使用AI代理創建個性化的新聞摘要

介紹

大語言模型（LLM）的功能正在迅速發展。它們使我們能夠構建各種LLM應用程序。這些範圍從任務自動化到工作流優化。一個令人興奮的應用程序是使用LLMS創建智能新聞文摘或新聞通訊代理。該代理可以提取相關內容，總結它並以自定義格式交付。它可以與外部工具和數據源動態交互以獲取相關信息。在本文中，讓我們學習如何使用Langgraph和News API（例如News API）為個性化的每日新聞摘要構建新聞摘要代理。

概述

• 了解Langgraph及其關鍵組件（狀態，節點和邊緣）的體系結構，以構建可自定義的工作流代理。
• 了解如何將新聞紙這樣的外部API集成以獲取新聞通訊中動態內容的實時數據。
• 通過實施根據質量標準對新聞文章進行排名的評分系統，開發使用LLM進行內容評估的技能。
• 使用Python的電子郵件彙編庫將其自動化電子郵件交付自動化的實用知識。

目錄

• 關於Langgraph的簡介
• 先決條件
• 定義應用程序流
  • 獲取新聞
  • 得分新聞
  • 發送電子郵件
• 建造代理
• 常見問題

關於Langgraph的簡介

Langgraph建在Langchain的頂部。 Langgraph是一個框架，旨在構建將LLM與自定義邏輯和工具集成的動態工作流程。這允許高度定制且複雜的工作流程結合多個工具和API。

Langgraph由三個核心組成部分組成：

1. 狀態：狀態包含整個應用程序中共享的數據。可以是任何可以持有數據的Python數據結構。我們可以使用具有不同參數的狀態對象來定義它。另外，我們還可以使用僅包含消息列表的預構建的MessagessTate。
2. 節點：節點是可以讀取和修改狀態的函數。這些功能將狀態作為讀或寫入狀態的第一個參數。我們還有一個開始節點來表示哪個節點將獲取用戶輸入，並首先稱為“表示圖”末尾的末端節點。
3. 邊緣：邊緣通過不同的節點定義數據流。我們還具有有條件的邊緣，該邊緣使用函數來確定下一步要轉到哪個節點。 Langgraph的優點是我們可以通過許多方式自定義代理。因此，可以有不止一種方法來構建該代理。

如圖所示，邊緣連接節點，節點在狀態中讀取或寫入數據。

另請閱讀：優化組織與Genai代理商的電子郵件營銷

先決條件

在開始構建LLM代理之前，請確保我們擁有所需的鍵和密碼。

通過API訪問LLM

首先為您使用的LLM生成一個API鍵。創建一個名稱為“ .env”的文本文件。將此密鑰牢固地存儲在.env文件中，以使其私密且在項目中易於訪問。

這是一個.env文件的示例

獲取新聞數據

要收集新聞內容，我們將使用https://newsapi.org/。註冊一個API鍵並將其存儲在同一.ENV文件中以進行安全訪問。

發送電子郵件

要使用Python發送電子郵件，我們可以啟用“較不安全的應用程序”，然後將Gmail密碼存儲在.ENV文件中。如果該選項不可用，我們可以按照此處提到的步驟訪問Gmail。

需要庫

我們已將以下版本用於主要庫：

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

定義應用程序流

目的是使用自然語言查詢代理商，以收集有關特定主題的新聞，並通過電子郵件獲取新聞通訊。為了實現此流程，我們將首先定義三個工具來處理每個關鍵任務，然後構建代理來調用LLM和工具。

這三個工具如下：

1. 獲取新聞：新聞API根據解析的查詢檢索相關的新聞文章。
2. 評分新聞：被提取的文章傳遞給另一個LLM，該法學碩士評估和評分為質量。輸出是按其質量得分排序的文章列表。
3. 發表新聞：最高得分的文章將格式化為可讀的電子郵件，並發送給用戶。

現在，我們可以開始定義功能。

獲取新聞

導入必要的庫並加載.env文件

導入操作系統 
進口JSON
導入大熊貓作為pd
從DateTime Import DateTime，TimeDelta
從ipython.display導入圖像，顯示
從輸入導入列表，文字，可選，打字，註釋
來自langchain_core.tools導入工具
來自langchain_openai進口chatopenai

