Llama3.1 Outreach Email Agent

Outreach -E -Mail -Agent?

Dieses Projekt soll Geschäftsentwicklungsbeauftragte unterstützen, indem personalisierte Outreach -E -Mails auf der Grundlage von Jobbeschreibungen generiert werden, die von Websites abgeschafft wurden. Es wird Langchain zum Laden von Web -Scraping und Dokumenten, eine Vektordatenbank zum Speichern und Abrufen relevanter Portfolios sowie LAMA 3.1 für GROQ verwendet Dieses Tool macht die Aufgabe, potenzielle Kunden effizienter und optimierter zu erreichen.

Projektübersicht

Diese App erkrankt Jobbeschreibungen einer bestimmten URL, reinigt den extrahierten Text und verwendet Lama 3.1, um relevante Informationen wie Jobrollen und erforderliche Fähigkeiten zu extrahieren. Die App fragt dann eine Vektordatenbank ab, um übereinstimmende Projekte im Portfolio des Unternehmens zu finden, und generiert eine personalisierte Outreach -E -Mail, die das Fachwissen des Unternehmens in diesen Bereichen hervorhebt.

Technologien verwendet

Hier ist eine Aufschlüsselung der in diesem Projekt verwendeten Technologien und Tools:

? Index

• Outreach -E -Mail -Agent?
  • Projektübersicht
  • Technologien verwendet
  • ? Index
  • ? Installation
  • Wie es funktioniert
  • Projektstruktur
  • Verwendung
  • Lizenz

---

? Installation

1. Klonen Sie dieses Repository.

    git clone https://github.com/username/outreach-email-agent.git
   

2. Navigieren Sie zum Projektverzeichnis.

    cd outreach-email-agent
   

3. Richten Sie eine virtuelle Umgebung ein und aktivieren Sie sie.

    python -m venv venv
   source venv/bin/activate   # On Windows: venvScriptsactivate
   

4. Installieren Sie die erforderlichen Pakete.

    pip install -r requirements.txt
   

5. Richten Sie Ihre .env -Datei mit Ihrer COQ -API -Taste ein:

    GROQ_API_KEY=<your-api-key>
   USER_AGENT=OutreachEmailAgent/1.0
   

Wie es funktioniert

1. Scraping : Mit Langchain kratzt die App Jobbeschreibungen aus der Eingangs -URL und reinigt den extrahierten Text.
2. Inferenz : Der gereinigte Text wird von LLAMA 3.1 verarbeitet, um auf GREP zu arbeiten, um Jobrollen, Fähigkeiten und andere relevante Informationen zu extrahieren.
3. Vektordatenbankabfrage : Eine Chromadb -Vektor -Datenbank wird zum Speichern und Abrufen von Projektportfolios anhand der extrahierten Stellenanforderungen verwendet.
4. E -Mail -Generierung : Die extrahierten Daten und die passenden Portfolios werden verwendet, um eine personalisierte Outreach -E -Mail zu generieren, die der Geschäftsentwicklungsbeauftragte an potenzielle Kunden senden kann.

Projektstruktur

 | -- app/
|   | -- main.py           # Main Streamlit app
|   | -- chains.py         # Logic for using LLaMA for inference
|   | -- ChromaVectorDB.py # Vector database for project portfolios
|   | -- utils.py          # Utility functions for cleaning text
| -- venv/                 # Virtual environment
| -- .env                  # Environment variables
| -- README.md             # Project documentation
| -- requirements.txt      # Python dependencies 

Verwendung

1. Führen Sie die Streamlit -App aus.

    streamlit run app/main.py
   

2. Geben Sie eine Jobbeschreibung URL ein, und die App generiert eine maßgeschneiderte Outreach -E -Mail für Geschäftsentwicklungszwecke.

Walkthrough.of.the.app.mp4

---

Lizenz

Dieses Projekt ist unter der MIT -Lizenz lizenziert. Weitere Informationen finden Sie in der Lizenzdatei.