無服務器AI代理搭建：生成冷郵件助力求職者獲取理想工作 原創
冷郵件（cold email：是一種未經對方事先許可或請求，主動向潛在客戶或雇主、合作伙伴等發送的商業電子郵件，目的通常是為了推銷產品、求助、服務或建立業務聯系等）在求職過程中能夠發揮重要作用，然而，撰寫一封堪稱完美的冷郵件卻頗為耗時。你不僅需要精準地將自身技能與職位描述相匹配，還要拿捏好恰當的郵件語氣，并且往往需要反復修改——這無疑是一項繁重的工作。
本指南將指導你使用Langbase的無服務器內存代理，構建冷郵件生成器代理，從而實現整個冷郵件撰寫流程的自動化。我們會把內存代理集成至一個Node.js項目中，使其具備讀取簡歷、剖析職位描述的能力，并能在短短幾秒內，為你生成一封個性化且極具影響力的冷郵件。
目錄
1. 大語言模型（LLMs）的無狀態屬性
2. 內存代理（Memory Agents）定義
3. 先決條件
4. 參考架構
5. 步驟 1：創建一個目錄并初始化npm
6. 步驟 2：創建一個無服務器的管道代理
7. 步驟 3：添加一個.env文件
8. 步驟 4：創建一個無服務器的內存代理
9. 步驟 5：向內存代理中添加文檔
10. 步驟 6：生成內存嵌入
- 理解內存嵌入
- 如何生成嵌入？
11. 步驟 7：在管道代理中集成內存
12. 步驟 8：在Node.js中集成內存代理
13. 步驟 9：啟動BaseAI服務器
14. 步驟 10：運行內存代理
15. 最終呈現
大語言模型（LLMs）的無狀態屬性
大語言模型（LLMs）具有無狀態屬性，這是因為它們不會留存任何有關先前交互的記憶，也不會保留過去查詢的上下文信息，僅處理會話中輸入的內容。每次大語言模型處理提示時，都是針對該特定提示進行操作，不會受到任何先前提示歷史記錄的影響。
這種無狀態特性使得模型能夠將每個請求都視作獨立的個體，進而簡化了模型的架構與訓練流程。然而這也意味著，倘若缺乏諸如檢索增強生成（RAG）或長期內存等機制，大語言模型便無法將信息從一次交互傳遞至下一次交互。
為了使交互具備連續性或引入上下文信息，開發人員可通過實現外部系統來管理并注入上下文，但模型自身在不同請求之間不會“記住”任何內容 。
解決方案
通過集成Langbase的內存代理（Memory Agents），我們能夠為大語言模型賦予長期內存功能。這使得模型可以動態地存儲、檢索并運用信息，從而讓大語言模型在實際應用場景中發揮更大的作用。
內存代理（Memory Agents）定義
Langbase 的無服務器內存代理（作為一種長期內存解決方案），其設計目標旨在實現信息的無縫獲取、處理、存儲以及檢索。這些代理能夠將私有數據動態地關聯到任何大語言模型上，進而在實時交互中實現具備上下文感知能力的響應，并有效減少模型“幻覺”現象的出現。
這些代理融合了矢量存儲、檢索增強生成（RAG）以及互聯網訪問功能，構建出強大的托管上下文搜索 API。開發人員能借此打造出更智能、功能更卓越的人工智能（AI）應用程序。
在檢索增強生成（RAG）的設置環境中，當內存直接與Langbase 管道代理（Pipe Agent）相連接時，便形成了內存代理。這種組合方式讓大語言模型得以獲取相關數據，并給出精確且上下文準確的回答，成功克服了大語言模型在處理私有數據方面存在的局限性。
內存代理能夠確保本地內存存儲的安全性。用于生成內存嵌入的數據會得到妥善保護，在安全的環境中進行處理，并且只有在經過明確配置的情況下，才會將數據發送至外部。同時，通過 API 密鑰對訪問權限進行嚴格管控，切實保障敏感信息的安全。
需注意的是，管道是一個無服務器AI代理，它有自己的代理內存和工具。
先決條件
在開始創建冷郵件生成器代理之前，你需要完成以下設置并準備好相應工具。
在本教程中，我將采用以下技術棧：
- BaseAI：這是一個用于在本地構建AI代理的Web框架。
- Langbase：該平臺用于構建和部署無服務器AI代理。
- OpenAI：借助它來獲取首選模型的大語言模型密鑰 。
此外，你還需進行以下操作：
- 在Langbase平臺完成注冊，以此獲取API密鑰。
- 在OpenAI平臺注冊，進而生成你所使用模型的大語言模型密鑰（在本次演示中，我將使用GPT - 4o mini）。你可在此處生成密鑰。
參考架構
以下以圖解形式呈現構建無服務器AI代理以生成工作申請冷郵件的完整流程：
讓我們開始構建代理吧！
步驟 1：創建一個目錄并初始化npm
若要著手創建用于為職位空缺生成冷電子郵件的無服務器 AI 代理，你需在本地計算機上創建一個目錄，并在該目錄中安裝所有相關的開發依賴項。你可通過定位到該目錄，并在終端中運行以下命令來完成此項操作：
mkdir my-project
npm init -y
npm install dotenv此命令會在項目目錄中創建一個帶有默認值的 package.json 文件。同時，它還會安裝 dotenv 包，以便從.env 文件中讀取環境變量。
步驟 2：創建一個無服務器的管道代理（Pipe Agent）
接下來，我們將創建一個管道代理。管道代理與其他代理有所不同，因其屬于配備代理工具的無服務器AI代理，能夠與任何編程語言或框架協同工作。它們部署簡便，僅需一個 API，便能將250多個大語言模型與任何數據進行連接，從而能構建出任何開發人員所需的API工作流程。
若要創建你的AI管道代理，請先點進項目目錄。運行以下命令：
npx baseai@latest pipe運行后，你將看到以下提示信息：
BaseAI is not installed but required to run. Would you like to install it? Yes/No
Name of the pipe? email-generator-agent
