介紹

大語言模型（LLM）的功能正在迅速發(fā)展。它們使我們能夠構(gòu)建各種LLM應(yīng)用程序。這些范圍從任務(wù)自動(dòng)化到工作流優(yōu)化。一個(gè)令人興奮的應(yīng)用程序是使用LLMS創(chuàng)建智能新聞文摘或新聞通訊代理。該代理可以提取相關(guān)內(nèi)容，總結(jié)它并以自定義格式交付。它可以與外部工具和數(shù)據(jù)源動(dòng)態(tài)交互以獲取相關(guān)信息。在本文中，讓我們學(xué)習(xí)如何使用Langgraph和News API（例如News API）為個(gè)性化的每日新聞?wù)獦?gòu)建新聞?wù)怼?/p>

概述

• 了解Langgraph及其關(guān)鍵組件（狀態(tài)，節(jié)點(diǎn)和邊緣）的體系結(jié)構(gòu)，以構(gòu)建可自定義的工作流代理。
• 了解如何將新聞紙這樣的外部API集成以獲取新聞通訊中動(dòng)態(tài)內(nèi)容的實(shí)時(shí)數(shù)據(jù)。
• 通過實(shí)施根據(jù)質(zhì)量標(biāo)準(zhǔn)對(duì)新聞文章進(jìn)行排名的評(píng)分系統(tǒng)，開發(fā)使用LLM進(jìn)行內(nèi)容評(píng)估的技能。
• 使用Python的電子郵件匯編庫將其自動(dòng)化電子郵件交付自動(dòng)化的實(shí)用知識(shí)。

目錄

• 關(guān)于Langgraph的簡介
• 先決條件
• 定義應(yīng)用程序流
  • 獲取新聞
  • 得分新聞
  • 發(fā)送電子郵件
• 建造代理
• 常見問題

關(guān)于Langgraph的簡介

Langgraph建在Langchain的頂部。 Langgraph是一個(gè)框架，旨在構(gòu)建將LLM與自定義邏輯和工具集成的動(dòng)態(tài)工作流程。這允許高度定制且復(fù)雜的工作流程結(jié)合多個(gè)工具和API。

Langgraph由三個(gè)核心組成部分組成：

1. 狀態(tài)：狀態(tài)包含整個(gè)應(yīng)用程序中共享的數(shù)據(jù)?？梢允侨魏慰梢猿钟袛?shù)據(jù)的Python數(shù)據(jù)結(jié)構(gòu)。我們可以使用具有不同參數(shù)的狀態(tài)對(duì)象來定義它。另外，我們還可以使用僅包含消息列表的預(yù)構(gòu)建的MessagessTate。
2. 節(jié)點(diǎn)：節(jié)點(diǎn)是可以讀取和修改狀態(tài)的函數(shù)。這些功能將狀態(tài)作為讀或?qū)懭霠顟B(tài)的第一個(gè)參數(shù)。我們還有一個(gè)開始節(jié)點(diǎn)來表示哪個(gè)節(jié)點(diǎn)將獲取用戶輸入，并首先稱為“表示圖”末尾的末端節(jié)點(diǎn)。
3. 邊緣：邊緣通過不同的節(jié)點(diǎn)定義數(shù)據(jù)流。我們還具有有條件的邊緣，該邊緣使用函數(shù)來確定下一步要轉(zhuǎn)到哪個(gè)節(jié)點(diǎn)。 Langgraph的優(yōu)點(diǎn)是我們可以通過許多方式自定義代理。因此，可以有不止一種方法來構(gòu)建該代理。

先決條件

在開始構(gòu)建LLM代理之前，請(qǐng)確保我們擁有所需的鍵和密碼。

通過API訪問LLM

首先為您使用的LLM生成一個(gè)API鍵。創(chuàng)建一個(gè)名稱為“ .env”的文本文件。將此密鑰牢固地存儲(chǔ)在.env文件中，以使其私密且在項(xiàng)目中易于訪問。

這是一個(gè).env文件的示例

獲取新聞數(shù)據(jù)

要收集新聞內(nèi)容，我們將使用https://newsapi.org/。注冊(cè)一個(gè)API鍵并將其存儲(chǔ)在同一.ENV文件中以進(jìn)行安全訪問。

發(fā)送電子郵件

要使用Python發(fā)送電子郵件，我們可以啟用“較不安全的應(yīng)用程序”，然后將Gmail密碼存儲(chǔ)在.ENV文件中。如果該選項(xiàng)不可用，我們可以按照此處提到的步驟訪問Gmail。

