个性化邮件生成器

此工作流通过以下方式帮助销售专业人士撰写高度个性化的冷邮件：

1. 通过网站研究目标公司
2. 分析其商业模式、技术栈和独特属性
3. 生成个性化的邮件草稿
4. 在实际外联前，先发送测试邮件给自己以供审阅

为什么这很有帮助？

• 您始终多了一个审阅步骤——邮件会先发送给您。 这样可以确保您在触达实际潜在客户之前微调消息。 • 非常适合批量迭代语气、风格和个性化设置。

谁应该使用这个？

• SDR、客户主管、业务发展经理 • 创始人、营销专业人士、B2B 销售代表 • 任何大规模建立关系或进行外联的人

示例用例：

• SaaS 销售外联 • 咨询服务提案 • 合作机会 • 投资者关系 • 招聘外联 • 活动邀请

快速开始：

1. 安装依赖项： pip install openai agno

2. 设置环境变量：

   • export OPENAI_API_KEY=“xxxx”

3. 使用您的信息更新 sender_details_dict。

4. 将目标公司添加到“leads”字典中。

5. 运行： python personalized_email_generator.py

如果 DEMO_MODE=False，脚本将首先将草稿邮件发送给您。 如果 DEMO_MODE=True，它会将邮件打印到控制台供您审阅。

然后，您可以放心地将优化后的邮件发送给您的潜在客户！

代码

personalized_email_generator.py

import json
from datetime import datetime
from textwrap import dedent
from typing import Dict, Iterator, List, Optional

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.storage.sqlite import SqliteStorage
from agno.tools.exa import ExaTools
from agno.utils.log import logger
from agno.utils.pprint import pprint_run_response
from agno.workflow import RunResponse, Workflow
from pydantic import BaseModel, Field

# 演示模式
# - 设置为 True 将邮件打印到控制台
# - 设置为 False 将邮件发送给您自己
DEMO_MODE = True
today = datetime.now().strftime("%Y-%m-%d")

# 示例潜在客户 - 替换为您的实际目标
leads: Dict[str, Dict[str, str]] = {
    "Notion": {
        "name": "Notion",
        "website": "https://www.notion.so",
        "contact_name": "Ivan Zhao",
        "position": "CEO",
    },
    # 根据需要添加更多公司
}

# 更新后的 AI 分析公司发送者详细信息
sender_details_dict: Dict[str, str] = {
    "name": "Sarah Chen",
    "email": "[e-mail]",  # 在此处填写您的邮箱
    "organization": "Data Consultants Inc",
    "service_offered": "We help build data products and offer data consulting services",
    "calendar_link": "https://calendly.com/data-consultants-inc",
    "linkedin": "https://linkedin.com/in/your-profile",
    "phone": "[phone]",
    "website": "https://www.data-consultants.com",
}

email_template = """\
嘿 [RECIPIENT_NAME]

[PERSONAL_NOTE]

[PROBLEM_THEY_HAVE]

[SOLUTION_YOU_OFFER]

[SOCIAL_PROOF]

这是我的日历链接，如果您方便的话可以安排通话：[CALENDAR_LINK] ☕️

[SIGNATURE]

P.S. 您也可以在 X 上给我发私信\
"""


class CompanyInfo(BaseModel):
    """
    存储在研究阶段收集到的公司深度数据。
    """

    # 基本信息
    company_name: str = Field(..., description="公司名称")
    website_url: str = Field(..., description="公司网站 URL")

    # 业务详情
    industry: Optional[str] = Field(None, description="主要行业")
    core_business: Optional[str] = Field(None, description="主要业务焦点")
    business_model: Optional[str] = Field(None, description="B2B, B2C 等")

    # 营销信息
    motto: Optional[str] = Field(None, description="公司标语/口号")
    value_proposition: Optional[str] = Field(None, description="主要价值主张")
    target_audience: Optional[List[str]] = Field(
        None, description="目标客户细分"
    )

    # 公司指标
    company_size: Optional[str] = Field(None, description="员工数量范围")
    founded_year: Optional[int] = Field(None, description="成立年份")
    locations: Optional[List[str]] = Field(None, description="办公室地点")

    # 技术详情
    technologies: Optional[List[str]] = Field(None, description="技术栈")
    integrations: Optional[List[str]] = Field(None, description="软件集成")

    # 市场地位
    competitors: Optional[List[str]] = Field(None, description="主要竞争对手")
    unique_selling_points: Optional[List[str]] = Field(
        None, description="关键差异化因素"
    )
    market_position: Optional[str] = Field(None, description="市场定位")

    # 社会证明
    customers: Optional[List[str]] = Field(None, description="知名客户")
    case_studies: Optional[List[str]] = Field(None, description="成功案例")
    awards: Optional[List[str]] = Field(None, description="奖项和认可")

    # 近期动态
    recent_news: Optional[List[str]] = Field(None, description="近期新闻/更新")
    blog_topics: Optional[List[str]] = Field(None, description="近期博客主题")

