使用DeepSeek-R1 Distill LLaMA-70B構建談判代理

談判是一門藝術，影響著從工作機會到商業交易的方方面面。無論您是在談判薪水、完成商業交易，還是在解決合同糾紛，適當的技巧都可能是成功與犧牲之間的分水嶺。為了簡化和精簡談判過程，我開發了一個人工智慧驅動的談判代理（AI-Powered Negotiation Agent），這是一個基於 LangChain 和 DeepSeek-R1 的 Streamlit 網路應用程式。它能根據你的輸入為你提供智慧談判策略，讓你通過談判達成最佳協議。

學習目標

• 瞭解人工智慧在加強各領域談判策略中的作用。
• 瞭解 DeepSeek R1 Distill Llama 70B 如何實現實時 AI 驅動的談判洞察。
• 探索人工智慧談判代理的關鍵功能，包括還價和風險評估。
• 親身體驗在 Streamlit 中設定和使用人工智慧驅動的談判工具。
• 瞭解人工智慧生成的策略如何優化薪資討論、商業交易和合同談判。

什麼是DeepSeek R1 Distill Llama 70b？

DeepSeek-R1-Distill-Llama-70B 是一個高效能的 GroqCloud AI 模型。它是 Llama 3.3 70B 的蒸餾版本，可智慧高效地回答數學、編碼和事實問題。

該模型按部就班地進行推理，因此適用於高層決策。藉助 Groq 極其快速的推理能力，使用者可以體驗到無延遲的實時人工智慧推理，為高階人工智慧應用帶來新的可能性。

問題陳述

由於缺乏資訊、情感偏差或論證結構薄弱，人們很難進行有效的談判。

• 由於談判技巧不佳，員工可能會選擇低薪。
• 企業可能因為不瞭解對方的需求而無法達成交易。
• 自由職業者和初創企業在定價和合同方面舉步維艱。

目標：建立一個人工智慧代理，分析談判場景，預測還價，並根據邏輯和過去的資料提出最佳談判策略。

AI談判代理的主要功能

下面讓我們瞭解一下 AI 談判代理的主要功能：

• 支援多種談判型別（薪資、商業交易、自由職業、合同糾紛）
• 人工智慧生成還價，並提供理由和風險評估
• 可定製的輸入欄位，用於個性化談判場景
• 為人工智慧建議的策略進行置信度評分
• 使用 Groq API 進行快速高效的處理

該代理如何工作

使用者首先開啟 Streamlit 應用程式，選擇所需的談判型別。然後輸入報價詳情，提供關鍵資訊供人工智慧模型處理。點選 “生成人工智慧策略 ”按鈕後，系統將初始化並載入大型語言模型（DeepSeek-R1）。然後使用預定義的提示模板處理輸入資料，確保人工智慧有效地理解談判背景。

處理完成後，人工智慧會根據提供的細節生成量身定製的談判策略。最後，系統會顯示人工智慧建議的策略，提供見解和建議，幫助使用者完成談判過程。

選擇談判型別

從四個預定義選項中進行選擇：

• 薪資談判
• 商業交易
• 自由職業者定價
• 合同糾紛

輸入您的報價和限制條件

填寫：

• 您建議的出價（₹ 或 %)
• 對方的預期報價
• 關鍵限制，如最低工資、投資限制或截止日期

人工智慧生成策略

提交後，人工智慧會分析您的談判，並提供

• 基於輸入的最佳還價
• 還價理由
• 風險評估（被接受的可能性）
• 信心分數（滿分 100）

利用人工智慧洞察力進行談判

利用人工智慧生成的策略，自信地進行談判並達成更好的交易。

設定基礎

下面我們將通過首先設定環境，然後安裝庫來設定基礎：

環境設定

# Create a Environment
python -m venv env
# Activate it on Windows
.\env\Scripts\activate
# Activate in MacOS/Linux
source env/bin/activate

安裝Requirements.txt

pip install -r https://raw.githubusercontent.com/Gouravlohar/Negotiation-Agent/refs/heads/main/requirements.txt

設定API金鑰

訪問 Groq 獲取 API 金鑰。

貼上 API 金鑰到 .env 檔案中：

GROQ_API_KEY="Your API KEY PASTE HERE"

