Llama3.1 Outreach Email Agent

外展电子邮件代理？

该项目旨在通过基于网站上删除的工作描述生成个性化的外展电子邮件来帮助业务发展官。它利用Langchain用于Web刮擦和文档加载，一个用于存储和检索相关投资组合的矢量数据库，以及Groq上的Llama 3.1，用于从解释数据和生成电子邮件中识别必要的元素。该工具使吸引潜在客户的任务更加高效和简化。

项目概述

该应用程序从给定的URL中删除工作描述，清洁提取的文本，并使用Llama 3.1提取相关信息，例如工作角色和所需技能。然后，该应用程序查询矢量数据库，以在公司的投资组合中找到匹配的项目，并生成个性化的外展电子邮件，以突出该公司在这些领域的专业知识。

使用的技术

这是该项目中使用的技术和工具的细分：

？指数

• 外展电子邮件代理？
  • 项目概述
  • 使用的技术
  • ？指数
  • ？安装
  • 它如何工作
  • 项目结构
  • 用法
  • 执照

---

？安装

1. 克隆这个存储库。

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

2. 导航到项目目录。

    cd outreach-email-agent
   

3. 设置虚拟环境并激活它。

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

4. 安装所需的软件包。

    pip install -r requirements.txt
   

5. 使用您的GROQ API键设置.env文件：

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

它如何工作

1. 刮擦：使用Langchain，该应用程序从输入URL中删除作业描述并清洁提取的文本。
2. 推理：清洁文本由Llama 3.1在Groq上运行，以提取工作角色，技能和其他相关信息。
3. 向量数据库查询：Chromadb vector数据库用于根据提取的作业要求存储和检索项目组合。
4. 电子邮件生成：提取的数据和匹配投资组合用于生成个性化的外展电子邮件，业务发展官可以将其发送给潜在客户。

项目结构

 | -- 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 

用法

1. 运行简化应用程序。

    streamlit run app/main.py
   

2. 输入职位描述URL，该应用将出于业务开发目的生成量身定制的外展电子邮件。

练习

---

执照

该项目已根据MIT许可获得许可。有关更多详细信息，请参见许可证文件。