    # 痛点与机遇
    challenges: Optional[List[str]] = Field(None, description="潜在痛点")
    growth_areas: Optional[List[str]] = Field(None, description="增长机遇")

    # 联系信息
    email_address: Optional[str] = Field(None, description="联系邮箱")
    phone: Optional[str] = Field(None, description="联系电话")
    social_media: Optional[Dict[str, str]] = Field(
        None, description="社交媒体链接"
    )

    # 附加字段
    pricing_model: Optional[str] = Field(None, description="定价策略和层级")
    user_base: Optional[str] = Field(None, description="预计用户基础规模")
    key_features: Optional[List[str]] = Field(None, description="主要产品功能")
    integration_ecosystem: Optional[List[str]] = Field(
        None, description="集成合作伙伴"
    )
    funding_status: Optional[str] = Field(
        None, description="最新融资信息"
    )
    growth_metrics: Optional[Dict[str, str]] = Field(
        None, description="关键增长指标"
    )


class PersonalisedEmailGenerator(Workflow):
    """
    个性化邮件生成系统，该系统：

    1. 抓取目标公司网站
    2. 收集基本信息（技术栈、市场地位、最新动态）
    3. 生成个性化的冷邮件，用于 B2B 外联

    此工作流旨在帮助您根据潜在客户的具体情况，解决已知挑战并突出显示量身定制的解决方案，从而撰写具有吸引力的外联邮件。
    """

    description: str = dedent("""\
        AI 驱动的 B2B 外联工作流：
        --------------------------------------------------------
        1. 研究与分析
        2. 生成个性化邮件
        3. 将草稿发送给您自己
        --------------------------------------------------------
        这创建了一个无缝的审阅层，让您在发送给真实潜在客户之前可以优化每封邮件。
        非常适合数据驱动的、个性化的、大规模的 B2B 外联。
    """)

    scraper: Agent = Agent(
        model=OpenAIChat(id="gpt-4o"),
        tools=[ExaTools()],
        description=dedent("""\
            您是专注于以下领域的专业 SaaS 业务分析师：

            🔍 产品智能
            - 功能分析
            - 用户体验评估
            - 集成能力
            - 平台可扩展性
            - 企业就绪度

            📊 市场地位分析
            - 竞争优势
            - 市场渗透率
            - 增长轨迹
            - 企业采用情况
            - 国际业务

            💡 技术架构
            - 基础设施设置
            - 安全标准
            - API 能力
            - 数据管理
            - 合规状态

            🎯 商业智能
            - 收入模式分析
            - 客户获取策略
            - 企业痛点
            - 扩展挑战
            - 集成机会\
        """),
        instructions=dedent("""\
            1. 从公司网站开始，分析：
            - 主页消息传递
            - 产品/服务页面
            - 关于我们部分
            - 博客内容
            - 案例研究
            - 团队页面

            2. 查找有关以下内容的具体详细信息：
            - 公司近期新闻
            - 客户评价
            - 技术合作伙伴关系
            - 行业奖项
            - 增长指标

            3. 识别潜在痛点：
            - 可扩展性挑战
            - 市场压力
            - 技术限制
            - 运营效率低下

            4. 专注于可行的见解，这些见解可能：
            - 推动业务增长
            - 改进运营
            - 提升客户体验
            - 增加市场份额

            请记住：质量重于数量。专注于可能带来有意义的业务对话的见解。\
        """),
        response_model=CompanyInfo,
    )

    email_creator: Agent = Agent(
        model=OpenAIChat(id="gpt-4o"),
        description=dedent("""\
            您的写作风格是一位友好、有同理心的 20 岁销售代表，风格酷、简洁且尊重。语气休闲但专业。

            - 礼貌但自然，使用简单的语言。
            - 永远不要听起来像机器人，或使用像“深入研究”、“协同作用”或“革命性”这样的大俗语。
            - 清晰地解决潜在客户可能面临的问题以及我们如何解决它们。
            - 段落要简短友好，语气自然。
            - 以温暖、积极的语调结束，表达乐于助人的意愿。\
        """),
        instructions=dedent("""\
            请写一封高度个性化的邮件，其中包含：

            1. 一个简单、个性化的主题行，引用问题或机会。
            2. 至少一个来自研究的改进领域或亮点。
            3. 简要说明我们如何帮助他们（没有生硬的行话）。
            4. 引用研究中已知的挑战。
            5. 避免使用“深入研究”、“探索”、“协同”、“增强”、“改变游戏规则”、“革命性”、“突破性”等词语。
            6. 自然地使用第一人称语言（“我”）。
            7. 保持 20 岁青年的友好风格——简洁明了。
            8. 避免在主题行中放置收件人姓名。

