cold_email_generator_llm Скачать - cold_email_generator_llm Скачать исходный код

cold_email_generator_llm

Другой исходный код

1.0.0

Скачать

АИ-активное извлечение работы и генератор электронной почты с холодным

Этот проект использует передовые инструменты и структуры ИИ для автоматизации процесса извлечения публикаций заданий с веб-страниц и генерации персонализированных холодных электронных писем для приложений для работы на основе ввода пользователя и настраиваемого портфеля навыков. Он интегрирует GROQ LLM (модель изучения языка), подсказки Langchain, веб-базы данных и векторные базы данных для оптимизации сквозного процесса создания приложений для работы.

Функции

Скраинг в Интернете: автоматически извлекает публикации заданий с динамических веб -страниц с использованием WebBaseLoader и очищает извлеченные данные для устранения шума.
Извлечение работы рабочих мест: использует цепочки быстрого подсказки LLM LANGCHAIN для извлечения и формата соответствующих деталей работы (роль, опыт, навыки, описание) в действительные объекты JSON.
Персонализированные холодные электронные письма: генерирует адаптированные холодные электронные письма с использованием LLM с питанием Groq, настраиваемых с навыками кандидата и соответствующими портфельными ссылками.
Интеграция векторной базы данных: хранит технический стек и метаданные портфеля с использованием ChromADB для эффективного запроса соответствующих ссылок для холодной электронной почты.
Динамическое генерация электронной почты: создает персонализированные, управляемые результатами электронные письма, которые соответствуют инструкциям и выделяют наиболее релевантный опыт и проекты.

Технологии используются

Интеграция LLM (GROQ): Chatgroq (Llama-3.1-70b) Модель для генерации текста с высокой точностью.
Langchain: используется для создания динамических шаблонов быстрого приглашения и цепочек LLM для генерации ответов.
Flask: Бэкэнд -сервер для обработки запросов на генерацию электронной почты и управления соскобкой задания и взаимодействием LLM.
React.js: Frontend для сбора пользовательского ввода (например, имя пользователя) и запуска процесса генерации электронной почты.
ChromADB: векторная база данных для эффективного хранения и запросов метаданных.
Панды: Используется для обработки портфельных данных CSV и обработки их для хранения в ChromADB.
Flask-Cors: включение CORS для бэкэнда колбы.

Инструкции по настройке

Предварительные условия

Питон 3
Node.js и npm (для react frontend)
Groq API -ключ (для интеграции LLM)

Установка

Клонировать репозиторий:

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

Настройка бэкэнд (колба):
- Создать и активировать виртуальную среду:
```
python3 -m venv venv
source venv/bin/activate
```
- Установите необходимые зависимости от питона:
```
pip install -r requirements.txt
```
- Установите переменные среды для ключа API Groq:
```
 export GROQ_API_KEY= " your-api-key "
```
- Запустите сервер Flask:
```
python app.py
```
Настройка фронта (React):
- Перейдите к каталогу frontend :
```
 cd frontend
```
- Установите зависимости:
```
npm install
```
- Запустите сервер разработки React:
```
npm run dev
```

Использование

Посетите интерфейс Frontend, чтобы ввести имя пользователя и запустить процесс генерации электронной почты.
Бэкэнд будет соскребить публикации работы, обрабатывать их с помощью подсказок Langchain, запросить векторную базу данных и генерировать индивидуальные холодные электронные письма для каждой работы.
Электронные письма возвращаются в формате JSON и отображаются в хорошо форматированном блоке кода с функцией «Копировать в буфер обмена».

Пример вывода

{
  "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... "
}

Будущие улучшения

Динамическое сетевое скрезование: расширение возможностей для сети для обработки более сложных и динамичных веб -сайтов размещения заданий.
Усовершенствованные запросы: улучшить механизм запросов векторной базы данных, чтобы более эффективно обрабатывать множественные наборы навыков.
Усовершенствования пользовательского интерфейса: дальнейшее улучшение фронта React.js для лучшего опыта пользователя и поддержки нескольких шаблонов электронной почты.
Многократная интеграция API: изучить интеграцию с другими моделями LLM (OpenAI и т. Д.) Для повышения универсальности.