Description of the pipe? Generates emails for your dream job in seconds
Status of the pipe? Public/Private
System prompt? You are a helpful AI assistant當你完成對 AI 代理管道的名稱、描述及狀態的設置后，系統會自動為你完成所有相關配置。你的管道將成功創建于 /baseai/pipes/email-generator-agent.ts 路徑下。
步驟 3：添加一個.env文件
在項目的根目錄下創建一個名為.env 的文件，并在該文件中添加 OpenAI 和 Langbase 的 API 密鑰。你可從此處獲取你的 Langbase API 密鑰 。
步驟 4：創建一個無服務器的內存代理
接下來，我們要創建一個內存模塊，隨后將其附加到管道（Pipe）中，從而使其成為一個具備內存功能的代理。要實現這一點，請在你的終端中運行以下命令：
npx baseai@latest memory運行此命令后，你將得到以下提示信息：
Name of the memory? email-generator-memory
Description of the memory? Contains my resume
Do you want to create memory from the current project git repository? Yes/No在此操作完成后，所有設置將自動為你完成。屆時，你可以訪問成功創建在 /baseai/memory/email-generator-memory.ts 路徑下的內存。
步驟 5：向內存代理中添加文檔
在 /baseai/memory/email-generator-memory.ts 文件所在的目錄中，你會看到另一個名為“documents”的文件夾。此文件夾是用于存儲期望 AI 代理能夠訪問的文件的位置。請將你的簡歷保存為.pdf 或.txt 文件。之后，你需要將其轉換為 markdown 文件，并將轉換后的文件放置在/baseai/memory/email-generator-memory/documents目錄中。
此步驟能夠確保內存代理具備處理和檢索文檔中信息的能力，進而讓AI代理依據所附簡歷里呈現的經驗與技能，生成精準的冷郵件。
步驟 6：生成內存嵌入
將文檔添加到內存之后，接下來的步驟是生成內存嵌入。不過在此之前，請允許我簡要解釋一下什么是嵌入，以及它們為何如此重要。
理解內存嵌入
內存嵌入是文檔的一種數字表征形式，它能讓AI理解文本中的上下文、關系以及含義。這些嵌入如同橋梁一般，把原始數據轉化為人工智能能夠處理的結構化數據格式，以便進行語義搜索與檢索。
倘若沒有嵌入，AI代理便無法有效地將用戶的查詢與相關內容建立聯系。生成嵌入的過程會創建一個可搜索的索引，借助這個索引，內存代理就能高效地給出準確且具備上下文感知能力的響應。
如何生成嵌入
若要為你的文檔生成嵌入，請在終端中運行以下命令：
npx baseai@latest embed -m email-generator-memory你的內存現已準備就緒，可與管道（即內存代理）進行連接。通過這一連接，你的 AI 代理便能從你的文檔中獲取精準的、基于上下文理解的響應。
步驟 7：在管道代理中集成內存
接下來，你需要將創建好的內存附加到管道（Pipe）代理上，以使其成為一個內存代理。要實現這一點，請轉到 /baseai/pipes/email-generator-agent.ts 文件。以下是該文件目前的內容：
import { PipeI } from '@baseai/core';
const pipePipeWithMemory = (): PipeI => ({
apiKey: process.env.LANGBASE_API_KEY!, // Replace with your API key https://langbase.com/docs/api-reference/api-keys
name: 'email-generator-agent',
description: 'Generates emails for your dream job in seconds',
status: 'public',
model: 'openai:gpt-4o-mini',
stream: true,
json: false,
store: true,
moderate: true,
top_p: 1,
max_tokens: 1000,
temperature: 0.7,
presence_penalty: 1,
frequency_penalty: 1,
stop: [],
tool_choice: 'auto',
parallel_tool_calls: false,
messages: [
{ role: 'system', content: You are a helpful AI assistant. }],
variables: [],
memory: [],
tools: []});
export default pipePipeWithMemory;現在，需將內存集成到管道中。具體做法是在文件頂部導入內存，并將其作為內存數組中的函數進行調用。此外，還需在messages內容中添加以下內容：
Based on the job description and my resume attached, write a compelling cold email tailored to the job, highlighting my most relevant skills, achievements, and experiences. Ensure the tone is professional yet approachable, and include a strong call to action for a follow-up or interview.完成上述所有操作后，代碼如下所示：
