Aliran kerja e -mel dengan langgraph dan groq-AI-php.cn

Rumah

Peranti teknologi

Aliran kerja e -mel dengan langgraph dan groq

Christopher Nolan

Mar 18, 2025 pm 12:20 PM

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

Sahkan pemasangan langgraph:

 ! Pip Show Langgraph

Aliran kerja e -mel dengan Langgraph dan Groq

Matlamat Sistem:

Sistem ini mengautomasikan balasan e -mel melalui proses berstruktur:

Terima e -mel yang masuk.
Mengkategorikan (jualan, siasatan, luar topik, aduan).
Menjana kata kunci penyelidikan.
Draf balasan menggunakan penemuan penyelidikan.
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')

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:

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).