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.
Objektif Pembelajaran Utama:
Artikel ini adalah sebahagian daripada Blogathon Sains Data.
Jadual Kandungan:
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
Sahkan pemasangan langgraph:
! Pip Show Langgraph
Matlamat Sistem:
Sistem ini mengautomasikan balasan e -mel melalui proses berstruktur:
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')
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")
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:
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!