import { PipeI } from '@baseai/core';
import emailGeneratorMemoryMemory from '../memory/email-generator-memory';
const pipeEmailGeneratorAgent = (): PipeI => ({
// Replace with your API key https://langbase.com/docs/api-reference/api-keys
apiKey: process.env.LANGBASE_API_KEY!,
name: 'email-generator-agent',
description: 'Generates emails for your dream job in seconds',
status: 'private',
model: 'openai:gpt-4o-mini',
stream: true,
json: false,
store: true,
moderate: true,
top_p: 1,
max_tokens: 1000,
temperature: 0.7,
presence_penalty: 1,
frequency_penalty: 1,
stop: [],
tool_choice: 'auto',
parallel_tool_calls: true,
messages: [{ role: 'system', content: Based on the job description and my resume attached, write a compelling cold email tailored to the job, highlighting my most relevant skills, achievements, and experiences. Ensure the tone is professional yet approachable, and include a strong call to action for a follow-up or interview. }],
variables: [],
memory: [emailGeneratorMemoryMemory()],
tools: []});
export default pipeEmailGeneratorAgent;步驟 8：在Node.js中集成內存代理
我們將創建的內存代理集成到Node.js項目中，從而為所附文檔創建一個交互式命令行界面（CLI）。該Node.js項目將作為測試內存代理以及與內存代理進行交互的基礎（在本教程開篇，我們通過初始化npm設置了一個Node.js項目）。
現在，創建一個index.ts文件：
touch index.ts在這個TypeScript文件里，導入你之前創建的管道代理。我們會借助@baseai/core里的管道原語（pipe primitive：是一種系統接口，允許進程間通信和數據交換。它是一個單向的數據流通道，一個進程寫入數據，另一個進程從中讀取數據）來運行該管道。
請將以下代碼添加至 index.ts 文件中：
import 'dotenv/config';
import { Pipe } from '@baseai/core';
import inquirer from 'inquirer';import ora from 'ora';
import chalk from 'chalk';
import pipeEmailGeneratorAgent from './baseai/pipes/email-generator-agent';
const pipe = new Pipe(pipeEmailGeneratorAgent());
async function main() {
const initialSpinner = ora('Conversation with Memory agent...').start();
try {
const { completion: calculatorTool} = await pipe.run({
messages: [{ role: 'user', content: 'Hello' }],
});
initialSpinner.stop();
console.log(chalk.cyan('Report Generator Agent response...'));
console.log(calculatorTool);
} catch (error) {
initialSpinner.stop();
console.error(chalk.red('Error processing initial request:'), error);
}
while (true) {
const { userMsg } = await inquirer.prompt([
{
type: 'input',
name: 'userMsg',
message: chalk.blue('Enter your query (or type "exit" to quit):'),
},
]);
if (userMsg.toLowerCase() === 'exit') {
console.log(chalk.green('Goodbye!'));
break;
}
const spinner = ora('Processing your request...').start();
