[掌握Zapier自然语言API：集成与应用指南]

最新推荐文章于 2025-04-29 11:53:09 发布

bhawfgrcbtwny

最新推荐文章于 2025-04-29 11:53:09 发布

阅读量534

点赞数 3

文章标签： windows 前端 javascript python

本文链接：https://blog.csdn.net/bhawfgrcbtwny/article/details/143082846

版权

# 掌握Zapier自然语言API：集成与应用指南

随着Zapier Natural Language Actions（NLA）API的即将停用，对于开发者来说，深入了解如何高效地使用现有API变得尤为重要。本文将向您展示如何利用Zapier NLA API，通过自然语言轻松地与5000多个应用程序进行交互，并讨论在不同使用场景中的实践技巧。

## 引言

Zapier NLA API是一种强大的工具，允许开发者通过自然语言接口访问Zapier平台上的20,000余个操作。本篇文章旨在帮助您理解如何在不同场景下集成和使用Zapier NLA API，并提供一些代码示例。

## 主要内容

### API的使用模式

1. **服务器端（API Key）**：适合快速上手、测试，以及在开发者自己的Zapier账户中使用特定操作的生产场景。  
2. **用户界面（OAuth）**：适用于面向最终用户的应用程序，允许访问用户在Zapier.com上公开的操作和账户。

### 示例一：使用Agent

以下代码展示了如何使用Zapier工具与一个Agent集成，从而实现自动化处理电子邮件和发送Slack消息。

```python
import os
from langchain.agents import AgentType, initialize_agent
from langchain_community.agent_toolkits import ZapierToolkit
from langchain_community.utilities.zapier import ZapierNLAWrapper
from langchain_openai import OpenAI

# 使用API代理服务提高访问稳定性
os.environ["OPENAI_API_KEY"] = os.environ.get("OPENAI_API_KEY", "")
os.environ["ZAPIER_NLA_API_KEY"] = os.environ.get("ZAPIER_NLA_API_KEY", "")

llm = OpenAI(temperature=0)
zapier = ZapierNLAWrapper()
toolkit = ZapierToolkit.from_zapier_nla_wrapper(zapier)
agent = initialize_agent(
    toolkit.get_tools(), llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True
)

agent.run(
    "Summarize the last email I received regarding Silicon Valley Bank. Send the summary to the #test-zapier channel in slack."
)

示例二：使用SimpleSequentialChain

使用SimpleSequentialChain可以更精细地控制步骤，比如处理电子邮件和发送Slack直接消息。

from langchain.chains import LLMChain, SimpleSequentialChain, TransformChain
from langchain_community.tools.zapier.tool import ZapierNLARunAction
from langchain_community.utilities.zapier import ZapierNLAWrapper
from langchain_core.prompts import PromptTemplate
from langchain_openai import OpenAI

actions = ZapierNLAWrapper().list()

GMAIL_SEARCH_INSTRUCTIONS = "Grab the latest email from Silicon Valley Bank"

def nla_gmail(inputs):
    action = next(
        (a for a in actions if a["description"].startswith("Gmail: Find Email")), None
    )
    return {
        "email_data": ZapierNLARunAction(
            action_id=action["id"],
            zapier_description=action["description"],
            params_schema=action["params"],
        ).run(inputs["instructions"])
    }

gmail_chain = TransformChain(
    input_variables=["instructions"],
    output_variables=["email_data"],
    transform=nla_gmail,
)

template = """You are an assistant who drafts replies to an incoming email. Output draft reply in plain text (not JSON).

Incoming email:
{email_data}

Draft email reply:"""

prompt_template = PromptTemplate(input_variables=["email_data"], template=template)
reply_chain = LLMChain(llm=OpenAI(temperature=0.7), prompt=prompt_template)

SLACK_HANDLE = "@Ankush Gola"

def nla_slack(inputs):
    action = next(
        (
            a
            for a in actions
            if a["description"].startswith("Slack: Send Direct Message")
        ),
        None,
    )
    instructions = f'Send this to {SLACK_HANDLE} in Slack: {inputs["draft_reply"]}'
    return {
        "slack_data": ZapierNLARunAction(
            action_id=action["id"],
            zapier_description=action["description"],
            params_schema=action["params"],
        ).run(instructions)
    }

slack_chain = TransformChain(
    input_variables=["draft_reply"],
    output_variables=["slack_data"],
    transform=nla_slack,
)

overall_chain = SimpleSequentialChain(
    chains=[gmail_chain, reply_chain, slack_chain], verbose=True
)
overall_chain.run(GMAIL_SEARCH_INSTRUCTIONS)