AIエージェントを使用してパーソナライズされたニュースダイジェストを作成します

導入

大規模な言語モデル（LLM）の機能は迅速に進んでいます。これらにより、さまざまなLLMアプリケーションを構築できます。これらは、タスクの自動化からワークフローの最適化にまで及びます。エキサイティングなアプリケーションの1つは、LLMSを使用してインテリジェントニュースダイジェストまたはニュースレターエージェントを作成することです。このエージェントは、関連するコンテンツを引き込み、要約し、カスタマイズされた形式で配信できます。外部ツールやデータソースと動的に対話して、関連情報を取得できます。この記事では、LanggraphとNews APIなどの外部ツールを使用したパーソナライズされた毎日のニュースダイジェストのニュースダイジェストエージェントを構築する方法を学びましょう。

概要

• Langgraphとその主要なコンポーネント（状態、ノード、およびエッジ）のアーキテクチャを理解して、カスタマイズ可能なワークフローエージェントを構築します。
• Newsapiなどの外部APIを統合して、ニュースレターで動的なコンテンツ生成のリアルタイムデータを取得する方法を学びます。
• 品質基準に基づいてニュース記事をランク付けするスコアリングシステムを実装することにより、コンテンツ評価にLLMSを使用するスキルを開発します。
• Pythonの電子メール配信ライブラリを使用して、キュレーションされたコンテンツで電子メール配信を自動化する実用的な知識を得る。

目次

• ランググラフについての簡単な
• 前提条件
• アプリケーションフローを定義します
  • ニュースを入手してください
  • スコアニュース
  • メールを送信します
• エージェントの構築
• よくある質問

ランググラフについての簡単な

ランググラフはラングチェーンの上に構築されています。 Langgraphは、LLMをカスタムロジックとツールと統合する動的ワークフローを構築するために設計されたフレームワークです。これにより、複数のツールとAPIを組み合わせた高度にカスタマイズされて複雑なワークフローが可能になります。

Langgraphは、3つのコアコンポーネントで構成されています。

1. 状態：状態には、アプリケーション全体で共有されるデータが含まれています。データを保持できるPythonデータ構造です。異なるパラメーターを持つ状態オブジェクトを使用して定義できます。または、メッセージのリストのみを含むことができる事前に構築されたMessagestateを使用することもできます。
2. ノード：ノードは、状態を読み取って変更できる関数です。これらの機能は、状態を州に読み書きする最初の議論としています。また、どのノードがユーザー入力を取得し、最初に呼び出され、グラフの最後を示すエンドノードと呼ばれるノードを示す開始ノードもあります。
3. エッジ：エッジは、異なるノードを介してデータのフローを定義します。また、関数を使用して次に移動するノードを決定する条件付きエッジもあります。 Langgraphの利点は、多くの方法でエージェントをカスタマイズできることです。したがって、このエージェントを構築する方法は複数あります。

画像に示されているように、エッジはノードを接続し、ノードは状態のデータを読み取りまたは書き込みます。

また読む：Genaiエージェントとの組織のメールマーケティングを最適化する

前提条件

LLMエージェントの構築を開始する前に、必要なキーとパスワードがあることを確認しましょう。

API経由でLLMにアクセスします

使用しているLLMのAPIキーを生成することから始めます。 '.env'という名前のテキストファイルを作成します。このキーを.envファイルにしっかりと保存して、プロジェクト内でプライベートで簡単にアクセスできるようにします。

これは、.ENVファイルがどのように見えるかの例です

ニュースデータの取得

ニュースコンテンツを収集するには、https：//newsapi.org/を使用します。 APIキーにサインアップし、セキュアなアクセスのために同じ.ENVファイルに保存します。

メールを送信します

Pythonを使用して電子メールを送信するには、「安全性の低いアプリ」を有効にして、Gmailパスワードを.envファイルに保存できます。そのオプションが利用できない場合は、ここに記載されている手順に従ってGmailにアクセスできます。