try {
const { completion: reportAgentResponse } = await pipe.run({
messages: [{ role: 'user', content: userMsg }],
});
spinner.stop();
console.log(chalk.cyan('Agent:'));
console.log(reportAgentResponse);
} catch (error) {
spinner.stop();
console.error(chalk.red('Error processing your request:'), error);
}
}}
main();
導入 'dotenv/config';import { Pipe } from '@baseai/core';import inquirer from 'inquirer';import ora from 'ora';從 'chalk' 導入 chalk;import pipeEmailGeneratorAgent from './baseai/pipes/email-generator-agent'; const pipe = new Pipe（pipeEmailGeneratorAgent（））; async function main（） { const initialSpinner = ora（'與內存代理的對話...'）.start（）; try { const { completion： calculatorTool} = await pipe.run（{ messages： [{ role： 'user'， content： 'Hello' }]， }）; 初始Spinner.stop（）; console.log（chalk.cyan（'Report Generator Agent 響應...'））; console.log（calculatorTool）; } catch （錯誤） { initialSpinner.stop（）; console.error（chalk.red（'處理初始請求時出錯：'）， error）; } while （true） { const { userMsg } = await inquirer.prompt（[ { type： 'input'， name： 'userMsg'， message： chalk.blue（'輸入你的查詢（或鍵入 “exit” 退出）：'）， }， ]）; if （userMsg.toLowerCase（） === 'exit'） { console.log（chalk.green（'Goodbye！'））; 破; } const spinner = ora（'正在處理你的請求...'）.start（）; try { const { completion： reportAgentResponse } = await pipe.run（{ messages： [{ role： 'user'， content： userMsg }]， }）; spinner.stop（）; console.log（chalk.cyan（'代理：'））; console.log（reportAgentResponse）; } catch （錯誤） { spinner.stop（）; console.error（chalk.red（'處理你的請求時出錯：'）， error）; } } } main（）;這段代碼創建了一個交互式命令行界面（CLI），用于與 AI 代理進行聊天，它利用 @baseai/core 庫中的管道來處理用戶輸入。以下是具體的運行流程：
- 導入必要庫：代碼首先導入了多個必要的庫。其中，dotenv用于環境配置，inquirer用于獲取用戶輸入，ora用于展示加載微調器，chalk用于實現彩色輸出。請務必首先在終端中使用以下命令安裝這些庫：npm install ora inquirer。
- 創建管道對象：使用 BaseAI 庫中名為 email-generator-agent的預定義內存，創建一個管道對象。
main() 函數中的操作：
- 啟動交互：在main()函數中，當與AI代理的初始對話啟動時，旋轉圖標會隨之啟動，并顯示 “Hello” 消息。
- 顯示響應：將顯示來自 AI 的響應。
- 循環交互：通過循環持續要求用戶輸入，并將用戶的查詢發送給 AI 代理。
- 每次接收到 AI 的響應后，便會將其顯示出來，這一過程會一直持續，直至用戶輸入 “exit”。
步驟 9：啟動BaseAI服務器
要在本地運行內存代理，你需要先啟動 BaseAI 服務器。在終端中運行以下命令：
npx baseai@latest dev步驟 10：運行內存代理
使用以下命令運行index.ts文件：
npx tsx index.ts最終呈現
在你的終端中，系統會提示“輸入你的查詢”。例如，我們可以粘貼一份職位描述，然后要求系統基于我們這邊的情況生成一封表達求職興趣的電子郵件。系統也會給出帶有正確來源或引用說明的回應。
通過這樣的設置，我們便成功搭建了一個冷郵件生成代理（Cold Email Generator agent）。該代理借助大語言模型以及Langbase內存代理的強大功能，有效克服了大語言模型的局限性，確保生成準確的響應，且不會在處理私人數據時出現虛構信息的情況。
以下是最終結果的演示：
譯者介紹
劉濤，51CTO社區編輯，某大型央企系統上線檢測管控負責人。
原文標題：How to build a serverless AI agent to generate cold emails for your dream job，作者：Maham Codes
