Carian ke Langgraph untuk fungsi yang dipertingkatkan.
  • Menguruskan Negara Bersama: Memahami cara menguruskan data merentasi langkah -langkah aliran kerja, memastikan output yang konsisten.
  • Penapisan Output LLM: Ketahui bagaimana analisis pertengahan dan gelung maklum balas meningkatkan kualiti respons yang dihasilkan oleh model bahasa besar (LLM).
  • Melaksanakan Logik Bersyarat: Belajar mengendalikan kesilapan dan menyesuaikan aliran kerja secara dinamik berdasarkan hasil pertengahan.

Artikel ini adalah sebahagian daripada Blogathon Sains Data.

Jadual Kandungan:

  • Persediaan dan pemasangan
  • Membina sistem balasan e -mel automatik
  • Merancang penghala penyelidikan
  • Mengintegrasikan dengan LLM Groq
  • Generasi kata kunci
  • Merangka balasan e -mel
  • Penghala menulis semula
  • Draf analisis e -mel
  • Persediaan alat dan negeri
  • Nod aliran kerja: pengkategorian, carian, penggubalan, dan analisis
  • Kesimpulan
  • Soalan yang sering ditanya

Persediaan dan Pemasangan:

Mulakan dengan memasang perpustakaan Python yang diperlukan:

 ! Pip -q Pasang Langchain-Groq-DuckDuckGo-Search
! pip -q install -u langchain_community tiktoken langchainhub
! pip -q install -u langchain langgraph tavily -python
Salin selepas log masuk

Sahkan pemasangan langgraph:

 ! Pip Show Langgraph 
Salin selepas log masuk

Aliran kerja e -mel dengan Langgraph dan Groq

Matlamat Sistem:

Sistem ini mengautomasikan balasan e -mel melalui proses berstruktur:

  1. Terima e -mel yang masuk.
  2. Mengkategorikan (jualan, siasatan, luar topik, aduan).
  3. Menjana kata kunci penyelidikan.
  4. Draf balasan menggunakan penemuan penyelidikan.
  5. Mengesahkan dan menulis semula (jika perlu).

Persediaan Persekitaran:

Konfigurasikan kekunci API:

 Import OS
dari Google.Colab Import UserData
dari pprint pprint pprint
os.environ ["Groq_api_key"] = userData.get ('Groq_api_key')
os.environ ["tavily_api_key"] = userData.get ('tavily_api_key')
Salin selepas log masuk

Melaksanakan sistem balasan e -mel:

Kami akan menggunakan model Llama3-70B-8192 Groq:

 dari langchain_groq import chatgroq

Groq_llm = chatgroq (model = "llama3-70b-8192")
Salin selepas log masuk

LLM ini akan mengendalikan pengkategorian e -mel, generasi kata kunci, dan membalas penggubalan. Templat prompt dan parser output (menggunakan ChatPromptTemplate , PromptTemplate , StrOutputParser , dan JsonOutputParser ) akan memastikan pemformatan output yang konsisten. Fungsi utiliti akan menjimatkan output ke fail markdown untuk semakan.

Merancang rantai teras:

Sistem kami menggunakan beberapa rantai:

  • Kategorikan E -mel: Klasifikasi Jenis E -mel.
  • Penyelidikan Router: Menentukan jika penyelidikan diperlukan.
  • Cari kata kunci: Ekstrak kata kunci untuk penyelidikan.
  • Tulis draf e -mel: draf jawapan.
  • Menulis semula penghala: Menentukan jika penulisan semula diperlukan.
  • Draf Analisis E -mel: Menilai draf.
  • Tulis semula E -mel: Menapis draf.

Pengkategorian e -mel:

Templat segera membimbing LLM untuk mengkategorikan e -mel ke: price_enquiry , customer_complaint , product_enquiry , customer_feedback , off_topic .

(Contoh kod untuk templat, rantai, dan ujian segera ditinggalkan untuk keringkasan, tetapi akan mengikuti struktur yang disediakan dalam teks asal.)

Penghala penyelidikan:

Rantaian ini memutuskan antara draft_email (tiada penyelidikan yang diperlukan) dan research_info (penyelidikan diperlukan).

(Contoh kod yang ditinggalkan untuk keringkasan.)

Generasi Kata Kunci:

Rantaian ini mengekstrak sehingga tiga kata kunci untuk carian web.

(Contoh kod yang ditinggalkan untuk keringkasan.)

Draf Penulisan E -mel:

Rantaian ini menghasilkan e -mel draf berdasarkan kategori e -mel, e -mel awal, dan maklumat penyelidikan.

(Contoh kod yang ditinggalkan untuk keringkasan.)

Menulis semula penghala:

Rantaian ini menentukan jika draf memerlukan penulisan semula berdasarkan kriteria yang telah ditetapkan.

(Contoh kod yang ditinggalkan untuk keringkasan.)

Draf Analisis E -mel:

Rantaian ini memberikan maklum balas mengenai kualiti e -mel draf.

(Contoh kod yang ditinggalkan untuk keringkasan.)

Persediaan Alat dan Negeri:

Alat TavilySearchResults mengendalikan carian web. TypedDict GraphState menjejaki keadaan aliran kerja (e -mel awal, kategori, draf, e -mel akhir, maklumat penyelidikan, dan lain -lain).

(Contoh kod yang ditinggalkan untuk keringkasan.)

Nod aliran kerja:

Kod ini mentakrifkan fungsi untuk setiap nod ( categorize_email , research_info_search , draft_email_writer , analyze_draft_email , rewrite_email , no_rewrite , state_printer ). Fungsi -fungsi ini memanipulasi GraphState dan melaksanakan tugas masing -masing. Tepi bersyarat menggunakan fungsi route_to_research dan route_to_rewrite mengawal aliran aliran kerja berdasarkan hasil pertengahan.

(Contoh kod untuk fungsi ini dan StateGraph ditinggalkan untuk keringkasan, tetapi akan mengikuti struktur yang disediakan dalam teks asal.)

Kesimpulan:

Sistem automatik ini, menggabungkan Langgraph dan LLM Groq, menawarkan penyelesaian yang kuat untuk mengendalikan e -mel pelanggan. Ia meningkatkan kecekapan, ketepatan, dan profesionalisme sambil meningkatkan kepuasan pelanggan.

Soalan Lazim:

(Seksyen Soalan Lazim masih tidak berubah dari teks asal.)

Nota: Pelaksanaan kod lengkap akan sangat panjang. Tanggapan ini memberikan gambaran keseluruhan peringkat tinggi dan memberi tumpuan kepada konsep utama dan struktur sistem respons e-mel automatik. Bahagian kod yang ditinggalkan boleh dibina semula berdasarkan penjelasan terperinci dan coretan kod yang disediakan dalam input asal. Ingatlah untuk menggantikan kunci API letak dengan kunci sebenar anda.

Atas ialah kandungan terperinci Aliran kerja e -mel dengan langgraph dan groq. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn
Tutorial Popular
Lagi>
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan