深入探索Zapier的自然语言动作API与AI集成-CSDN博客

# 深入探索Zapier的自然语言动作API与AI集成

随着AI技术的迅猛发展，我们不断寻找更自然、更高效的方式来进行应用程序集成。Zapier的自然语言动作（Natural Language Actions, NLA）API提供了一种与5000多个应用程序进行互动的创新方式，通过自然语言接口，简化了复杂的API调用过程。然而，该服务将在2023年11月17日被终止。在本文中，我们将深入探讨其技术原理，并展示如何在Zapier被关闭之前最大化其价值。

## 技术背景介绍

Zapier NLA通过其自然语言接口帮助开发者轻松调用和管理超过20,000个应用程序操作。它处理所有的API认证和自然语言到API调用的转换，为语言模型（LLM）提供简化的输出。开发者可以通过OAuth或API Key将一组动作暴露给用户，并通过REST API进行查询和执行。

## 核心原理解析

Zapier NLA的核心在于其自动化流程的简化。用户通过OAuth或API Key认证连接到Zapier，选择需要的动作，如“Gmail: Find Email”或“Slack: Send Direct Message”。Zapier处理所有底层的API认证细节，使开发者能够专注于业务逻辑，而不是繁琐的API管理。

## 代码实现演示

以下示例展示了如何使用Zapier和LangChain进行邮件查找和Slack消息发送的自动化：

### 使用Agent进行自动化

```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

# 配置环境变量用于API认证
os.environ["OPENAI_API_KEY"] = 'your-openai-api-key'
os.environ["ZAPIER_NLA_API_KEY"] = 'your-zapier-nla-api-key'

# 初始化LangChain模型和Zapier工具包
llm = OpenAI(temperature=0)
zapier = ZapierNLAWrapper()
toolkit = ZapierToolkit.from_zapier_nla_wrapper(zapier)

# 创建Agent并运行任务
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."
)

使用SimpleSequentialChain进行自动化

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

# 定义操作步骤和指令
GMAIL_SEARCH_INSTRUCTIONS = "Grab the latest email from Silicon Valley Bank"

actions = ZapierNLAWrapper().list()

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"])
    }

# 链接邮件查找流程
gmail_chain = TransformChain(
    input_variables=["instructions"],
    output_variables=["email_data"],
    transform=nla_gmail,
)

# 构建邮件回复模板
template = """You are an assisstant 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)

# 发送消息至Slack
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,
)

# 执行完整流程链
overall_chain = SimpleSequentialChain(
    chains=[gmail_chain, reply_chain, slack_chain], verbose=True
)
overall_chain.run(GMAIL_SEARCH_INSTRUCTIONS)