需要庫

我們已將以下版本用于主要庫：

• Langchain - 0.2.14
• Langgraph - 0.2.14
• Langchain-Openai - 0.1.14
• Newsapi-Python - 0.2.7

定義應(yīng)用程序流

目的是使用自然語言查詢代理商，以收集有關(guān)特定主題的新聞，并通過電子郵件獲取新聞通訊。為了實(shí)現(xiàn)此流程，我們將首先定義三個(gè)工具來處理每個(gè)關(guān)鍵任務(wù)，然后構(gòu)建代理來調(diào)用LLM和工具。

這三個(gè)工具如下：

1. 獲取新聞：新聞API根據(jù)解析的查詢檢索相關(guān)的新聞文章。
2. 評(píng)分新聞：被提取的文章傳遞給另一個(gè)LLM，該法學(xué)碩士評(píng)估和評(píng)分為質(zhì)量。輸出是按其質(zhì)量得分排序的文章列表。
3. 發(fā)表新聞：最高得分的文章將格式化為可讀的電子郵件，并發(fā)送給用戶。

現(xiàn)在，我們可以開始定義功能。

獲取新聞

導(dǎo)入必要的庫并加載.env文件

導(dǎo)入操作系統(tǒng) 
進(jìn)口JSON
導(dǎo)入大熊貓作為pd
從DateTime Import DateTime，TimeDelta
從ipython.display導(dǎo)入圖像，顯示
從輸入導(dǎo)入列表，文字，可選，打字，注釋
來自langchain_core.tools導(dǎo)入工具
來自langchain_openai進(jìn)口chatopenai

來自dotenv import load_dotenv

load_dotenv（'/。env'）

＃替代.env文件，我們也可以使用.txt文件如下
用open（'mykey.txt'，'r'）作為文件：
    OpenAi_Key = file.read（）
    
os.environ ['OpenAI_API_KEY'] = OpenAi_Key

從Newsapiclient和API鍵啟動(dòng)News_API

從Newsapi Import Newsapiclient

news_api_key = os.environ ['news_api_key']

news_api = newsapiclient（api_key = news_api_key）

現(xiàn)在，讓我們使用Langchain的“工具”裝飾器來定義Langchain工具

@工具
def get_news（查詢：str，past_days：int，域：str）：
    ”“”
    獲取有關(guān)給定參數(shù)的新聞，例如查詢，過去_DAYS，等。
    args：
        查詢：有關(guān)此主題的搜索新聞
        過去_DAYS：過去應(yīng)該搜索幾天？
        域：這些資源中的搜索新聞
    ”“”
    今天= dateTime.today（）
    from_date =今天-TimeDelta（days = past_days）
    news_details = news_api.get_everything（q =查詢，from_param = from_date，domains =域，
                                           sort_by ='相關(guān)性'）
    返回news_details

代理還可以根據(jù)相關(guān)性對(duì)文章進(jìn)行分類。這是此功能的輸出的示例：

＃初始化LLM gpt = chatopenai（型號(hào)=“ gpt-4o-mini”，溫度= 0） ＃我們可以將工具綁定到LLM，以便LLM可以根據(jù)查詢返回工具。 gpt_with_tools = gpt.bind_tools（[[get_news]）

得分新聞

Score_news功能通過根據(jù)預(yù)定義的標(biāo)準(zhǔn)對(duì)新聞文章進(jìn)行評(píng)分來處理新聞文章。然后該函數(shù)返回最高質(zhì)量文章的排序列表。

導(dǎo)入所需的方法

來自langchain_core.pydantic_v1導(dǎo)入基本模型，字段
來自langchain_core.prompts導(dǎo)入chatprompttemplate，提示鍵盤
來自langchain_core.messages導(dǎo)入人類

讓我們定義功能

def score_news（news_details：dict）：
    ”“”
    計(jì)算News_articles的分?jǐn)?shù)，然后按得分進(jìn)行排序。
        news_details：所有新聞文章    
    
    ”“”
    ＃訪問國家的最后一條消息。
    ＃將所有文章傳遞給LLM將增加成本。 
    ＃我們可以選擇僅評(píng)分一些文章。
    json_articles = json.loads（news_details ['消息'] [ -  1] .content）
    如果len（json_articles）> 15：
        文章= json_articles [：15]
    別的：
        文章= json_articles
    
    ＃系統(tǒng)提示指導(dǎo)LLM評(píng)分文章。
    system_prompt =“”“”
    您是新聞質(zhì)量評(píng)估者。
    我將為您提供新聞文章，其中包含標(biāo)題，描述和截短的內(nèi)容和其他詳細(xì)信息。 
    根據(jù)以下標(biāo)準(zhǔn)分析和評(píng)分新聞文章：

    清晰度：文章以簡潔而可理解的方式傳達(dá)信息的程度。
        比例：1（不清楚）至25（非常清晰）

    可信度：基于提供的描述和其他細(xì)節(jié)，文章有多大可能可信和實(shí)際上準(zhǔn)確？
        比例：1（不可信）至25（高度可信）

    參與潛力：文章吸引讀者的注意力或引起進(jìn)一步思考的可能性。
        比例：1（不參與）至25（非常吸引人）

    影響：本文的潛在社會(huì)，技術(shù)或政治后果的重要性或影響力。
        比例：1（最小影響）至25（高影響力）

    為新聞文章提供100分的總分?jǐn)?shù)，并為上述每個(gè)標(biāo)準(zhǔn)的分?jǐn)?shù)添加得分。

    您將評(píng)估很多新聞文章。因此，對(duì)他們進(jìn)行評(píng)分，以便我們以后可以對(duì)所有這些分類。

    ”“”
    提示_template = chatprompttemplate.from_messages（[（“系統(tǒng)”，system_prompt），（“人”，“ {news}”）））

    
    ＃定義pydantic類以以結(jié)構(gòu)化格式獲取輸出。
   
    課堂新聞（基本模型）：
        “”“新聞評(píng)分系統(tǒng)”“”
    
        total_score：int = field（description ='新聞文章的總分'）
        
        來源：str = field（Description =“新聞的來源”）
        作者：可選[str] = field（default = none，description =“新聞的作者”）
        
        標(biāo)題：str = field（description =“新聞的標(biāo)題”）
        描述：str = field（描述=“新聞描述”）
        
        URL：str = field（description =“新聞的URL”）
        urltoimage：可選[str] = field（default = none，description =“新聞的圖像URL”）

    ＃GPT 4O在得分方面表現(xiàn)更好，但成本更高。
    gpt_4o = chatopenai（型號(hào)='gpt-4o'，溫度= 0）
    structured_gpt = gpt_4o.with_structured_output（新聞）
    鏈=提示_template | structred_gpt
    
    ＃將每篇文章發(fā)送到LLM，以獲取其他細(xì)節(jié)。
    結(jié)果= [chain.Invoke（{'news'：artical}）。文章中文章的dict（）]

    ＃按總分對(duì)文章進(jìn)行排序。
    df = pd.dataframe（結(jié)果）.sort_values（by ='tucter_score'，accending = false）
    
    返回{“消息”：[humanMessage（content = df.to_dict（orient ='records'））]}}

該功能將狀態(tài)作為輸入，名稱為news_details。由于國家包含所有消息，我們可以訪問文章的最后一條消息。我們可以選擇從頂部獲得一些文章來節(jié)省成本。我們可以嘗試不同的系統(tǒng)提示來獲得最佳評(píng)分系統(tǒng)。

如果輸出為定義格式，則更容易處理數(shù)據(jù)。因此，我們可以將LLM與結(jié)構(gòu)化輸出一起使用，其中結(jié)構(gòu)是使用Pydantic類定義的。

然后，我們可以對(duì)每篇文章進(jìn)行評(píng)分并將其存儲(chǔ)在數(shù)據(jù)框架中。一旦我們使用總分?jǐn)?shù)對(duì)文章進(jìn)行排序，并將其添加為州的消息。

解釋

1。輸入

該函數(shù)將狀態(tài)對(duì)象作為輸入接收，其中包含所有消息。該州的最新信息持有新聞文章。為了最大程度地減少成本，我們可以限制文章的數(shù)量，而不是評(píng)分所有文章。

2。評(píng)分過程

我們?yōu)長LM提供了詳細(xì)的系統(tǒng)提示，并根據(jù)系統(tǒng)提示中給出的標(biāo)準(zhǔn)指示其對(duì)每篇文章進(jìn)行評(píng)分。