ライブラリが必要です

主要なライブラリに次のバージョンを使用しました。

• Langchain - 0.2.14
• Langgraph - 0.2.14
• Langchain-Openai - 0.1.14
• Newsapi-Python - 0.2.7

アプリケーションフローを定義します

目標は、自然言語を使用して特定のトピックに関するニュースを収集し、電子メールでニュースレターを取得することです。このフローを実装するために、最初に各重要なタスクを処理する3つのツールを定義し、次にエージェントを構築してLLMとツールを呼び出します。

3つのツールは次のとおりです。

1. ニュースの取得：ニュースAPIは、解析されたクエリに基づいて関連するニュース記事を取得します。
2. ニュースの採点：フェッチされた記事は別のLLMに渡されます。出力は、品質スコアでソートされた記事のリストです。
3. ニュースの配信：トップスコアリングの記事は、読みやすいメールにフォーマットされ、ユーザーに送信されます。

これで、関数の定義を開始できます。

ニュースを入手してください

必要なライブラリをインポートし、.envファイルをロードします

OSをインポートします 
JSONをインポートします
PDとしてパンダをインポートします
DateTime Import DateTimeから、Timedeltaから
ipython.displayからインポート画像、表示
インポートリストの入力から、リテラル、オプション、typeddict、注釈
langchain_core.toolsインポートツールから
langchain_openaiからChatopenaiをインポートします

dotenvインポートload_dotenvから

load_dotenv（ '/。Env'）

＃.ENVファイルの代替案次のように.txtファイルを使用することもできます
ファイルとしてOpen（ 'mykey.txt'、 'r'）を使用して：
    openai_key = file.read（）
    
os.environ ['openai_api_key'] = openai_key

NewsApiclientおよびAPIキーからnews_apiを開始します

Newsapi Import NewsApiclientから

news_api_key = os.environ ['news_api_key']

news_api = newsapiclient（api_key = news_api_key）

次に、Langchainの「ツール」デコレーターを使用してLangchainツールを定義しましょう

@道具
def get_news（query：str、past_days：int、domains：str）：
    "" "
    クエリ、Past_daysなどのような特定のパラメーターに関するニュースを入手してください。
    args：
        クエリ：このトピックに関するニュースを検索します
        Past_days：過去に何日間検索する必要がありますか？
        ドメイン：これらのリソースでニュースを検索します
    "" "
    今日= datetime.today（）
    from_date = Today -Timedelta（days = past_days）
    news_details = news_api.get_everything（q = query、from_param = from_date、domains = domains、
                                           sort_by = '関連性'）
    news_detailsを返します

エージェントは、関連性に基づいて記事を並べ替えることもできます。この関数の出力がどのように見えるかの例は次のとおりです。

「@tool」デコレーターは、Langchainツールを定義するために使用されます。次に、このツールをLLMにバインドできます。上記の関数では、ドキュメント文字列も重要です。それが、ツールコールLLMの出力にこれらの引数を持つプロンプトとしてLLMに渡されるものです。

 ＃LLMを初期化します
gpt = chatopenai（model = "gpt-4o-mini"、温度= 0）

＃LLMがクエリに基づいてツールを返すことができるように、ツールをLLMにバインドできます。
gpt_with_tools = gpt.bind_tools（[get_news]）

スコアニュース

SCORE_NEWS機能は、事前定義された基準に基づいてスコアリングすることにより、ニュース記事を処理します。次に、関数は最高品質の記事のソートされたリストを返します。

必要な方法をインポートします

langchain_core.pydantic_vv1から、フィールド、インポートBasemodel
langchain_core.promptsからImport chatprompttemplate、proventTemplateから
langchain_core.messagesからHummessageをインポートします

関数を定義しましょう

def score_news（news_details：dict）：
    "" "
    new_articlesのスコアを計算し、スコアで並べ替えます。
        news_details：すべてのニュース記事    
    
