cold_email_generator_llm download - cold_email_generator

cold_email_generator_llm

Anderer Quellcode

1.0.0

Herunterladen

KI-betriebene Arbeitsplatzextraktion und kalte E-Mail-Generator

Dieses Projekt nutzt hochmoderne KI-Tools und -Rahmenbedingungen, um den Prozess des Extrahierens von Stellenausschreibungen von Webseiten zu automatisieren und personalisierte kalte E-Mails für Bewerbungsanwendungen basierend auf Benutzereingaben und einem anpassbaren Fähigkeitensportfolio zu generieren. Es integriert COQ-betriebene LLM (Sprachlernmodell), Langchain-Eingabeaufforderungen, Web-Scraping und Vektordatenbanken, um den End-to-End-Prozess der Erstellung von Bewerbungsanwendungen zu optimieren.

Merkmale

Web -Scraping: Extrahiert automatisch Stellenausschreibungen aus dynamischen Webseiten mithilfe von WebBaseLoader und reinigen die extrahierten Daten, um Rauschen zu beseitigen.
Arbeitsplatzextraktion: Verwendet Langchains LLM -Eingabeaufentwicklungsketten, um relevante Jobdetails (Rolle, Erfahrung, Fähigkeiten, Beschreibung) in gültige JSON -Objekte zu extrahieren und zu formatieren.
Personalisierte kalte E-Mails: Erzeugt maßgeschneiderte kalte E-Mails mit einem COQ-betriebenen LLM, das mit den Fähigkeiten des Kandidaten und den relevanten Portfolio-Links anpassbar ist.
Integration der Vektordatenbank: Speichert Tech Stack und Portfolio -Metadaten mit Chromadb zur effizienten Abfrage relevanter Links für die kalte E -Mail.
Dynamische E-Mail-Generierung: Erstellt personalisierte, ergebnisgesteuerte E-Mails, die sich an Stellenbeschreibungen übereinstimmen und die relevantesten Erfahrungen und Projekte hervorheben.

Technologien verwendet

LLM-Integration (COQ): Chatgroq-Modell (LLAMA-3.1-70B) für die Erzeugung mit hoher Genauigkeit.
Langchain: Wird zum Erstellen von dynamischen Eingabeaufforderung Vorlagen und zum Erhalten von LLMs zur Erzeugung von Antworten verwendet.
Flask: Backend -Server zur Bearbeitung von E -Mail -Generierungsanfragen und zur Verwaltung von Jobs Scraping und LLM -Interaktion.
React.js: Frontend zum Sammeln von Benutzereingaben (z. B. Benutzername) und Auslösen des E -Mail -Erzeugungsprozesses.
Chromadb: Vektordatenbank für effizientes Metadatenspeicher und Abfrage.
Pandas: Wird zur Behandlung von CSV -Daten von Portfolio und zur Speicherung in Chromadb verwendet.
Flask-Cors: CORS für das Flask-Backend aktivieren.

Setup -Anweisungen

Voraussetzungen

Python 3
Node.js und npm (für React Frontend)
GROQ -API -Schlüssel (für die LLM -Integration)

Installation

Klonen Sie das Repository:

git clone https://github.com/IMRANDIL/cold_email_generator_llm.git
cd cold_email_generator_llm

Backend Setup (Flask):
- Erstellen und aktivieren Sie eine virtuelle Umgebung:
```
python3 -m venv venv
source venv/bin/activate
```
- Installieren Sie die erforderlichen Python -Abhängigkeiten:
```
pip install -r requirements.txt
```
- Richten Sie Umgebungsvariablen für den COQ -API -Schlüssel ein:
```
 export GROQ_API_KEY= " your-api-key "
```
- Starten Sie den Flask -Server:
```
python app.py
```
Frontend Setup (React):
- Navigieren Sie zum frontend -Verzeichnis:
```
 cd frontend
```
- Installieren Sie die Abhängigkeiten:
```
npm install
```
- Starten Sie den React Development Server:
```
npm run dev
```

Verwendung

Besuchen Sie die Frontend -Schnittstelle, um den Benutzernamen einzugeben und den E -Mail -Erzeugungsprozess auszulösen.
Mit dem Backend werden Stellenangebote abkratzen, sie mit Langchain -Eingabeaufforderungen verarbeiten, die Vektor -Datenbank abfragen und für jeden Job maßgeschneiderte kalte E -Mails generieren.
E-Mails werden im JSON-Format zurückgegeben und in einem gut formatierten Codeblock mit einer Funktion "Kopieren in die Zwischenablage" angezeigt.

Beispielausgabe

{
  "subject" : " Application for Lead Software Engineer at XYZ Inc. " ,
  "body" : " Dear Hiring Manager, I am writing to express my interest in the Lead Software Engineer position... "
}

Zukünftige Verbesserungen

Dynamisches Web -Scraping: Erweitern Sie Web -Scraping -Funktionen, um komplexere und dynamische Websites für Jobwesen zu verarbeiten.
Erweiterte Abfrage: Verbessern Sie den Vektor -Datenbankabfragemechanismus, um mehrere Fähigkeiten effizienter zu behandeln.
UI -Verbesserungen: Verbessern Sie das Frontend von React.JS für eine bessere Benutzererfahrung und Unterstützung für mehrere E -Mail -Vorlagen.
Multiple API -Integration: Erforschen Sie die Integration mit anderen LLM -Modellen (OpenAI usw.), um die Vielseitigkeit zu erhöhen.