使用DeepSeek-R1 Distill LLaMA-70B構建談判代理

下面，我們將引導您使用DeepSeek-R1 Distill LLaMA-70B和Streamlit構建人工智慧談判代理，讓您毫不費力地生成智慧、資料驅動的談判策略。讓我們開始吧！

第一步：匯入必要的庫

匯入必要的庫，包括用於 UI 的 Streamlit、用於 AI 處理的 LangChain 和用於環境變數管理的 dotenv，以建立談判代理。

import os
import streamlit as st
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain_groq import ChatGroq
from dotenv import load_dotenv

第二步：載入Groq API金鑰

應用程式會從環境檔案中載入 Groq API 金鑰。如果缺少金鑰，系統將顯示錯誤資訊，並停止執行以防止未經授權的訪問。

load_dotenv()
groq_api_key = os.getenv("GROQ_API_KEY")
if not groq_api_key:
st.error("Groq API Key not found in .env file")
st.stop()

第三步：設定Streamlit介面

Streamlit 應用程式採用標題和寬版面設計。這確保了與談判代理接觸的介面結構合理、使用者友好。

st.set_page_config(page_title="AI Negotiation Agent", layout="wide")
st.title("🤝 AI-Powered Negotiation Agent")

第四步：設定談判代理側邊欄

在側邊欄中，使用者可以選擇自己喜歡的談判型別–薪資談判、商業交易、自由定價或合同糾紛，從而定製人工智慧生成的策略。

st.sidebar.header("Negotiation Settings")
st.sidebar.markdown("Select your negotiation type and explore the details below.")
negotiation_type = st.sidebar.selectbox("Negotiation Type", [
"Salary Negotiation", 
"Business Deal", 
"Freelance Pricing", 
"Contract Dispute"
])

• 新增側邊欄，供使用者選擇協商型別。
• 可用選項：薪資、商業交易、自由職業者定價、合同糾紛： 薪資、商業交易、自由定價、合同糾紛。

第五步：使用者說明

一個可擴充套件的部分提供瞭如何使用應用程式的逐步指導。使用者輸入報價詳情，點選“Generate AI Strategy”按鈕，並根據需要調整談判設定。

with st.expander("How to use this app"):
st.markdown("""
- Fill in your offer, the opposing offer, and key constraints.
- Click **Generate AI Strategy** to receive suggestions.
- Use the sidebar to adjust the negotiation type.
""")

第六步：AI處理的提示模板

定義一個結構化的提示模板，以確保人工智慧模型收到關鍵的談判細節。其中包括談判型別、出價、限制以及預期的人工智慧輸出，如還價、風險評估和信心分數。

negotiation_template = """
You are an expert negotiator. Analyze this scenario and suggest the best negotiation strategy:
- **Negotiation Type:** {negotiation_type}
- **Your Offer:** {your_offer}
- **Other Party's Expected Offer:** {other_party_stance}
- **Key Constraints:** {key_constraints}
### Provide:
1. The best counteroffer.
2. Justification with reasoning.
3. Risk assessment (if any).
4. Confidence score (out of 100%).
"""

• 為人工智慧處理定義結構化提示。
• 人工智慧將生成：還價、推理、風險評估、置信度評分。

第七步：載入AI模型的函式

我們使用 ChatGroq API 實現了一個函式來初始化 DeepSeek R1（Distill LLaMA-70B）模型。引數 streaming=True 可實現實時響應生成。

def load_LLM(groq_api_key):
"""Loads the ChatGroq model for processing."""
llm = ChatGroq(groq_api_key=groq_api_key, model_name="deepseek-r1-distill-llama-70b", streaming=True)
return llm

• 通過 ChatGroq API 初始化 DeepSeek R1（Distill LLaMA 70B）。
• Streaming=True 允許實時響應。

第八步：收集使用者輸入

表單可捕獲使用者輸入，包括他們的出價、對手的預期出價和關鍵限制條件。這些資訊對於人工智慧模型生成有效的談判策略至關重要。

st.header(f"💼 {negotiation_type}")
st.markdown("Enter details of your negotiation scenario below:")
with st.form(key="negotiation_form"):
col1, col2 = st.columns(2)
with col1:
your_offer = st.text_input("Your Offer (₹ or %):", placeholder="Enter your proposed offer...")
with col2:
other_party_stance = st.text_input("Other Party's Expected Offer (₹ or %):", placeholder="Enter expected counteroffer...")
key_constraints = st.text_area("Key Constraints", height=150, placeholder="List deal-breakers, goals, must-haves...")
submit_button = st.form_submit_button("Generate AI Strategy")

