使用 LangGraph 实现邮件智能处理系统来处理客户咨询【附代码】

简介

在这篇博文中，我们将探讨如何使用 LangGraph 结合 RAG（Retrieval-Augmented Generation）技术来构建一个响应客户邮件的电子邮件智能系统。LangGraph 是一个强大的框架，专为构建和部署基于图的语言应用而设计。它支持复杂的查询处理和信息检索任务，使得我们可以实现一个智能的邮件响应系统。我们的目标是创建一个系统，能够理解和分类客户邮件，然后生成回答问题的最佳策略，最终撰写出符合查询需求的回复邮件。

背景

RAG 技术通过结合检索（Retrieval）和生成（Generation）来提升语言模型的效果。在处理客户邮件时，我们可以借此技术来提升回复的准确性和相关性。此外，通过自定义的事实数据库来增强模型，使其能够引用和生成更精确的信息。

开发环境

• Python 3.8+
• LangChain
• Hugging Face Transformers

实施步骤

1. 数据准备和预处理

   • 我们从一个 CSV 文件加载相关事实数据。这些数据将被用来构建我们的 RAG 系统。

2. 系统架构

   • 邮件分类：首先，系统需要能够理解并分类进来的客户邮件。
   • 问题生成：根据邮件的类别和内容，系统将生成一些具体的问题，用于从 RAG 检索相关信息。
   • 检索和生成：利用 RAG 技术，系统将从预先构建的事实数据库中检索信息，并生成回复内容。
   • 邮件撰写：最后，系统将结合检索到的信息和原始邮件内容，撰写一封妥当的回复邮件。

3. 代码实现

3.1. 环境设置与依赖安装

首先，我们需要准备环境并安装必要的库。

pip install langchain-groq
pip install -U langchain_community tiktoken langchainhub
pip install -U langchain langgraph
pip install -U langchain langchain-community langchainhub
pip install langchain-chroma bs4
pip install huggingface_hub unstructured sentence_transformers

这段代码主要完成以下功能：

• 从网络下载数据文件。
• 安装LangGraph和相关库，这些库将支持后续的文本处理和机器学习任务。

3.2 数据加载与处理

接下来，我们使用CSVLoader来加载数据，并准备合并数据源。

from langchain_community.document_loaders.csv_loader import CSVLoader

loader_csv = CSVLoader(file_path="/content/facts.csv")
docs_all = loader_csv.load()

这里，CSVLoader用于从CSV文件中加载数据，这些数据将用作后续RAG处理的基础。

from langchain_community.document_loaders.merge import MergedDataLoader

loader_all = MergedDataLoader(loaders=[loader_csv])
docs_all = loader_all.load()

MergedDataLoader允许我们将来自不同源的数据合并起来，尽管在这里我们只加载了CSV数据。

3.3 文本分割与向量嵌入

由于文档可能非常长，我们使用RecursiveCharacterTextSplitter来分割文档。

from langchain.text_splitter import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
texts = text_splitter.split_documents(docs_all)

接下来，使用HuggingFaceBgeEmbeddings对文本进行向量嵌入，以便进行有效的相似性搜索。

from langchain.embeddings import HuggingFaceBgeEmbeddings

model_name = "BAAI/bge-base-en"
encode_kwargs = {'normalize_embeddings': True}

bge_embeddings = HuggingFaceBgeEmbeddings(
    model_name=model_name,
    model_kwargs={'device': 'cuda'},
    encode_kwargs=encode_kwargs
)

3.4 创建向量数据库与检索器

我们使用Chroma来创建一个向量数据库，该数据库将支持信息检索。

from langchain_chroma import Chroma

persist_directory = 'db'
vectordb = Chroma.from_documents(documents=texts, embedding=embedding, persist_directory=persist_directory)

创建检索器，用于从向量数据库中检索相关文档。

retriever = vectordb.as_retriever(search_kwargs={"k": 5})

3.5. RAG提示与查询执行

定义一个RAG提示模板，用于生成问题的回答。

from langchain_core.prompts import PromptTemplate
from langchain_groq import ChatGroq
from langchain_core.output_parsers import StrOutputParser

GROQ_LLM = ChatGroq(model="llama3-70b-8192")
rag_prompt = PromptTemplate(template="Your prompt template here", input_variables=["question","context"])
rag_prompt_chain = rag_prompt | GROQ_LLM | StrOutputParser()

执行一个查询，得到结果。

QUESTION = """What can I do in the Westworld Park?"""
CONTEXT = retriever.invoke(QUESTION)
result = rag_prompt_chain.invoke({"question": QUESTION, "context": CONTEXT})
print(result)

这个过程中，我们构建了一个完整的查询处理

流，从生成查询到获取答案。

3.6 构建完整的邮件智能系统

最后，我们将前面的组件整合起来，构建一个完整的电子邮件回复系统，包括邮件分类、查询生成、信息检索和回复生成等步骤。

from langchain.schema import Document
from langgraph.graph import END, StateGraph
from typing_extensions import TypedDict
from typing import List

class GraphState(TypedDict):
    initial_email: str
    email_category: str
    draft_email: str
    final_email: str
    research_info: List[str]
    info_needed: bool
    num_steps: int
    draft_email_feedback: dict
    rag_questions: List[str]

我们定义了状态图和不同的处理节点，每个节点执行特定的任务，如邮件分类、信息检索、邮件草稿撰写等。

通过这种方式，我们确保了系统的灵活性和可扩展性，能够适应不同的业务需求和未来的技术变革。

结论

通过使用 LangGraph 和 RAG，我们成功构建了一个功能强大的邮件智能系统，它可以有效地处理和回复客户咨询。这种技术的应用不仅提升了客户服务的效率，还能够提供更加个性化和准确的信息，增强客户体验。

未来方向

未来我们可以通过引入更多的数据源和优化 RAG 的配置来进一步提升系统的性能。此外，也可以探索将此技术应用于其他类型的客户服务系统中，以提升整体的服务质量和效率。