Llama3.1 Outreach Email Agent

Agente de correo electrónico de divulgación?

Este proyecto está diseñado para ayudar a los oficiales de desarrollo empresarial generando correos electrónicos de divulgación personalizados basados ​​en descripciones de trabajo raspadas de los sitios web. Utiliza Langchain para el raspado web y la carga de documentos, una base de datos vectorial para almacenar y recuperar carteras relevantes, y LLAMA 3.1 en Groq para identificar los elementos necesarios de los datos extrcatados y generar correos electrónicos. Esta herramienta hace que la tarea de llegar a clientes potenciales sea más eficiente y simplificado.

Descripción general del proyecto

Esta aplicación raspa las descripciones de trabajo de una URL dada, limpia el texto extraído y utiliza LLAMA 3.1 para extraer información relevante, como los roles de trabajo y las habilidades requeridas. Luego, la aplicación consulta una base de datos vectorial para encontrar proyectos de correspondencia en la cartera de la compañía y genera un correo electrónico de divulgación personalizado que destaca la experiencia de la compañía en esas áreas.

Tecnologías utilizadas

Aquí hay un desglose de las tecnologías y herramientas utilizadas en este proyecto:

? Índice

• Agente de correo electrónico de divulgación?
  • Descripción general del proyecto
  • Tecnologías utilizadas
  • ? Índice
  • ? Instalación
  • Cómo funciona
  • Estructura de proyectos
  • Uso
  • Licencia

---

? Instalación

1. Clon este repositorio.

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

2. Navegue al directorio del proyecto.

    cd outreach-email-agent
   

3. Configure un entorno virtual y activelo.

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

4. Instale los paquetes requeridos.

    pip install -r requirements.txt
   

5. Configure su archivo .env con su tecla API Groq:

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

Cómo funciona

1. Describe : con Langchain, la aplicación raspa las descripciones de trabajo de la URL de entrada y limpia el texto extraído.
2. Inferencia : El texto limpiado es procesado por Llama 3.1 que se ejecuta en Groq para extraer roles de trabajo, habilidades y otra información relevante.
3. Consulta de la base de datos vectorial : se utiliza una base de datos vectorial ChromAdB para almacenar y recuperar las carteras de proyectos en función de los requisitos de trabajo extraídos.
4. Generación de correo electrónico : los datos extraídos y las carteras coincidentes se utilizan para generar un correo electrónico de divulgación personalizado que el Oficial de Desarrollo de Negocios puede enviar a clientes potenciales.

Estructura de proyectos

 | -- 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 

Uso

1. Ejecute la aplicación Streamlit.

    streamlit run app/main.py
   

2. Ingrese una URL de descripción de trabajo, y la aplicación generará un correo electrónico de divulgación a medida para fines de desarrollo empresarial.

Tutorial.of.the.app.mp4

---

Licencia

Este proyecto tiene licencia bajo la licencia MIT. Consulte el archivo de licencia para obtener más detalles.