Llama3.1 Outreach Email Agent

Agent de messagerie de sensibilisation?

Ce projet est conçu pour aider les agents de développement commercial en générant des e-mails de sensibilisation personnalisés en fonction des descriptions de poste tirées des sites Web. Il utilise Langchain pour le grattage Web et le chargement des documents, une base de données vectorielle pour stocker et récupérer des portefeuilles pertinents, et LLAMA 3.1 sur le GROQ pour identifier les éléments nécessaires à partir de données extraites et générer des e-mails. Cet outil rend la tâche d'atteindre les clients potentiels plus efficaces et rationalisés.

Aperçu du projet

Cette application élimine les descriptions de travail à partir d'une URL donnée, nettoie le texte extrait et utilise Llama 3.1 pour extraire des informations pertinentes telles que les rôles d'emploi et les compétences requises. L'application interroge ensuite une base de données vectorielle pour trouver des projets de correspondance dans le portefeuille de l'entreprise et génère un e-mail de sensibilisation personnalisé qui met en évidence l'expertise de l'entreprise dans ces domaines.

Technologies utilisées

Voici une ventilation des technologies et des outils utilisés dans ce projet:

? Indice

• Agent de messagerie de sensibilisation?
  • Aperçu du projet
  • Technologies utilisées
  • ? Indice
  • ? Installation
  • Comment ça marche
  • Structure du projet
  • Usage
  • Licence

---

? Installation

1. Cloner ce référentiel.

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

2. Accédez au répertoire du projet.

    cd outreach-email-agent
   

3. Configurez un environnement virtuel et activez-le.

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

4. Installez les packages requis.

    pip install -r requirements.txt
   

5. Configurez votre fichier .env avec votre clé API Groq:

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

Comment ça marche

1. Stracage : à l'aide de Langchain, l'application arrose les descriptions de travail de l'URL d'entrée et nettoie le texte extrait.
2. Inférence : le texte nettoyé est traité par LLAMA 3.1 fonctionnant sur GROQ pour extraire des rôles d'emploi, des compétences et d'autres informations pertinentes.
3. Requête de base de données vectorielle : une base de données Vector ChromADB est utilisée pour stocker et récupérer des portefeuilles de projet en fonction des exigences de travail extraites.
4. Génération par e-mail : les données extraites et les portefeuilles correspondants sont utilisés pour générer un e-mail de sensibilisation personnalisé que le responsable du développement commercial peut envoyer à des clients potentiels.

Structure du projet

 | -- 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 

Usage

1. Exécutez l'application Streamlit.

    streamlit run app/main.py
   

2. Entrez une URL de description de travail et l'application générera un e-mail de sensibilisation sur mesure à des fins de développement commercial.

Procédure pas à pas.f.the.app.mp4

---

Licence

Ce projet est autorisé sous la licence du MIT. Voir le fichier de licence pour plus de détails.