    "" "
    ＃記事の州の最後のメッセージにアクセスします。
    ＃すべての記事をLLMに渡すと、コストが増加します。 
    ＃いくつかの記事のみを獲得することを選択できます。
    json_articles = json.loads（news_details ['messages'] [-1] .content）['article']
    Len（json_articles）> 15の場合：
        記事= json_articles [：15]
    それ以外：
        記事= json_articles
    
    ＃システムプロンプトLLMをガイドして記事を採点します。
    System_prompt = "" "
    あなたはニュース品質の評価者です。
    タイトル、説明、切り捨てられたコンテンツ、その他の詳細を含むニュース記事を提供します。 
    次の基準に基づいて、ニュース記事を分析して採点します。

    明確さ：この記事が簡潔で理解できる方法でメッセージをどれだけうまく伝えているか。
        スケール：1（不明）から25（非常に明確）

    信頼性：提供された説明やその他の詳細に基づいて、記事がどのくらいの可能性があり、事実上正確である可能性はありますか？
        スケール：1（信頼できない）から25（非常に信頼できる）

    エンゲージメントの可能性：記事が読者の注意を引きつけたり、さらなる考えを引き起こす可能性があるか。
        スケール：1（魅力的ではない）25（非常に魅力的）

    影響：潜在的な社会的、技術的、または政治的結果の観点から、記事がどれほど重要または影響力があるか。
        スケール：1（最小限の衝撃）から25（高い衝撃）

    ニュース記事の100のうち100の合計スコアを提供し、上記の各基準のスコアを追加します。

    多くのニュース記事を評価します。したがって、後でそれらすべてを並べ替えることができるようにそれらを獲得します。

    "" "
    prompt_template = chatprompttemplate.from_messages（[（ "system"、system_prompt）、（ "human"、 "{news}"））））

    
    ＃Pydanticクラスを定義して、構造化された形式で出力を取得します。
   
    クラスニュース（BaseModel）：
        "" "ニューススコアリングシステム" ""
    
        Total_score：int = field（description = 'ニュース記事の合計スコア'）
        
        出典：str = field（description = "ニュースのソース"）
        著者：optional [str] = field（default = none、description = "著者のニュース"）
        
        タイトル：str = field（description = "The Title of the News"）
        説明：str = field（description = "ニュースへの説明"）
        
        url：str = field（description = "ニュースのURL"）
        urltoimage：optional [str] = field（default = none、description = "ニュースの画像URL"）

    ＃GPT 4oは、スコアリングでより良くパフォーマンスを発揮しますが、よりコストがかかります。
    gpt_4o = chatopenai（model = 'gpt-4o'、温度= 0）
    structured_gpt = gpt_4o.with_structured_output（news）
    Chain = prompt_template | structured_gpt
    
    ＃各記事をLLMに送信して、他の詳細とともにスコアを取得します。
    結果= [Chain.Invoke（{'News'：記事}）。記事の記事のdict（）。

    ＃トータルスコアで記事を並べ替えます。
    df = pd.dataframe（results）.sort_values（by = 'total_score'、ascending = false）
    
    return {"messages"：[humnmessage（content = df.to_dict（orient = 'records'）]]}

この関数は、News_Detailsとして名前を含む入力として状態を取得します。州にはすべてのメッセージがあるため、記事の最後のメッセージにアクセスできます。コストを節約するために、上からいくつかの記事のみを獲得することを選択できます。最高のスコアリングシステムを取得するために、さまざまなシステムプロンプトを試すことができます。

出力が定義された形式である場合、データを処理する方が簡単です。したがって、構造化された出力でLLMを使用できます。ここで、構造はPydanticクラスを使用して定義されています。

その後、各記事を採点してデータフレームに保存できます。記事を合計スコアを使用して並べ替えて、それらを州にメッセージとして追加したら。

説明

1。入力

関数は、すべてのメッセージを含む入力として状態オブジェクトを受信します。この州からの最新のメッセージは、ニュース記事を保持しています。コストを最小限に抑えるために、すべての記事を採点する代わりに、記事の数を制限できます。

