langgraph 및 groq로 이메일 워크 플로우

Langgraph 및 Groq의 LLM으로 고객 이메일 응답 자동화 : 포괄적 인 가이드

오늘날의 빠르게 진행되는 디지털 세계에서 비즈니스는 정확성과 관련성을 유지하면서 고객 이메일을 처리하는 효율적인 방법이 필요합니다. 이 안내서는 Langgraph, Llama 3 및 Groq를 사용하여 자동화 된 시스템을 구축하여 전자 메일 워크 플로우를 간소화하는 방법을 보여줍니다. 우리는 이메일 분류, 연구 및 신중한 답변 초안과 같은 작업을 자동화 할 것입니다.

주요 학습 목표 :

• Langgraph에서 다중 단계 워크 플로 마스터 링 : 노드, 가장자리 및 조건부 로직을 사용하여 워크 플로우를 정의, 관리 및 실행하는 법을 배우십시오.
• 외부 API 통합 : groq 및 웹 검색 API를 Langgraph에 통합하여 기능을 향상시키기 위해 탐색하십시오.
• 공유 상태 관리 : 워크 플로 단계에서 데이터를 관리하는 방법을 이해하고 일관된 출력을 보장합니다.
• LLM 출력 정제 : 중간 분석 및 피드백 루프가 LLM (Lange Language Models)에 의해 생성 된 응답의 품질을 어떻게 향상시키는 지 알아보십시오.
• 조건부 로직 구현 : 중간 결과를 기반으로 오류 및 워크 플로를 동적으로 처리하는 법을 배웁니다.

이 기사는 Data Science Blogathon의 일부입니다.

목차 :

• 설정 및 설치
• 자동화 된 이메일 응답 시스템 구축
• 연구 라우터 설계
• Groq의 LLM과 통합
• 키워드 생성
• 전자 메일 작성 대답
• 다시 쓰기 라우터
• 초안 이메일 분석
• 도구 및 상태 설정
• 워크 플로 노드 : 분류, 검색, 제도 및 분석
• 결론
• 자주 묻는 질문

설정 및 설치 :

필요한 파이썬 라이브러리를 설치하여 시작하십시오.

 ! PIP -Q 설치 Langchain-Groq Duckduckgo-search
! PIP -Q 설치 -U langchain_community tiktoken langchainhub
! PIP -Q 설치 -U langchain langgraph tavily -python

Langgraph 설치 확인 :

 ! Pip Show Langgraph 

시스템 목표 :

이 시스템은 구조화 된 프로세스를 통해 이메일 답글을 자동화합니다.

1. 들어오는 이메일을받습니다.
2. 분류 (판매, 문의, 주제, 불만).
3. 연구 키워드를 생성합니다.
4. 연구 결과를 사용하여 답장을 작성하십시오.
5. 유효성을 검사하고 다시 작성하십시오 (필요한 경우).

환경 설정 :

API 키 구성 :

 OS 가져 오기
google.colab import userData에서
Pprint import Pprint에서
os.environ [ "groq_api_key"] = userData.get ( 'groq_api_key')
os.environ [ "tavily_api_key"] = userData.get ( 'tavily_api_key')

이메일 응답 시스템 구현 :

Groq의 LLAMA3-70B-8192 모델을 사용할 것입니다.

 langchain_groq에서 chatgroq에서

groq_llm = chatgroq (model = "llama3-70b-8192")

이 LLM은 이메일 분류, 키워드 생성 및 회신 작성을 처리합니다. 프롬프트 템플릿 및 출력 파서 ( ChatPromptTemplate , PromptTemplate , StrOutputParser 및 JsonOutputParser 사용)는 일관된 출력 형식을 보장합니다. 유틸리티 함수는 검토를 위해 출력을 Markdown 파일에 저장합니다.

코어 체인 설계 :

우리 시스템은 여러 체인을 사용합니다.

• 이메일 분류 : 이메일 유형을 분류합니다.
• 연구 라우터 : 연구가 필요한지 결정합니다.
• 검색 키워드 : 연구를 위해 키워드를 추출합니다.
• 초안 이메일 작성 : 답장 초안.
• 라우터를 다시 작성하십시오 : 다시 쓰기가 필요한지 결정합니다.
• 초안 이메일 분석 : 초안을 평가합니다.
• 이메일 다시 작성 : 드래프트를 개선합니다.

이메일 분류 :

프롬프트 템플릿은 LLM을 안내하여 이메일을 다음과 같이 분류합니다. price_enquiry , customer_complaint , product_enquiry , customer_feedback , off_topic .

(신속한 템플릿, 체인 및 테스트에 대한 코드 예제는 간결하게 생략되지만 원본 텍스트에 제공된 구조를 따릅니다.)

연구 라우터 :

이 체인은 draft_email (연구 필요 없음)과 research_info (연구 필수)를 결정합니다.

(간결성을 위해 코드 예제가 생략되었습니다.)

키워드 생성 :

이 체인은 웹 검색을 위해 최대 3 개의 키워드를 추출합니다.

(간결성을 위해 코드 예제가 생략되었습니다.)

초안 이메일 쓰기 :

이 체인은 이메일 범주, 초기 이메일 및 연구 정보를 기반으로 초안 이메일을 생성합니다.

(간결성을 위해 코드 예제가 생략되었습니다.)

라우터 다시 작성 :

이 체인은 초안에 사전 정의 된 기준에 따라 다시 쓰기가 필요한지 여부를 결정합니다.

(간결성을 위해 코드 예제가 생략되었습니다.)

초안 이메일 분석 :

이 체인은 전자 메일 초안의 품질에 대한 피드백을 제공합니다.

(간결성을 위해 코드 예제가 생략되었습니다.)

도구 및 상태 설정 :

TavilySearchResults 도구는 웹 검색을 처리합니다. GraphState TypedDict는 워크 플로의 상태 (초기 이메일, 카테고리, 초안, 최종 이메일, 연구 정보 등)를 추적합니다.

(간결성을 위해 코드 예제가 생략되었습니다.)

워크 플로 노드 :

이 코드는 각 노드의 함수를 정의합니다 ( categorize_email , research_info_search , draft_email_writer , analyze_draft_email , rewrite_email , no_rewrite , state_printer ). 이러한 기능은 GraphState 조작하고 해당 작업을 수행합니다. route_to_research 및 route_to_rewrite 기능을 사용한 조건부 가장자리는 중간 결과에 따라 워크 플로의 흐름을 제어합니다.

(이러한 기능과 StateGraph 대한 코드 예제는 간결하게 생략되지만 원본 텍스트에 제공된 구조를 따릅니다.)

결론:

Langgraph와 Groq의 LLM을 결합한이 자동화 된 시스템은 고객 이메일을 처리 할 수있는 강력한 솔루션을 제공합니다. 고객 만족도를 향상시키면서 효율성, 정확성 및 전문성을 향상시킵니다.

자주 묻는 질문 :

(FAQ 섹션은 원래 텍스트에서 크게 변경되지 않습니다.)

참고 : 완전한 코드 구현이 크게 길어집니다. 이 응답은 높은 수준의 개요를 제공하며 자동화 된 이메일 응답 시스템의 주요 개념과 구조에 중점을 둡니다. 생략 된 코드 섹션은 원래 입력에 제공된 자세한 설명 및 코드 스 니펫을 기반으로 재구성 할 수 있습니다. 자리 표시 자 API 키를 실제 키로 교체하십시오.

위 내용은 langgraph 및 groq로 이메일 워크 플로우의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!