來自dotenv import load_dotenv

load_dotenv（'/。env'）

＃替代.env文件，我們也可以使用.txt文件如下
用open（'mykey.txt'，'r'）作為文件：
    OpenAi_Key = file.read（）
    
os.environ ['OpenAI_API_KEY'] = OpenAi_Key

從Newsapiclient和API鍵啟動News_API

從Newsapi Import Newsapiclient

news_api_key = os.environ ['news_api_key']

news_api = newsapiclient（api_key = news_api_key）

現在，讓我們使用Langchain的“工具”裝飾器來定義Langchain工具

@工具
def get_news（查詢：str，past_days：int，域：str）：
    ”“”
    獲取有關給定參數的新聞，例如查詢，過去_DAYS，等。
    args：
        查詢：有關此主題的搜索新聞
        過去_DAYS：過去應該搜索幾天？
        域：這些資源中的搜索新聞
    ”“”
    今天= dateTime.today（）
    from_date =今天-TimeDelta（days = past_days）
    news_details = news_api.get_everything（q =查詢，from_param = from_date，domains =域，
                                           sort_by ='相關性'）
    返回news_details

代理還可以根據相關性對文章進行分類。這是此功能的輸出的示例：

'@tool'裝飾器用於定義蘭鏈工具。然後，我們可以將此工具綁定到LLM。在上述功能中，DOC字符串也很重要。這就是將LLM傳遞給LLM的原因，以將這些參數放在工具稱呼LLM的輸出中。

 ＃初始化LLM
gpt = chatopenai（型號=“ gpt-4o-mini”，溫度= 0）

＃我們可以將工具綁定到LLM，以便LLM可以根據查詢返回工具。
gpt_with_tools = gpt.bind_tools（[[get_news]）

得分新聞

Score_news功能通過根據預定義的標準對新聞文章進行評分來處理新聞文章。然後該函數返回最高質量文章的排序列表。

導入所需的方法

來自langchain_core.pydantic_v1導入基本模型，字段
來自langchain_core.prompts導入chatprompttemplate，提示鍵盤
來自langchain_core.messages導入人類

讓我們定義功能

def score_news（news_details：dict）：
    ”“”
    計算News_articles的分數，然後按得分進行排序。
        news_details：所有新聞文章    
    
    ”“”
    ＃訪問國家的最後一條消息。
    ＃將所有文章傳遞給LLM將增加成本。 
    ＃我們可以選擇僅評分一些文章。
    json_articles = json.loads（news_details ['消息'] [ -  1] .content）
    如果len（json_articles）> 15：
        文章= json_articles [：15]
    別的：
        文章= json_articles
    
    ＃系統提示指導LLM評分文章。
    system_prompt =“”“”
    您是新聞質量評估者。
    我將為您提供新聞文章，其中包含標題，描述和截短的內容和其他詳細信息。 
    根據以下標準分析和評分新聞文章：

    清晰度：文章以簡潔而可理解的方式傳達信息的程度。
        比例：1（不清楚）至25（非常清晰）

    可信度：基於提供的描述和其他細節，文章有多大可能可信和實際上準確？
        比例：1（不可信）至25（高度可信）

    參與潛力：文章吸引讀者的注意力或引起進一步思考的可能性。
        比例：1（不參與）至25（非常吸引人）

    影響：本文的潛在社會，技術或政治後果的重要性或影響力。
        比例：1（最小影響）至25（高影響力）

    為新聞文章提供100分的總分數，並為上述每個標準的分數添加得分。

    您將評估很多新聞文章。因此，對他們進行評分，以便我們以後可以對所有這些分類。

    ”“”
    提示_template = chatprompttemplate.from_messages（[（“系統”，system_prompt），（“人”，“ {news}”）））

    
    ＃定義pydantic類以以結構化格式獲取輸出。
   
    課堂新聞（基本模型）：
        “”“新聞評分系統”“”
    
        total_score：int = field（description ='新聞文章的總分'）
        
        來源：str = field（Description =“新聞的來源”）
        作者：可選[str] = field（default = none，description =“新聞的作者”）
        
        標題：str = field（description =“新聞的標題”）
        描述：str = field（描述=“新聞描述”）
        
        URL：str = field（description =“新聞的URL”）
        urltoimage：可選[str] = field（default = none，description =“新聞的圖像URL”）

    ＃GPT 4O在得分方面表現更好，但成本更高。
    gpt_4o = chatopenai（型號='gpt-4o'，溫度= 0）
    structured_gpt = gpt_4o.with_structured_output（新聞）
    鏈=提示_template | structred_gpt
    
    ＃將每篇文章發送到LLM，以獲取其他細節。
    結果= [chain.Invoke（{'news'：artical}）。文章中文章的dict（）]

    ＃按總分對文章進行排序。
    df = pd.dataframe（結果）.sort_values（by ='tucter_score'，accending = false）
    
    返回{“消息”：[humanMessage（content = df.to_dict（orient ='records'））]}}

該功能將狀態作為輸入，名稱為news_details。由於國家包含所有消息，我們可以訪問文章的最後一條消息。我們可以選擇從頂部獲得一些文章來節省成本。我們可以嘗試不同的系統提示來獲得最佳評分系統。

