我们如何构建 LangChain 的付费媒体 Agent
LangChain 的营销团队原本主要靠开源、内容、YouTube 和社区自然增长,今年开始投付费广告,半年内扩展到五个渠道,小团队很难同时跟踪各平台的广告数据、效果和实验。于是他们做了一个常驻 Slack 的付费媒体 Agent:每周一把广告平台数据与仓库里的线索、销售管道数据合并,输出各渠道的总结和 PDF 报告,还能在对话中回答追问,并基于团队经验提出关键词、定向、文案或新广告系列建议,经人工审批后才执行。他们用 Deep Agents 做 Agent 运行框架,用沙箱环境跑代码和做分析,原则是让模型负责判断、让代码负责计算,结果报告流程成本降低约 40 倍、速度快 13 倍。该项目已开源,可作为自建类似 Agent 的起点。
文中可用工具
- LangChain Deep Agents管理文件访问、代码执行、工作记忆和任务规划,充当 Agent 的运行框架
- LangSmith Sandbox提供隔离的微虚拟机环境,让 Agent 安全执行代码和读写文件
- pandas用于数据分析
- DuckDB用于数据分析
- openpyxl用于处理电子表格
- WeasyPrint用于生成 PDF 报告
- Jinja2用于生成报告模板
- SlackAgent 常驻并发布报告、接受追问的聊天平台
评论 · 分享第一个看法