Как создать агент сортировки питч-дека с помощью LangGraph и Nango

В этом руководстве вы создадите агента искусственного интеллекта, который будет читать электронные письма с презентациями из Gmail, оценивать каждую колоду по тезису о фиксированных инвестициях с помощью LLM и публиковать сообщения в Slack, когда колода подходит. LangGraph организует все этапы; Nango обрабатывает соединения Gmail и Slack и отображает их в графе через MCP. К концу у вас будет: Три действия Nango — поиск в Gmail презентационных писем, загрузка вложения, публикация в Slack — развернуты и доступны для вызова. Конвейер LangGraph, который выполняет эти действия в фиксированном порядке и между ними запрашивает у OpenAI вердикт {соответствует, рассуждение, доказательство}, основанный на реальной цитате из колоды. Работающий сквозной запуск: отправьте PDF-файл себе по электронной почте, запустите одну команду, получите сообщение Slack. Почему сложно построить такой трубопровод? Вам нужны две отдельные интеграции OAuth — Gmail и Slack — каждая со своим жизненным циклом токена, областями действия и потоком обновления. Если вы ошибетесь, конвейер выйдет из строя через несколько дней, когда истечет срок действия токена, а не при первом тесте. API Gmail не предоставляет вам презентацию за один вызов. Поиск во входящих возвращает метаданные сообщения; получение байтов вложения — это второй запрос, отделенный от первого запроса AttachId. И Г