建立一個供使用者輸入的表單：

• 他們的報價
• 預期還價
• 任何限制條件或交易破壞者

第九步：生成基於AI的談判策略

提交後，應用程式會先驗證輸入欄位，然後再處理資料。載入人工智慧模型，併傳送生成策略的提示。回覆包括還價、理由、風險評估和信心分數。如果缺少任何欄位，錯誤資訊會提示使用者填寫表格。

if submit_button:
if your_offer and other_party_stance and key_constraints:
with st.spinner("Generating negotiation strategy..."):
llm = load_LLM(groq_api_key)
prompt_obj = PromptTemplate(
input_variables=["negotiation_type", "your_offer", "other_party_stance", "key_constraints"],
template=negotiation_template
)
chain = LLMChain(llm=llm, prompt=prompt_obj)
result = chain.run(
negotiation_type=negotiation_type, 
your_offer=your_offer, 
other_party_stance=other_party_stance, 
key_constraints=key_constraints
)
st.success("Strategy generated successfully!")
st.subheader("💡 AI's Suggested Strategy:")
st.markdown(result)
else:
st.error("Please fill in all fields before generating a strategy.")

• 使用者提交談判方案（出價、對手出價、限制條件）。
• 程式碼檢查所有欄位是否填寫完畢。
• 人工智慧處理輸入時，會出現一個載入旋轉器。
• DeepSeek AI 根據提示生成談判策略。
• 策略會顯示出來，包括還價、風險和理由。
• 如果缺少輸入，則會顯示錯誤資訊。

在 GitHub 上獲取完整程式碼

測試AI談判代理

輸入

談判型別：薪資談判

• 您的報價：₹15LPA（百萬年薪）
• 對方的預期報價：₹12 LPA

關鍵制約因素：

• 最低₹14 LPA 以滿足開支。
• 喜歡混合工作的靈活性。
• 對基於績效的激勵機制持開放態度。

輸出

小結

無論是在工作中還是在個人生活中，談判都是一項寶貴的技能，而使用 DeepSeek-R1 的“談判代理”可以利用資料來幫助您改善交易談判。無論您是在談判加薪、商業投資還是合同條款，這款應用程式都能通過人工智慧生成的還價、風險水平和信心分數幫助您做出更好的決定。

該工具利用 DeepSeek-R1 Distill LLaMA-70B、LangChain 和 Streamlit 來促進談判。它能幫助您最大限度地減少不確定性，最大限度地提高成功率。

有了人工智慧，您不必再猜測自己的最佳策略，而是可以滿懷信心地進行談判！

• 該程式可分析報價和限制條件，提供智慧還價。
• 支援薪資談判、商業交易、自由職業者定價和合同糾紛。
• 人工智慧會評估談判的成功概率和潛在風險。
• 使用者可以輸入報價和關鍵限制條件，生成量身定製的策略。
• 通過使用 DeepSeek R1 Distill Llama 70b 和 LangChain，該應用程式可快速處理資料並提供可行的策略。

常見問題

Q1. load_LLM() 函式的作用是什麼？

A. load_LLM() 函式使用 ChatGroq API 初始化 DeepSeek R1 Distill Llama 70b 模型。它返回一個 LLM（語言模型），用於處理使用者輸入並生成協商策略。

Q2. PromptTemplate 的作用是什麼？

A. PromptTemplate 定義了傳送給人工智慧的提示結構。它確保人工智慧收到所有必要的詳細資訊（報價、限制條件、談判型別），以生成有意義的回覆。

Q3. 為什麼 API 金鑰儲存在 .env 檔案中？

A. API 金鑰是敏感資料，將其儲存在 .env 檔案中可以保證安全。dotenv 軟體包會將此金鑰載入到環境中，而不會在程式碼中暴露。

Q4. 應用程式如何處理丟失的使用者輸入？

A. 在提交之前，應用程式會驗證輸入欄位（your_offer、other_party_stance、key_constraints）。如果任何欄位為空，程式會顯示錯誤資訊，以確保完整的資料輸入。