2。スコアリングプロセス

LLMに詳細なシステムプロンプトを提供し、システムプロンプトに与えられた基準に基づいて各記事を採点するように指示します。

LLMは、システムプロンプトで定義された基準に基づいて各記事を評価し、各基準のスコアを追加して、100のうち100の合計スコアを割り当てます。

3。構造化された出力

出力が構造化され、処理が簡単であることを確認するために、Pydanticモデル（ニュース）を定義します。このモデルには、「total_score」、 `title`、` description`、 `url`などのフィールドが含まれます。この構造化された形式を使用することにより、LLMは一貫した適切に組織化された結果を返すことができます。

4。LLM統合

構造化されたタスクの精度で知られているGPT-4oを使用して、記事を採点します。 GPT-4Oは、記事の評価においてGPT-4O-MINIよりも優れていることがわかります。各記事はLLMに渡され、結果はPydanticを使用して辞書形式に変換されます。

5.並べ替えと出力

すべての記事を採点した後、それらをパンダのデータフレームに保存し、「total_score」を下降順に並べ替えます。次に、ソートされたリストを州へのメッセージとして返すことができ、ワークフローの次の部分で使用する準備ができています。

メールを送信します

send_email関数は、ソートされたニュース記事のリストを取り、HTMLメールを生成し、受信者に送信します。

ライブラリをインポートします

Import SMTPLIB、SSL
base64をインポートします
メールをインポートします

send_email関数を定義します

def send_email（sorted_news）：
 
    ＃州の最後のメッセージからソートされたニュースを取得します。
    記事= sorted_news ['messages'] [-1] .content
    
    ＃New_Articleに画像がある場合、メールに表示できます。
    news_items_html = ""
    記事の記事[：10]：
        記事['urltoimage']がいない場合：
            news_items_html = f "" "
            <div>
                <img src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174442792064130.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="{article ['title']}">
                <div>
                    <h3 id="a-href-Barticle-B-url-D-D-article-title-a"> <a href="%7Barticle%20%5B'url'%5D%7D"> {article ['title']} </a> </h3>
                    <p> {記事['説明']} </p>
                </div>
            </div>
            "" "
        それ以外：
            news_items_html = f "" "
            <div>
                <div>
                    <h3 id="a-href-Barticle-B-url-D-D-article-title-a"> <a href="%7Barticle%20%5B'url'%5D%7D"> {article ['title']} </a> </h3>
                    <p> {記事['説明']} </p>
                </div>
            </div>
            "" "
            
    ＃HTMLメッセージのスタイリングのCSS。上記の「news_items_html」をここに追加します。
    html = f "" "
        
        
            <style>
                体 {{
                    フォントファミリー：arial、sans-serif;
                    背景色：＃C4C4C4;
                    マージン：0;
                    パディング：0;
                }}
                。容器 {{
                    幅：80％;
                    最大幅：600px;
                    マージン：0 Auto;
                    バックグラウンドカラー：#ffffff;
                    パディング：20px;
                    Box-Shadow：0 4PX 8PX RGBA（0、0、0、0.1）;
                }}
                H1 {{
                    テキストアライグ：センター;
                    色：＃333;
                }}
                .news-item {{
                    ディスプレイ：Flex;
                    Align-Items：Center;
                    justify-content：space-bethed;
                    国境圏：1px solid #eeeeee;
                    パディング：15px 0;
                }}
                .News-Item H3 {{
                    マージン：0;
                    フォントサイズ：16px;
                    色：＃007bff;
                    マージン左：5px;
                }}
                .news-item p {{
                    フォントサイズ：14px;
                    色：＃666666;
                    マージン：5px 0;
                    マージン左：5px;
                }}
                .news-item a {{
                    色：＃007bff;
                    テキスト装置：なし;
                }}
                .news-item img {{
                    幅：100px;
                    高さ：100px;
                    オブジェクトフィット：カバー;
                    ボーダーラジウス：8px;
                }}
                .footer {{
                    マージントップ：20px;
                    テキストアライグ：センター;
                    フォントサイズ：12px;
                    色：＃999999;
                }}
            </style>
        
