Llama3.1 Outreach Email Agent

Agente de e -mail de divulgação?

Este projeto foi projetado para ajudar os oficiais de desenvolvimento de negócios, gerando e -mails de divulgação personalizados com base nas descrições de emprego descartadas nos sites. Ele utiliza Langchain para raspagem da Web e carregamento de documentos, um banco de dados vetorial para armazenar e recuperar portfólios relevantes e o LLAMA 3.1 no GROQ para identificar os elementos necessários a partir de dados extrecados e gerar emails. Essa ferramenta torna a tarefa de alcançar clientes em potencial mais eficientes e simplificados.

Visão geral do projeto

Este aplicativo elimina as descrições do trabalho de um determinado URL, limpa o texto extraído e usa o LLAMA 3.1 para extrair informações relevantes, como funções de trabalho e habilidades necessárias. O aplicativo consulta um banco de dados vetorial para encontrar projetos correspondentes no portfólio da empresa e gera um email de divulgação personalizado que destaca a experiência da empresa nessas áreas.

Tecnologias usadas

Aqui está um detalhamento das tecnologias e ferramentas usadas neste projeto:

? Índice

• Agente de e -mail de divulgação?
  • Visão geral do projeto
  • Tecnologias usadas
  • ? Índice
  • ? Instalação
  • Como funciona
  • Estrutura do projeto
  • Uso
  • Licença

---

? Instalação

1. Clone este repositório.

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

2. Navegue até o diretório do projeto.

    cd outreach-email-agent
   

3. Configure um ambiente virtual e ative -o.

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

4. Instale os pacotes necessários.

    pip install -r requirements.txt
   

5. Configure seu arquivo .env com sua tecla API GROQ:

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

Como funciona

1. Raspa : Usando Langchain, o aplicativo elimina as descrições do trabalho do URL de entrada e limpa o texto extraído.
2. Inferência : O texto limpo é processado pelo LLAMA 3.1 Running on Groq para extrair funções, habilidades e outras informações relevantes.
3. Consulta do banco de dados vetorial : um banco de dados do Chromadb Vector é usado para armazenar e recuperar portfólios de projeto com base nos requisitos de trabalho extraídos.
4. Geração de email : Os dados extraídos e portfólios correspondentes são usados ​​para gerar um email de divulgação personalizado que o oficial de desenvolvimento de negócios pode enviar para clientes em potencial.

Estrutura do projeto

 | -- 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. Execute o aplicativo StreamLit.

    streamlit run app/main.py
   

2. Digite um URL de descrição do trabalho e o aplicativo gerará um email de divulgação personalizado para fins de desenvolvimento de negócios.

Walkthrough.Of.The.App.MP4

---

Licença

Este projeto está licenciado sob a licença do MIT. Consulte o arquivo de licença para obter mais detalhes.