使用AI代理创建个性化的新闻摘要

介绍

大语言模型（LLM）的功能正在迅速发展。它们使我们能够构建各种LLM应用程序。这些范围从任务自动化到工作流优化。一个令人兴奋的应用程序是使用LLMS创建智能新闻文摘或新闻通讯代理。该代理可以提取相关内容，总结它并以自定义格式交付。它可以与外部工具和数据源动态交互以获取相关信息。在本文中，让我们学习如何使用Langgraph和News API（例如News API）为个性化的每日新闻摘要构建新闻摘要代理。

概述

• 了解Langgraph及其关键组件（状态，节点和边缘）的体系结构，以构建可自定义的工作流代理。
• 了解如何将新闻纸这样的外部API集成以获取新闻通讯中动态内容的实时数据。
• 通过实施根据质量标准对新闻文章进行排名的评分系统，开发使用LLM进行内容评估的技能。
• 使用Python的电子邮件汇编库将其自动化电子邮件交付自动化的实用知识。

目录

• 关于Langgraph的简介
• 先决条件
• 定义应用程序流
  • 获取新闻
  • 得分新闻
  • 发送电子邮件
• 建造代理
• 常见问题

关于Langgraph的简介

Langgraph建在Langchain的顶部。 Langgraph是一个框架，旨在构建将LLM与自定义逻辑和工具集成的动态工作流程。这允许高度定制且复杂的工作流程结合多个工具和API。

Langgraph由三个核心组成部分组成：

1. 状态：状态包含整个应用程序中共享的数据。可以是任何可以持有数据的Python数据结构。我们可以使用具有不同参数的状态对象来定义它。另外，我们还可以使用仅包含消息列表的预构建的MessagessTate。
2. 节点：节点是可以读取和修改状态的函数。这些功能将状态作为读或写入状态的第一个参数。我们还有一个开始节点来表示哪个节点将获取用户输入，并首先称为“表示图”末尾的末端节点。
3. 边缘：边缘通过不同的节点定义数据流。我们还具有有条件的边缘，该边缘使用函数来确定下一步要转到哪个节点。 Langgraph的优点是我们可以通过许多方式自定义代理。因此，可以有不止一种方法来构建该代理。

如图所示，边缘连接节点，节点在状态中读取或写入数据。

另请阅读：优化组织与Genai代理商的电子邮件营销

先决条件

在开始构建LLM代理之前，请确保我们拥有所需的键和密码。

通过API访问LLM

首先为您使用的LLM生成一个API键。创建一个名称为“ .env”的文本文件。将此密钥牢固地存储在.env文件中，以使其私密且在项目中易于访问。

这是一个.env文件的示例

获取新闻数据

要收集新闻内容，我们将使用https://newsapi.org/。注册一个API键并将其存储在同一.ENV文件中以进行安全访问。

发送电子邮件

要使用Python发送电子邮件，我们可以启用“较不安全的应用程序”，然后将Gmail密码存储在.ENV文件中。如果该选项不可用，我们可以按照此处提到的步骤访问Gmail。

需要库

我们已将以下版本用于主要库：

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

定义应用程序流

目的是使用自然语言查询代理商，以收集有关特定主题的新闻，并通过电子邮件获取新闻通讯。为了实现此流程，我们将首先定义三个工具来处理每个关键任务，然后构建代理来调用LLM和工具。

这三个工具如下：

1. 获取新闻：新闻API根据解析的查询检索相关的新闻文章。
2. 评分新闻：被提取的文章传递给另一个LLM，该法学硕士评估和评分为质量。输出是按其质量得分排序的文章列表。
3. 发表新闻：最高得分的文章将格式化为可读的电子邮件，并发送给用户。

现在，我们可以开始定义功能。

获取新闻

导入必要的库并加载.env文件

导入操作系统 
进口JSON
导入大熊猫作为pd
从DateTime Import DateTime，TimeDelta
从ipython.display导入图像，显示
从输入导入列表，文字，可选，打字，注释
来自langchain_core.tools导入工具
来自langchain_openai进口chatopenai

