Di syarikat saya, saya mengusahakan projek yang melibatkan borang pertanyaan pelanggan untuk tapak e-dagang. Kami mempunyai sistem yang disediakan untuk mengesahkan alamat e-mel, tetapi masalah yang lebih besar kekal: cara memastikan mesej yang dihantar oleh orang sebenarnya berkaitan untuk disimpan dan bukan hanya mel sampah. Ini adalah penting untuk mengelak daripada membebankan pasukan sokongan kami dengan e-mel yang tidak berkaitan.

Cabaran teras, dan fokus komponen ini, adalah membangunkan kaedah untuk menilai secara automatik kerelevanan setiap pertanyaan sebelum ia sampai ke peti masuk kami – pada asasnya, penapis spam untuk soalan pelanggan, yang memfokuskan pada hanya menyimpan mesej yang benar-benar relevan.

Percubaan pertama saya untuk menyelesaikan masalah itu agak mudah: Saya menggunakan teknik pengesahan e-mel standard. Ini bermakna menyemak corak e-mel spam biasa dan memastikan alamat e-mel diformat dengan betul. Ia menangkap beberapa spam yang jelas, tetapi ia tidak mudah. E-mel spam pintar dengan mudah memintas semakan mudah ini.

Masalah utama ialah saya hanya melihat alamat, bukan mesej itu sendiri. Untuk benar-benar menyelesaikannya, saya perlu memahami kandungan e-mel, di mana saya mula menggunakan AI.

Dapatkan kunci api anda dari sini - AISTUDIO

Video demo - Pautan video

Membina Pengesah Dikuasakan AI menggunakan GEMINI 1.5 FLASH MODEL

Inti penyelesaian saya adalah sangat mudah, tetapi berkesan.

• Penghadan Kadar: Ia bermula dengan mencegah penyalahgunaan, sesuatu yang saya tangani menggunakan pengehadan kadar. Pada asasnya, sistem kini menjejaki berapa banyak mesej yang diterima daripada satu alamat e-mel dalam tempoh masa yang singkat (lima minit, dalam kes ini).
• Membuat Prompt: Saya mencipta set arahan khusus – "prompt" - untuk memberitahu AI dengan tepat apa yang perlu dicari dalam setiap e-mel. Gesaan ini termasuk nama pengirim, alamat e-mel dan mesej itu sendiri. Kemudian, saya bertanya kepada AI beberapa soalan penting:

Analyze this email:
Name: [Sender's Name]
Email: [Sender's Email]
Message: [Email Message]

Is this message relevant to [domain/topic]?
Does the email address look legitimate?
Is the inquiry specific and reasonable?

Return JSON: {"is_valid": "Yes/No", "reason": "[Explanation]"}

• Berinteraksi dengan AI: Saya menggunakan model AI yang popular(Model Flash Gemini 1.5) (anda boleh menyesuaikannya dengan orang lain dengan mudah), menghantar gesaan dan menerima respons JSON. Respons ini mengandungi dua maklumat penting: is_valid (Ya atau Tidak) dan sebab (penjelasan tentang keputusan AI).

• Pengendalian Ralat: Perkara yang tidak dijangka berlaku! Kod saya termasuk pengendalian ralat yang mantap. Jika panggilan API AI gagal, atau tindak balas AI tidak dijangka, sistem akan mengendalikan ralat dengan anggun dan menghalang ranap. Ia mengembalikan mesej ralat dan bukannya gagal secara senyap.

• Menyatukan Semuanya: Sistem terakhir adalah elegan dalam kesederhanaannya: E-mel masuk -> Semakan mengehadkan kadar -> Pengesahan AI -> Keputusan (sah/tidak sah). Pendekatan ini jauh lebih tepat daripada pengesahan e-mel mudah sahaja.

Kod Pelaksanaan

Analyze this email:
Name: [Sender's Name]
Email: [Sender's Email]
Message: [Email Message]

Is this message relevant to [domain/topic]?
Does the email address look legitimate?
Is the inquiry specific and reasonable?

Return JSON: {"is_valid": "Yes/No", "reason": "[Explanation]"}

Ingat untuk menggantikan ruang letak:

• [ANDA_AI_API_ENDPOINT] dengan titik akhir sebenar API AI anda.

• Fungsi getApiKey() dengan kaedah anda untuk mengakses kunci API dengan selamat.

• Fungsi extractAIResponse() dengan kod khusus untuk menghuraikan respons daripada model AI pilihan anda. Contoh yang diberikan adalah ilustrasi dan mungkin tidak berfungsi secara langsung dengan respons model AI anda.

Kod di atas hanyalah pendekatan asas untuk mengurangkan e-mel spam yang perlu diperhalusi yang memenuhi keperluan anda.

Terima Kasih?

Atas ialah kandungan terperinci Membina Pengesah E-mel Dikuasakan AI menggunakan Model Google Gemini. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!