使用 Google Gemini 模型构建人工智能驱动的电子邮件验证器

在我的公司，我参与了一个涉及电子商务网站客户查询表的项目。我们有一个系统来验证电子邮件地址，但更大的问题仍然存在：如何确保人们发送的消息实际上与商店相关而不仅仅是垃圾邮件。这对于避免我们的支持团队因不相关的电子邮件而不堪重负至关重要。

该组件的核心挑战和重点是开发一种方法，在每个查询到达我们的收件箱之前自动评估每个查询的相关性 - 本质上是针对客户问题的垃圾邮件过滤器，重点关注仅保留真正相关的消息。

我解决这个问题的第一次尝试非常简单：我使用了标准的电子邮件验证技术。这意味着检查常见的垃圾邮件模式并确保电子邮件地址格式正确。它捕获了一些明显的垃圾邮件，但并非万无一失。聪明的垃圾邮件很容易绕过这些简单的检查。

关键问题是我只看地址，而不是邮件本身。要真正解决这个问题，我需要了解电子邮件的内容，这就是我开始使用人工智能的地方。

从这里获取您的 api 密钥 - AISTUDIO

演示视频 - 视频链接

使用 GEMINI 1.5 FLASH 模型 构建人工智能驱动的验证器

我的解决方案的核心非常简单，但很有效。

• 速率限制： 首先是防止滥用，这是我使用速率限制解决的问题。基本上，系统现在会跟踪在短时间内（在本例中为五分钟）从单个电子邮件地址收到的消息数量。
• 制作提示：我创建了一组特定的指令 - “提示” - 告诉 AI 确切地在每封电子邮件中查找什么内容。此提示包括发件人的姓名、电子邮件地址和消息本身。 然后，我问人工智能一些关键问题：

Analyze this email:
Name: [Sender's Name]
Email: [Sender's Email]
Message: [Email Message]

Is this message relevant to [domain/topic]?
Does the email address look legitimate?
Is the inquiry specific and reasonable?

Return JSON: {"is_valid": "Yes/No", "reason": "[Explanation]"}

• 与 AI 交互： 我使用了一个流行的 AI 模型（Gemini 1.5 Flash 模型）（您可以轻松地将其应用于其他模型），向其发送提示并接收 JSON 响应。此响应包含两个关键信息：is_valid（是或否）和原因（对 AI 决定的解释）。

• 错误处理：意外的事情发生了！我的代码包括强大的错误处理。如果AI API调用失败，或者AI的响应意外，系统会妥善处理错误并防止崩溃。它返回一条错误消息，而不是默默地失败。

• 将它们放在一起：最终的系统因其简单而优雅：一封电子邮件进来 ->速率限制检查-> AI验证->决定（有效/无效）。这种方法比单独的简单电子邮件验证要准确得多。

实施代码

Analyze this email:
Name: [Sender's Name]
Email: [Sender's Email]
Message: [Email Message]

Is this message relevant to [domain/topic]?
Does the email address look legitimate?
Is the inquiry specific and reasonable?

Return JSON: {"is_valid": "Yes/No", "reason": "[Explanation]"}

记住替换占位符：

• [YOUR_AI_API_ENDPOINT] 与您的 AI API 的实际端点。

• getApiKey() 函数以及用于安全访问 API 密钥的方法。

• extractAIResponse() 函数，其中包含特定于解析所选 AI 模型响应的代码。提供的示例仅供说明，可能无法直接与您的 AI 模型的响应配合使用。

以上代码只是减少垃圾邮件的基本方法，需要改进以满足您的需求。

谢谢？

以上是使用 Google Gemini 模型构建人工智能驱动的电子邮件验证器的详细内容。更多信息请关注PHP中文网其他相关文章！