LLM根據(jù)系統(tǒng)提示中定義的標(biāo)準(zhǔn)評(píng)估每個(gè)文章，并分配100個(gè)總分，并增加每個(gè)標(biāo)準(zhǔn)的分?jǐn)?shù)。

3。結(jié)構(gòu)化輸出

為了確保輸出結(jié)構(gòu)化且易于處理，我們定義了Pydantic模型（新聞）。該模型包括``total_score''，`title` titled''，`description`和`rl''等字段。通過使用這種結(jié)構(gòu)化格式，LLM可以返回一致，組織良好的結(jié)果。

4。LLM集成

我們使用GPT-4O（以其在結(jié)構(gòu)化任務(wù)中的準(zhǔn)確性而聞名）來評(píng)分文章。發(fā)現(xiàn)在評(píng)估文章時(shí)，GPT-4O比GPT-4O-Mini好。每篇文章都通過LLM傳遞，并使用Pydantic轉(zhuǎn)換為詞典格式。

5。排序和輸出

在評(píng)分了所有文章之后，我們將它們存儲(chǔ)在Pandas DataFrame中，以降序順序?qū)ζ溥M(jìn)行“ total_score”進(jìn)行排序。然后，我們可以將排序列表作為消息返回到州，準(zhǔn)備在工作流的下一部分中使用。

發(fā)送電子郵件

send_email功能列出了分類的新聞文章列表，生成了HTML電子郵件，并將其發(fā)送給收件人。

導(dǎo)入庫

導(dǎo)入SMTPLIB，SSL
導(dǎo)入基礎(chǔ)64
導(dǎo)入電子郵件

定義send_email功能

def send_email（sorted_news）：
 
    ＃從國家的最后一條消息中獲取分類新聞。
    articles = sorted_news ['消息'] [ -  1] .content
    
    ＃如果News_article具有圖像，我們可以在電子郵件中顯示。
    news_items_html =“”
    對(duì)于文章中的文章[：10]：
        如果文章['urltoimage']不是沒有：
            news_items_html = f“”
            <div>
                <img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174442792064130.jpg" class="lazy" alt="”">
                <div>
                    <h3> <a href="%E2%80%9C"> {actits ['title']} </a> </h3>
                    <p> {文章['description']} </p>
                </div>
            </div>
            ”“”
        別的：
            news_items_html = f“”
            <div>
                <div>
                    <h3> <a href="%E2%80%9C"> {actits ['title']} </a> </h3>
                    <p> {文章['description']} </p>
                </div>
            </div>
            ”“”
            
    ＃用于造型HTML消息的CSS。我們?cè)诖颂幪砑由厦娴摹?news_items_html”。
    html = f“”
        
        
            
                身體 {{
                    字體家庭：Arial，sans-serif;
                    背景色：＃C4C4C4;
                    保證金：0;
                    填充：0;
                }}}
                。容器 {{
                    寬度：80％；
                    最大寬度：600px;
                    保證金：0自動(dòng)；
                    背景色：#ffffff;
                    填充：20px;
                    盒子陰影：0 4PX 8PX RGBA（0，0，0，0.1）;
                }}}
                h1 {{
                    文字平衡：中心；
                    顏色：＃333;
                }}}
                .news-item {{{
                    顯示：Flex;
                    準(zhǔn)項(xiàng)目：中心；
                    正當(dāng)：中間的空間；
                    邊界底：1px固體#EEEEE；
                    填充：15px 0;
                }}}
                .news-item h3 {{{
                    保證金：0;
                    字體大?。?6px;
                    顏色：＃007BFF;
                    左鍵：5px;
                }}}
                .news-item p {{{
                    字體大?。?4px;
                    顏色：＃666666;
                    保證金：5px 0;
                    左鍵：5px;
                }}}
                .news-item a {{{
                    顏色：＃007BFF;
                    文本介紹：無；
                }}}
                .news-item img {{{
                    寬度：100px;
                    身高：100px;
                    對(duì)象擬合：封面；
                    邊界拉迪烏斯：8px;
                }}}
                。頁腳 {{
                    保證金頂：20px;
                    文字平衡：中心；
                    字體大?。?2px;
                    顏色：＃999999;
                }}}
            
        
        
            <div>
                <h1>策劃的新聞</h1>
                {news_items_html}
                <div>
                    <p>這是您的個(gè)性化新聞通訊。</p>
                </div>
            </div>
        

以上是使用AI代理創(chuàng)建個(gè)性化的新聞?wù)脑敿?xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！