LanggraphとGroqでワークフローをメールで送信します

LanggraphとGroqのLLMで顧客の電子メールの回答を自動化する：包括的なガイド

今日のペースの速いデジタルの世界では、企業は正確さと関連性を維持しながら、顧客の電子メールを処理する効率的な方法を必要としています。このガイドは、Langgraph、Llama 3、およびGROQを使用して自動システムを構築して、電子メールワークフローを合理化する方法を示しています。電子メールの分類、研究、思慮深い返信の起草などのタスクを自動化します。

主要な学習目標：

• Langgraphでのマルチステップワークフローのマスター：ノード、エッジ、条件付きロジックを使用してワークフローを定義、管理、実行することを学びます。
• 外部APIの統合：GROQとWeb検索APIをLanggraphに組み込んで、機能を強化することを検討します。
• 共有状態の管理：ワークフローステップ全体でデータを管理する方法を理解し、一貫した出力を確保します。
• LLM出力の改良：中間分析とフィードバックループが、大規模な言語モデル（LLM）によって生成された応答の品質をどのように改善するかを学びます。
• 条件付きロジックの実装：中間結果に基づいてエラーの処理と動的にワークフローを適応させることを学びます。

この記事は、Data Science Blogathonの一部です。

目次：

• セットアップとインストール
• 自動メール返信システムの構築
• 研究ルーターの設計
• GROQのLLMとの統合
• キーワード生成
• ドラフトのメール返信
• 書き換えルーター
• ドラフトメール分析
• ツールと状態のセットアップ
• ワークフローノード：分類、検索、起草、分析
• 結論
• よくある質問

セットアップとインストール：

必要なPythonライブラリをインストールすることから始めます。

 ！pip -q langchain-groq duckduckgo-searchをインストールします
！pip -q install -u langchain_community tiktoken langchainhub
！pip -q install -u langchain langgraph tavily -python

Langgraphのインストールを確認します。

 ！ピップショーランググラフ

システムの目標：

システムは、構造化されたプロセスを介して電子メールの返信を自動化します。

1. 着信電子メールを受信します。
2. 分類（販売、問い合わせ、トピック外、苦情）。
3. 研究キーワードを生成します。
4. 調査結果を使用して返信を起草します。
5. 検証と書き換え（必要に応じて）。

環境のセットアップ：

APIキーを構成します：

 OSをインポートします
Google.ColabからImport userDataから
pprintインポートPprintから
os.environ ["groq_api_key"] = userdata.get（ 'groq_api_key'）
os.environ ["tavily_api_key"] = userdata.get（ 'tavily_api_key'）

電子メールの返信システムの実装：

GROQのllama3-70b-8192モデルを使用します。

 langchain_groqからChatGroqをインポートします

groq_llm = chatgroq（model = "llama3-70b-8192"）

このLLMは、電子メールの分類、キーワード生成、および返信ドラフトを処理します。プロンプトテンプレートと出力パーサー（ ChatPromptTemplate 、 PromptTemplate 、 StrOutputParser 、およびJsonOutputParserを使用）は、一貫した出力フォーマットを確保します。ユーティリティ関数は、レビューのために出力をマークダウンファイルに保存します。

コアチェーンの設計：

私たちのシステムはいくつかのチェーンを使用しています：

• 電子メールの分類：電子メールの種類を分類します。
• 研究ルーター：研究が必要かどうかを判断します。
• キーワードの検索：調査のためにキーワードを抽出します。
• ドラフトメールを書く：返信をドラフトします。
• ルーターの書き換え：書き換えが必要かどうかを判断します。
• ドラフトメール分析：ドラフトを評価します。
• 電子メールの書き換え：ドラフトを改良します。

電子メール分類：

プロンプトテンプレートは、LLMをガイドして、メールをprice_enquiry 、 customer_complaint 、 product_enquiry 、 customer_feedback 、 off_topicに分類します。

（プロンプトテンプレート、チェーン、テストのコード例は簡潔にするために省略されていますが、元のテキストで提供されている構造に従います。）

研究ルーター：

このチェーンは、 draft_email （研究に不要）とresearch_info （研究が必要）の間で決定します。

（Brevityのために省略されたコードの例。）

キーワード生成：

このチェーンは、Web検索に最大3つのキーワードを抽出します。

（Brevityのために省略されたコードの例。）

ドラフトメールライティング：

このチェーンは、電子メールカテゴリ、初期電子メール、および調査情報に基づいてドラフトメールを生成します。

（Brevityのために省略されたコードの例。）

ルーターの書き換え：

このチェーンは、事前定義された基準に基づいてドラフトが書き換えが必要かどうかを判断します。

（Brevityのために省略されたコードの例。）

ドラフトメール分析：

このチェーンは、ドラフトメールの品質に関するフィードバックを提供します。

（Brevityのために省略されたコードの例。）

ツールと状態のセットアップ：

TavilySearchResultsツールは、Web検索を処理します。 GraphState TypedDicticは、ワークフローの状態を追跡します（初期電子メール、カテゴリ、ドラフト、最終メール、研究情報など）。

（Brevityのために省略されたコードの例。）

ワークフローノード：

コードは、各ノードの関数を定義します（ categorize_email 、 research_info_search 、 draft_email_writer 、 analyze_draft_email 、 rewrite_email 、 no_rewrite 、 state_printer ）を定義します。これらの関数はGraphStateを操作し、それぞれのタスクを実行します。 route_to_researchおよびroute_to_rewrite関数を使用した条件付きエッジは、中間結果に基づいてワークフローのフローを制御します。

（これらの機能とStateGraphのコード例は簡潔に省略されていますが、元のテキストで提供されている構造に従います。）

結論：

LanggraphとGroqのLLMを組み合わせたこの自動化システムは、顧客のメールを処理するための強力なソリューションを提供します。顧客満足度を向上させながら、効率、精度、プロフェッショナリズムを改善します。

よくある質問：

（FAQSセクションは、元のテキストからほとんど変化していません。）

注：完全なコード実装は大幅に長くなります。この応答は、高レベルの概要を提供し、自動化された電子メール応答システムの重要な概念と構造に焦点を当てています。省略されたコードセクションは、元の入力で提供される詳細な説明とコードスニペットに基づいて再構築できます。プレースホルダーAPIキーを実際のキーに置き換えることを忘れないでください。

以上がLanggraphとGroqでワークフローをメールで送信しますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。