如果輸出為定義格式，則更容易處理數據。因此，我們可以將LLM與結構化輸出一起使用，其中結構是使用Pydantic類定義的。

然後，我們可以對每篇文章進行評分並將其存儲在數據框架中。一旦我們使用總分數對文章進行排序，並將其添加為州的消息。

解釋

1。輸入

該函數將狀態對像作為輸入接收，其中包含所有消息。該州的最新信息持有新聞文章。為了最大程度地減少成本，我們可以限製文章的數量，而不是評分所有文章。

2。評分過程

我們為LLM提供了詳細的系統提示，並根據系統提示中給出的標準指示其對每篇文章進行評分。

LLM根據系統提示中定義的標準評估每個文章，並分配100個總分，並增加每個標準的分數。

3。結構化輸出

為了確保輸出結構化且易於處理，我們定義了Pydantic模型（新聞）。該模型包括``total_score''，`title` titled''，`description`和`rl''等字段。通過使用這種結構化格式，LLM可以返回一致，組織良好的結果。

4。 LLM集成

我們使用GPT-4O（以其在結構化任務中的準確性而聞名）來評分文章。發現在評估文章時，GPT-4O比GPT-4O-Mini好。每篇文章都通過LLM傳遞，並使用Pydantic轉換為詞典格式。

5。排序和輸出

在評分了所有文章之後，我們將它們存儲在Pandas DataFrame中，以降序順序對其進行“ total_score”進行排序。然後，我們可以將排序列表作為消息返回到州，準備在工作流的下一部分中使用。

發送電子郵件

send_email功能列出了分類的新聞文章列表，生成了HTML電子郵件，並將其發送給收件人。

導入庫

導入SMTPLIB，SSL
導入基礎64
導入電子郵件

定義send_email功能

def send_email（sorted_news）：
 
    ＃從國家的最後一條消息中獲取分類新聞。
    articles = sorted_news ['消息'] [ -  1] .content
    
    ＃如果News_article具有圖像，我們可以在電子郵件中顯示。
    news_items_html =“”
    對於文章中的文章[：10]：
        如果文章['urltoimage']不是沒有：
            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="”">
                <div>
                    <h3 id="a-href-E-C-actits-title-a"> <a href="%E2%80%9C"> {actits ['title']} </a> </h3>
                    <p> {文章['description']} </p>
                </div>
            </div>
            ”“”
        別的：
            news_items_html = f“”
            <div>
                <div>
                    <h3 id="a-href-E-C-actits-title-a"> <a href="%E2%80%9C"> {actits ['title']} </a> </h3>
                    <p> {文章['description']} </p>
                </div>
            </div>
            ”“”
            
    ＃用於造型HTML消息的CSS。我們在此處添加上面的“ news_items_html”。
    html = f“”
        
        
            
                身體 {{
                    字體家庭：Arial，sans-serif;
                    背景色：＃C4C4C4;
                    保證金：0;
                    填充：0;
                }}}
                。容器 {{
                    寬度：80％；
                    最大寬度：600px;
                    保證金：0自動；
                    背景色：#ffffff;
                    填充：20px;
                    盒子陰影：0 4PX 8PX RGBA（0，0，0，0.1）;
                }}}
                h1 {{
                    文字平衡：中心；
                    顏色：＃333;
                }}}
                .news-item {{{
                    顯示：Flex;
                    準項目：中心；
                    正當：中間的空間；
                    邊界底：1px固體#EEEEE；
                    填充：15px 0;
                }}}
                .news-item h3 {{{
                    保證金：0;
                    字體大小：16px;
                    顏色：＃007BFF;
                    左鍵：5px;
                }}}
                .news-item p {{{
                    字體大小：14px;
                    顏色：＃666666;
                    保證金：5px 0;
                    左鍵：5px;
                }}}
                .news-item a {{{
                    顏色：＃007BFF;
                    文本介紹：無；
                }}}
                .news-item img {{{
                    寬度：100px;
                    身高：100px;
                    對象擬合：封面；
                    邊界拉迪烏斯：8px;
                }}}
                .頁尾 {{
                    保證金頂：20px;
                    文字平衡：中心；
                    字體大小：12px;
                    顏色：＃999999;
                }}}
            
        
        
            <div>
                <h1 id="策劃的新聞">策劃的新聞</h1>
                {news_items_html}
                <div>
                    <p>這是您的個性化新聞通訊。 </p>
                </div>
            </div>
        

以上是使用AI代理創建個性化的新聞摘要的詳細內容。更多資訊請關注PHP中文網其他相關文章！