            使用以下结构模板，但确保最终语气感觉个性化且对话化，而不是自动生成的：
            ----------------------------------------------------------------------
            """)
        + "要使用的邮件模板:\n"
        + email_template,
        markdown=False,
        add_datetime_to_instructions=True,
    )

    def get_cached_company_data(self, company_name: str) -> Optional[CompanyInfo]:
        """检索缓存的公司研究数据"""
        logger.info(f"正在检查缓存中的公司数据：{company_name}")
        cached_data = self.session_state.get("company_research", {}).get(company_name)
        if cached_data:
            return CompanyInfo.model_validate(cached_data)
        return None

    def cache_company_data(self, company_name: str, company_data: CompanyInfo):
        """缓存公司研究数据"""
        logger.info(f"正在缓存 {company_name} 的公司数据")
        self.session_state.setdefault("company_research", {})
        self.session_state["company_research"][company_name] = company_data.model_dump()
        self.write_to_storage()

    def get_cached_email(self, company_name: str) -> Optional[str]:
        """检索缓存的邮件内容"""
        logger.info(f"正在检查缓存中的邮件：{company_name}")
        return self.session_state.get("generated_emails", {}).get(company_name)

    def cache_email(self, company_name: str, email_content: str):
        """缓存生成的邮件内容"""
        logger.info(f"正在缓存 {company_name} 的邮件")
        self.session_state.setdefault("generated_emails", {})
        self.session_state["generated_emails"][company_name] = email_content
        self.write_to_storage()

    def run(
        self,
        use_research_cache: bool = True,
        use_email_cache: bool = True,
    ) -> Iterator[RunResponse]:
        """
        协调整个个性化营销工作流：

        1. 查找或从缓存中检索公司数据。
        2. 如果未缓存，则使用 scraper agent 研究公司网站。
        3. 将该数据传递给 email_creator agent 以生成有针对性的邮件。
        4. 产生生成的邮件内容以供审阅或分发。
        """
        logger.info("正在启动个性化营销工作流...")

        for company_name, company_info in leads.items():
            try:
                logger.info(f"正在处理公司：{company_name}")

                # 首先检查邮件缓存
                if use_email_cache:
                    cached_email = self.get_cached_email(company_name)
                    if cached_email:
                        logger.info(f"正在为 {company_name} 使用缓存的邮件")
                        yield RunResponse(content=cached_email)
                        continue

                # 1. 研究阶段（带缓存）
                company_data = None
                if use_research_cache:
                    company_data = self.get_cached_company_data(company_name)
                    if company_data:
                        logger.info(f"正在为 {company_name} 使用缓存的公司数据")

                if not company_data:
                    logger.info("正在开始公司研究...")
                    scraper_response = self.scraper.run(
                        json.dumps(company_info, indent=4)
                    )

                    if not scraper_response or not scraper_response.content:
                        logger.warning(
                            f"未能为 {company_name} 返回数据。正在跳过。"
                        )
                        continue

                    company_data = scraper_response.content
                    if not isinstance(company_data, CompanyInfo):
                        logger.error(
                            f"{company_name} 的数据格式无效。正在跳过。"
                        )
                        continue

                    # 缓存研究结果
                    self.cache_company_data(company_name, company_data)

                # 2. 生成邮件
                logger.info("正在生成个性化邮件...")
                email_context = json.dumps(
                    {
                        "contact_name": company_info.get(
                            "contact_name", "决策者"
                        ),
                        "position": company_info.get("position", "领导者"),
                        "company_info": company_data.model_dump(),
                        "recipient_email": sender_details_dict["email"],
                        "sender_details": sender_details_dict,
                    },
                    indent=4,
                )
                yield from self.email_creator.run(
                    f"请使用此上下文生成一封个性化邮件：\n{email_context}",
                    stream=True,
                )

                # 缓存生成的邮件内容
                self.cache_email(company_name, self.email_creator.run_response.content)

                # 获取最终邮件内容：
                email_content = self.email_creator.run_response.content

                # 3. 如果不是演示模式，您将在此处处理发送邮件的逻辑。
                #    实现细节已省略。
                if not DEMO_MODE:
                    logger.info(
                        "生产模式：正在尝试将邮件发送给自己..."
                    )
                    # 在此处放置发送邮件的实现。

            except Exception as e:
                logger.error(f"处理 {company_name} 时出错：{e}")
                raise


def main():
    """
    运行个性化邮件生成器工作流的主入口点。
    """
    try:
        # 使用 SQLite 存储创建工作流
        workflow = PersonalisedEmailGenerator(
            session_id="personalized-email-generator",
            storage=SqliteStorage(
                table_name="personalized_email_workflows",
                db_file="tmp/agno_workflows.db",
            ),
        )

        # 运行带缓存的工作流
        responses = workflow.run(
            use_research_cache=True,
            use_email_cache=False,
        )

        # 处理并美化打印响应
        pprint_run_response(responses, markdown=True)

        logger.info("工作流成功完成！")
    except Exception as e:
        logger.error(f"工作流失败：{e}")
        raise


if __name__ == "__main__":
    main()

用法

1. 创建虚拟环境

   打开 Terminal 并创建一个 python 虚拟环境。

   Mac

   python3 -m venv .venv
   source .venv/bin/activate
   

2. 安装库

   pip install openai exa_py agno
   

3. 运行代理

   python personalized_email_generator.py
   

Assistant

Responses are generated using AI and may contain mistakes.