来自dotenv import load_dotenv

load_dotenv（'/。env'）

＃替代.env文件，我们也可以使用.txt文件如下
用open（'mykey.txt'，'r'）作为文件：
    OpenAi_Key = file.read（）
    
os.environ ['OpenAI_API_KEY'] = OpenAi_Key

从Newsapiclient和API键启动News_API

从Newsapi Import Newsapiclient

news_api_key = os.environ ['news_api_key']

news_api = newsapiclient（api_key = news_api_key）

现在，让我们使用Langchain的“工具”装饰器来定义Langchain工具

@工具
def get_news（查询：str，past_days：int，域：str）：
    ”“”
    获取有关给定参数的新闻，例如查询，过去_DAYS，等。
    args：
        查询：有关此主题的搜索新闻
        过去_DAYS：过去应该搜索几天？
        域：这些资源中的搜索新闻
    ”“”
    今天= dateTime.today（）
    from_date =今天-TimeDelta（days = past_days）
    news_details = news_api.get_everything（q =查询，from_param = from_date，domains =域，
                                           sort_by ='相关性'）
    返回news_details

代理还可以根据相关性对文章进行分类。这是此功能的输出的示例：

'@tool'装饰器用于定义兰链工具。然后，我们可以将此工具绑定到LLM。在上述功能中，DOC字符串也很重要。这就是将LLM传递给LLM的原因，以将这些参数放在工具称呼LLM的输出中。

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

＃我们可以将工具绑定到LLM，以便LLM可以根据查询返回工具。
gpt_with_tools = gpt.bind_tools（[[get_news]）

得分新闻

Score_news功能通过根据预定义的标准对新闻文章进行评分来处理新闻文章。然后该函数返回最高质量文章的排序列表。

导入所需的方法

来自langchain_core.pydantic_v1导入基本模型，字段
来自langchain_core.prompts导入chatprompttemplate，提示键盘
来自langchain_core.messages导入人类

让我们定义功能

def score_news（news_details：dict）：
    ”“”
    计算News_articles的分数，然后按得分进行排序。
        news_details：所有新闻文章    
    
    ”“”
    ＃访问国家的最后一条消息。
    ＃将所有文章传递给LLM将增加成本。 
    ＃我们可以选择仅评分一些文章。
    json_articles = json.loads（news_details ['消息'] [ -  1] .content）
    如果len（json_articles）> 15：
        文章= json_articles [：15]
    别的：
        文章= json_articles
    
    ＃系统提示指导LLM评分文章。
    system_prompt =“”“”
    您是新闻质量评估者。
    我将为您提供新闻文章，其中包含标题，描述和截短的内容和其他详细信息。 
    根据以下标准分析和评分新闻文章：

    清晰度：文章以简洁而可理解的方式传达信息的程度。
        比例：1（不清楚）至25（非常清晰）

    可信度：基于提供的描述和其他细节，文章有多大可能可信和实际上准确？
        比例：1（不可信）至25（高度可信）

    参与潜力：文章吸引读者的注意力或引起进一步思考的可能性。
        比例：1（不参与）至25（非常吸引人）

    影响：本文的潜在社会，技术或政治后果的重要性或影响力。
        比例：1（最小影响）至25（高影响力）

    为新闻文章提供100分的总分数，并为上述每个标准的分数添加得分。

    您将评估很多新闻文章。因此，对他们进行评分，以便我们以后可以对所有这些分类。

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

    
    ＃定义pydantic类以以结构化格式获取输出。
   
    课堂新闻（基本模型）：
        “”“新闻评分系统”“”
    
        total_score：int = field（description ='新闻文章的总分'）
        
        来源：str = field（Description =“新闻的来源”）
        作者：可选[str] = field（default = none，description =“新闻的作者”）
        
        标题：str = field（description =“新闻的标题”）
        描述：str = field（描述=“新闻描述”）
        
        URL：str = field（description =“新闻的URL”）
        urltoimage：可选[str] = field（default = none，description =“新闻的图像URL”）

    ＃GPT 4O在得分方面表现更好，但成本更高。
    gpt_4o = chatopenai（型号='gpt-4o'，温度= 0）
    structured_gpt = gpt_4o.with_structured_output（新闻）
    链=提示_template | structred_gpt
    
    ＃将每篇文章发送到LLM，以获取其他细节。
    结果= [chain.Invoke（{'news'：artical}）。文章中文章的dict（）]

    ＃按总分对文章进行排序。
    df = pd.dataframe（结果）.sort_values（by ='tucter_score'，accending = false）
    
