【AI】如何优雅而又装逼的使用LangChain？

介绍

LangChain的LangGraph Agents为制定智能工作流程提供了一个强大的平台，集成Retriever-Augmented Generator（RAG）模型将电子邮件通信的效率提升到一个新的水平。本文探讨了 RAG 如何专门用于回复客户电子邮件的 LangChain 代理。

座席目标在行动：

1. 检索电子邮件：LangChain代理通过获取传入的客户电子邮件来启动。
2. 电子邮件分类：利用预先训练的模型或基于规则的系统，代理将电子邮件分为“销售查询”、“自定义查询”、“偏离主题”或“客户投诉”等类别。这种分类是制定相关对策的基础。
3. RAG搜索的问题表述：根据电子邮件类别和初始内容，代理为 RAG 模型生成特定问题。以下是每个类别的展开方式：

i） 销售咨询：

• 问题可能针对产品详细信息、定价信息或在知识库中发现的类似过去查询中提出的常见销售异议。
• 示例问题：“客户最常询问的产品 X 的功能是什么？”或“产品 Y 最有效的推销是什么？”

ii） 海关查询：

• 在这里，问题更深入地了解客户的具体需求。
• 示例包括：“对于与客户描述的问题类似的挑战，提供了哪些常见的解决方案？”或“是否有任何案例研究展示了此类场景的成功实施？

iii） 题外话：

• 座席可能会提出问题，礼貌地将客户重定向到适当的渠道或资源。
• 示例：“客户询问的最常见的支持主题是什么？

iv） 客户投诉：

• 问题旨在确定潜在的解决方案或故障排除步骤。
• 例如：“对于此类投诉，最常见的解决方案是什么？”或“是否有任何知识库文章可以解决与客户类似的问题？

4. 回复草稿生成：

• LangChain 代理中的 LLM 利用从 RAG 中检索到的信息（产品详细信息、解决方案、故障排除步骤等）来创建初始草稿响应。
• 此草案考虑了电子邮件类别、客户的特定查询以及检索到的知识库信息。

5. RAG验证和回复细化：

• 将答复草稿与原始 RAG 答复进行比较，以确保准确纳入检索到的信息。
• 如果出现不一致，代理会优化草稿以与检索到的知识保持一致。

6. 最终回复输出：

• LangChain代理向客户提供最终的、精炼的电子邮件回复。这种回答是针对他们的具体询问量身定制的，利用知识库中的相关知识，并保持专业和信息丰富的语气。

资料来源：Sam-Witteveen-course

什么是RAG？

RAG 是一种基于神经检索的抽象摘要方法。它由两个组件组成：猎犬和发电机。检索器从知识库中检索相关段落以响应查询。然后，生成器使用检索到的段落来生成一个既有信息又有抽象性的摘要，这意味着它不仅仅是简单地从源文本中复制句子。

将RAG与LangChain的LangGraph代理集成的好处

将RAG与LangChain的LangGraph Agents集成，为电子邮件起草提供了几个优势：

• 改进了上下文理解：RAG 可以利用外部知识库来了解初始电子邮件的上下文。这允许LangChain代理生成更相关和信息量更大的草稿响应。
• 增强的问答：RAG检索相关信息的能力可用于识别电子邮件草稿中需要解决的关键问题。这可以简化电子邮件写作过程，并确保涵盖所有要点。
• 更自然的语言生成：通过整合从知识库中检索到的信息，RAG 可以帮助 LLM 生成更自然、更连贯的电子邮件草稿。

资料来源：LangGraph-Llama3

代码实现

以下是将 RAG 添加到 LangChain 的 LangGraph Agents 以进行电子邮件起草的代码实现的高级概述：

1. 定义 LangGraph 代理：第一步涉及定义负责电子邮件起草的 LangGraph 代理。此代理将收到初始电子邮件作为输入。
2. RAG 集成：在 LangGraph 代理中，集成 RAG 模型。RAG 模型将初始电子邮件作为查询，并从知识库中检索相关段落。
3. 问答：使用检索到的段落来确定电子邮件草稿中需要解决的关键问题。这可以通过信息提取或问题生成等技术来实现。
4. 电子邮件生成草稿：利用 LLM 生成草稿电子邮件内容。LLM应该考虑最初的电子邮件，从RAG中检索到的段落，以及确定的关键问题。
5. 精炼和输出：生成的电子邮件草稿可以进行进一步的优化步骤，例如语法检查和情感分析。最后，LangGraph 代理输出最终的电子邮件草稿。

步骤一：安装库并下载数据

第二步：初始 HF 和 Groq API

第三步：构建 RAG

第四步：基本链

1. 对电子邮件进行分类
2. 研究路由器
3. RAG 问题
4. 撰写草稿电子邮件
5. 重写路由器
6. 电子邮件草稿分析
7. 重写电子邮件
8. RAG Chain — 在上面的 RAG 部分创建

步骤 V：LangGraph 状态

第六步：节点

1. categorize_email
2. research_info_search # 现在使用 RAG 完成
3. draft_email_writer
4. analyze_draft_email
5. rewrite_email
6. no_rewrite
7. state_printer

步骤 VII：条件边

步骤 VIII：构建图形

结论

通过将RAG与LangChain的LangGraph代理集成，我们可以创建一个强大的系统来制作对客户的智能电子邮件回复。该系统可自动执行电子邮件分类、问题生成和知识检索等任务，从而简化沟通并使企业能够提供卓越的客户服务。效率的提高使座席能够专注于更复杂的问题，而上下文感知的回复草稿确保所有客户查询都得到全面解决。

此外，随着LangChain代理随着时间的推移收到用户反馈，它可以不断提高其性能，确保电子邮件回复变得更加自然和有用。RAG 和 LangChain 代理的这种集成代表了人工智能驱动的通信的重大飞跃，促进了更高效和积极的客户体验。

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。