Llama3.1 Outreach Email Agent

Агент по электронной почте?

Этот проект предназначен для оказания помощи сотрудникам развития бизнеса путем создания персонализированных электронных писем, основанных на должностных инструкциях, сохраненных с веб -сайтов. Он использует Langchain для сетевого скребки и загрузки документов, векторной базы данных для хранения и получения соответствующих портфелей и Llama 3.1 на GROQ для определения необходимых элементов из экстракрированных данных и генерации электронных писем. Этот инструмент делает задачу о достижении потенциальных клиентов более эффективной и оптимизированной.

Обзор проекта

Это приложение очищает рабочие инструкции из данного URL -адреса, очищает извлеченный текст и использует Llama 3.1 для извлечения соответствующей информации, такой как роли на работе и необходимые навыки. Затем приложение запрашивает векторную базу данных, чтобы найти соответствующие проекты в портфеле компании и генерирует персонализированное электронное письмо, которое подчеркивает опыт компании в этих областях.

Технологии используются

Вот разбивка технологий и инструментов, используемых в этом проекте:

? Индекс

• Агент по электронной почте?
  • Обзор проекта
  • Технологии используются
  • ? Индекс
  • ? Установка
  • Как это работает
  • Структура проекта
  • Использование
  • Лицензия

---

? Установка

1. Клонировать это хранилище.

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

2. Перейдите к каталогу проекта.

    cd outreach-email-agent
   

3. Установите виртуальную среду и активируйте ее.

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

4. Установите необходимые пакеты.

    pip install -r requirements.txt
   

5. Установите свой файл .env с помощью ключа API Groq:

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

Как это работает

1. Скраинг : Использование Langchain, приложение очищает задания из входного URL и очищает извлеченный текст.
2. Вывод : очищенный текст обрабатывается Llama 3.1, работающим на GROQ, чтобы извлечь рабочие роли, навыки и другую соответствующую информацию.
3. Запрос базы данных векторной базы : база данных Vector ChromADB используется для хранения и извлечения портфелей проектов на основе извлеченных требований к работе.
4. Генерация электронной почты : извлеченные данные и соответствующие портфели используются для создания персонализированного электронного письма, которое сотрудник по развитию бизнеса может отправить потенциальным клиентам.

Структура проекта

 | -- 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 

Использование

1. Запустите приложение Streamlit.

    streamlit run app/main.py
   

2. Введите URL -адрес описания работы, и приложение будет генерировать индивидуальное электронное письмо для целей развития бизнеса.

Прохождение.of.the.app.mp4

---

Лицензия

Этот проект лицензирован по лицензии MIT. Смотрите файл лицензии для получения более подробной информации.