    返回{“消息”：[humanMessage（content = df.to_dict（orient ='records'））]}}

该功能将状态作为输入，名称为news_details。由于国家包含所有消息，我们可以访问文章的最后一条消息。我们可以选择从顶部获得一些文章来节省成本。我们可以尝试不同的系统提示来获得最佳评分系统。

如果输出为定义格式，则更容易处理数据。因此，我们可以将LLM与结构化输出一起使用，其中结构是使用Pydantic类定义的。

然后，我们可以对每篇文章进行评分并将其存储在数据框架中。一旦我们使用总分数对文章进行排序，并将其添加为州的消息。

解释

1。输入

该函数将状态对象作为输入接收，其中包含所有消息。该州的最新信息持有新闻文章。为了最大程度地减少成本，我们可以限制文章的数量，而不是评分所有文章。

2。评分过程

我们为LLM提供了详细的系统提示，并根据系统提示中给出的标准指示其对每篇文章进行评分。

LLM根据系统提示中定义的标准评估每个文章，并分配100个总分，并增加每个标准的分数。

3。结构化输出

为了确保输出结构化且易于处理，我们定义了Pydantic模型（新闻）。该模型包括``total_score''，`title` titled''，`description`和`rl''等字段。通过使用这种结构化格式，LLM可以返回一致，组织良好的结果。

4。LLM集成

我们使用GPT-4O（以其在结构化任务中的准确性而闻名）来评分文章。发现在评估文章时，GPT-4O比GPT-4O-Mini好。每篇文章都通过LLM传递，并使用Pydantic转换为词典格式。

5。排序和输出

在评分了所有文章之后，我们将它们存储在Pandas DataFrame中，以降序顺序对其进行“ total_score”进行排序。然后，我们可以将排序列表作为消息返回到州，准备在工作流的下一部分中使用。

发送电子邮件

send_email功能列出了分类的新闻文章列表，生成了HTML电子邮件，并将其发送给收件人。

导入库

导入SMTPLIB，SSL
导入基础64
导入电子邮件

定义send_email功能

def send_email（sorted_news）：
 
    ＃从国家的最后一条消息中获取分类新闻。
    articles = sorted_news ['消息'] [ -  1] .content
    
    ＃如果News_article具有图像，我们可以在电子邮件中显示。
    news_items_html =“”
    对于文章中的文章[：10]：
        如果文章['urltoimage']不是没有：
            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>
            ”“”
        别的：
            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>
            ”“”
            
    ＃用于造型HTML消息的CSS。我们在此处添加上面的“ news_items_html”。
    html = f“”
        
        
            
                身体 {{
                    字体家庭：Arial，sans-serif;
                    背景色：＃C4C4C4;
                    保证金：0;
                    填充：0;
                }}}
                。容器 {{
                    宽度：80％；
                    最大宽度：600px;
                    保证金：0自动；
                    背景色：#ffffff;
                    填充：20px;
                    盒子阴影：0 4PX 8PX RGBA（0，0，0，0.1）;
                }}}
                h1 {{
                    文字平衡：中心；
                    颜色：＃333;
                }}}
                .news-item {{{
                    显示：Flex;
                    准项目：中心；
                    正当：中间的空间；
                    边界底：1px固体#EEEEE；
                    填充：15px 0;
                }}}
                .news-item h3 {{{
                    保证金：0;
                    字体大小：16px;
                    颜色：＃007BFF;
                    左键：5px;
                }}}
                .news-item p {{{
                    字体大小：14px;
                    颜色：＃666666;
                    保证金：5px 0;
                    左键：5px;
                }}}
                .news-item a {{{
                    颜色：＃007BFF;
                    文本介绍：无；
                }}}
                .news-item img {{{
                    宽度：100px;
                    身高：100px;
                    对象拟合：封面；
                    边界拉迪乌斯：8px;
                }}}
                。页脚 {{
                    保证金顶：20px;
                    文字平衡：中心；
                    字体大小：12px;
                    颜色：＃999999;
                }}}
            
        
        
            <div>
                <h1 id="策划的新闻">策划的新闻</h1>
                {news_items_html}
                <div>
                    <p>这是您的个性化新闻通讯。</p>
                </div>
            </div>
        

以上是使用AI代理创建个性化的新闻摘要的详细内容。更多信息请关注PHP中文网其他相关文章！