        
            <div>
                <h1 id="キュレーションニュース">キュレーションニュース</h1>
                {news_items_html}
                <div>
                    <p>これはあなたのパーソナライズされたニュースレターです。</p>
                </div>
            </div>
        
        
    "" "
    
    port = 465＃for ssl

    sender_email = "[電子メール保護]"
    パスワード= os.environ ['gmail_password']
    
    context = ssl.create_default_context（）
 
    ＃メールのコンテンツを追加します
    メール= email.message.emailmessage（）
    mail ['to'] = "[電子メール保護]"
    mail ['from'] = "[電子メール保護]"
    Mail ['subject'] = "News Digest"
    mail.set_content（html、subtype = 'html'）

    
    smtplib.smtp_ssl（ "smtp.gmail.com"、port、context = context）としてサーバー：
        server.login（sender_email、パスワード）
        server.send_message（メール）

説明

1.ソートされたニュースを抽出します

関数は、州の最後のメッセージからソートされたニュース記事にアクセスすることから始まります。メールに表示されている記事の数を上位10に制限します。

2。HTMLコンテンツの生成

この関数は、各ニュース記事のHTMLを動的に構築します。記事に画像（「urltoimage」）が含まれている場合、画像は記事のタイトル、リンク、および説明の横にあるメールに埋め込まれています。それ以外の場合、タイトルと説明のみが表示されます。このHTMLブロック（ `News_Items_html`）は、各記事を処理するループを使用して生成されます。

3。HTMLおよびCSSスタイリング

HTML電子メールは、埋め込みCSSを使用してスタイリングされ、視覚的に魅力的なレイアウトを確保します。スタイルカバー：

• コンテナ：メインの電子メールコンテンツは、白い背景と微妙な影の中央のコンテナに包まれています。
• ニュース項目：各ニュース記事には、タイトル（クリック可能なリンクとして）、説明、およびオプションで画像が表示されます。レイアウトはFlexBoxを使用して画像とテキストを並べて並べ、各ニュース項目を分離します。

4。メールを作成します

電子メールは、pythonの `email.message.emailmessage`クラスを使用してセットアップされています。 HTMLコンテンツ、件名（「ニュースダイジェスト」）、送信者、および受信者が指定されています。 HTMLは、 `mail.set_content（html、subtype = 'html'）`を使用してメインコンテンツとして含まれています。

5.メールの送信

この関数は、GmailのSMTPサーバーを使用して、SSL（ポート465）を介して電子メールを安全に送信します。送信者のGmail資格情報は、環境変数「gmail_password」から取得され、ハードコードに敏感な情報を避けます。 SMTPサーバーにログインした後、メールは受信者に送信されます。

エージェントの構築

上記のツールと機能に基づいてエージェントを構築しましょう。

ステップ1。モデルとツールを呼び出す関数を定義します。

 langgraph.prebuiltインポートツールノードから
langgraph.graphからstategraph、messagesstate、start、endから

＃クエリに基づいてツールを返すモデルを呼び出す機能。
def call_model（state：messagesstate）：
    メッセージ= state ["メッセージ"]
    応答= gpt_with_tools.invoke（メッセージ）
    return {"メッセージ"：[応答]}
    
＃上記のLLMからの最後のメッセージがtool_callsの場合、「ツール」を返します
def call_tools（state：messagesstate） - > literal ["tools"、end]：
    メッセージ= state ["メッセージ"]
    last_message =メッセージ[-1]
    last_message.tool_callsの場合：
        「ツール」を返す
    端を返します

ステップ2。ワークフローグラフの構築。これで、すべての定義された関数を使用してエージェントを構築できます。

 ＃これをグラフで使用できるように、機能を備えたツールノードを作成します。 
get_news_tool = toolnode（[get_news]）


ワークフロー= stategraph（messagesstate）

＃call_model関数からエージェントを起動します。
workflow.add_node（ "llm"、call_model）
workflow.add_edge（start、 "llm"）

＃get_news_toolを追加します。これは、クエリに基づいて上記のLLMから呼び出されます。
workflow.add_node（ "tools"、get_news_tool）
workflow.add_conditional_edges（ "llm"、call_tools）

＃get_news関数からscore_news関数に接続します
workflow.add_node（ "score"、score_news）
workflow.add_edge（ "tools"、 "score"）

＃その後、score_news関数からsend_email関数に接続します
workflow.add_node（ "mail"、send_email）
workflow.add_edge（ "score"、 "mail"）

＃メールを送信した後、エージェントで終了できます
workflow.add_edge（ "mail"、end）

ステップ3。グラフをコンパイルします。

 agent = workflow.compile（）
display（image（agent.get_graph（）。draw_mermaid_png（）））

これで、クエリでエージェントを呼び出すことができます。

エージェントの各ステップで出力を印刷するためのニュースが少ないクエリを使用しましょう。

 query = "先月のインドのクリケットチームのニュースは何ですか？」

＃このクエリは開始ノードになります。
入力= {"メッセージ"：[（ "user"、query）]}

async for chunk in agent.astream（inputs、stream_mode = "values"）：
    chunk ["メッセージ"] [-1] .pretty_print（）

出力は、以下に示す形式になります。記事が返されない場合、クエリを変更できます。

ご覧のとおり、クエリから始めます。その後、LLMはツールを「get_news」と呼びます。次に、ツールはすべての記事を返します。 「SCORE_NEWS」関数はそれらを処理し、スコアのある記事のリストを出力します。次に、「send_email」関数は電子メールを送信しますが、州には出力はありません。

このようにして、あらゆるトピックについてエージェントを照会し、キュレーションされたニュースで電子メールを受け取ることができます。

結論

LanggraphとLLMSを使用してニュースレターエージェントを構築することで、ニュースキュレーションと配信を自動化する強力な方法が提供されます。リアルタイムデータ、インテリジェントスコアリング、およびパーソナライズされた電子メール配信を組み合わせることにより、このアプローチはカスタマイズされたニュースレターの作成を合理化し、読者のエンゲージメントとコンテンツの関連性を簡単に強化します。

よくある質問

Q1。ランググラフとは何ですか、そしてそれはどのように機能しますか？

A. Langgraphは、大規模な言語モデル（LLM）をカスタムロジックと統合する動的ワークフローを構築するためのフレームワークです。開発者は、各ノードが関数またはタスクを表し、エッジがこれらのタスク間のデータの流れを定義する状態、ノード、およびエッジを使用してグラフとしてワークフローを定義できます。

Q2。ランググラフの主なコンポーネントは何ですか？

A. Langgraphは、アプリケーション全体で共有されたデータを保持する3つのコアコンポーネントで構成されています。状態を読み取るか変更する個々の関数を表すノード。ノード間のデータの流れを定義するエッジ。条件付きエッジにより、柔軟な意思決定ベースのワークフローが可能になります。

Q3。 Langgraphは外部APIとツールを統合できますか？

A.はい、Langgraphは外部APIとツールを統合できます。ノードを定義して、API呼び出しの作成やサードパーティサービスとの対話など、特定のタスクを処理し、ワークフロー内でこれらのノードを使用して、動的でリアルタイムのアプリケーションを作成できます。

Q4。 Langgraphは条件付きワークフローをどのように処理しますか？

A. Langgraphを使用すると、条件付きエッジを定義できます。条件付きエッジは、機能を使用してワークフローの次のステップを決定します。この機能により、フローが特定の条件またはユーザー入力に依存する複雑な決定ベースのシナリオを簡単に処理できます。

以上がAIエージェントを使用してパーソナライズされたニュースダイジェストを作成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。