Automate personalized email campaign generation with LLM running on VPS

چطور می‌توانید کمپین ایمیلی شخصی‌سازی‌شده با LLM را روی VPS خودکار کنید؟

این راهنما به صورت فنی و گام‌به‌گام نشان می‌دهد چگونه یک LLM را روی VPS یا سرور ابری مستقر کنید، متن‌های ایمیل شخصی‌سازی‌شده تولید نمایید، و با تنظیم صحیح MTA و رکوردهای DNS کمپین‌های ارسال را در مقیاس امن و قابل‌اعتماد اجرا کنید.

معماری کلی — اتوماسیون تولید کمپین ایمیلی شخصی‌سازی‌شده با LLM اجرا شده روی VPS

معماری مرسوم شامل اجزای زیر است که هرکدام نقش مشخصی در تولید، صف‌بندی و ارسال ایمیل دارند:

• LLM inference server (روی VPS/GPU Cloud) — اجرای مدل برای تولید محتوای شخصی‌سازی.
• Application API (FastAPI/Flask) — واسط بین بانک داده، LLM و صف ارسال.
• Message queue و worker (Redis + Celery یا RabbitMQ) — مدیریت ارسال در پس‌زمینه و نرخ‌دهی.
• MTA یا SMTP relay (Postfix/Haraka یا سرویس خارجی مانند Mailgun/Sendgrid) — ارسال واقعی ایمیل.
• Monitoring & Logging (Prometheus + Grafana + ELK) و مدیریت bounce.
• DNS records: SPF, DKIM, DMARC و PTR برای IP اختصاصی.

مزیت استقرار روی VPS یا سرور ابری:

• کنترل کامل روی داده‌ها و مدل — مهم برای حریم خصوصی و انطباق.
• امکان استفاده از GPU Cloud برای inferencing مدل‌های بزرگ.
• اختصاصی‌سازی IP و مدیریت warm-up برای بهبود deliverability.
• توزیع جغرافیایی با استفاده از 85+ لوکیشن جهت کاهش تأخیر.

Prerequisites and server selection

سخت‌افزار و انتخاب لوکیشن

برای مدل‌های بزرگ (7B/13B+) توصیه می‌شود از سرور GPU با 16–48 GB VRAM استفاده کنید (مثلاً A100/RTX 3090/4090). برای مدل‌های کوچک‌تر یا کوانتایزه‌شده مانند LLama-2-7B q4_0 می‌توان از CPU با 32+ GB RAM بهره برد.

Location: برای افزایش تحویل در صندوق ورودی محلی، IP از همان منطقه جغرافیایی می‌تواند کمک کند؛ اما برای deliverability کلی، بلوک IP و سابقه آن مهم‌تر است.

نرم‌افزار

عناصر نرم‌افزاری پیشنهادی:

• Docker, Docker Compose یا Kubernetes (برای مقیاس).
• text-generation-inference (TGI) یا vLLM برای inference؛ مسیرهای سبک‌تر مثل GGML/llama.cpp برای سرورهای CPU.
• FastAPI برای API، Celery + Redis برای queue، Postfix/Haraka یا SMTP relay برای ارسال.

پیاده‌سازی عملی — گام‌به‌گام

نصب پایه (Ubuntu مثال)

دستورالعمل نصب Docker روی Ubuntu:

sudo apt update
sudo apt install -y docker.io docker-compose
sudo systemctl enable --now docker

نمونه Docker Compose برای LLM + API + Redis

نسخه ساده‌ای که TGI به‌عنوان inference و یک اپ FastAPI را راه‌اندازی می‌کند:

version: "3.8"
services:
  tgi:
    image: ghcr.io/oobabooga/text-generation-inference:latest
    ports:
      - "8080:8080"
    volumes:
      - ./models:/models
    environment:
      - MODEL_ID=/models/your-model
    deploy:
      resources:
        reservations:
          devices:
            - capabilities: [gpu]
  api:
    image: yourrepo/email-llm-api:latest
    build: ./api
    ports:
      - "8000:8000"
    environment:
      - TGI_URL=http://tgi:8080
      - REDIS_URL=redis://redis:6379
    depends_on:
      - tgi
      - redis
  redis:
    image: redis:6
    ports:
      - "6379:6379"

نمونه ساده API (Python + FastAPI) — فراخوانی LLM و قالب‌بندی

قطعه کد نمونه برای تولید محتوا از TGI و صف‌بندی ارسال در background:

from fastapi import FastAPI, BackgroundTasks
import requests, smtplib
from jinja2 import Template

app = FastAPI()

def send_email(smtp_host, smtp_port, user, password, to, subject, body):
    import smtplib
    from email.mime.text import MIMEText
    msg = MIMEText(body, "html")
    msg["Subject"] = subject
    msg["From"] = user
    msg["To"] = to
    with smtplib.SMTP(smtp_host, smtp_port) as s:
        s.starttls()
        s.login(user, password)
        s.sendmail(user, [to], msg.as_string())

@app.post("/generate-and-send")
def generate_and_send(payload: dict, background_tasks: BackgroundTasks):
    tgi_resp = requests.post("http://tgi:8080/generate", json={
        "prompt": f"Create a personalized marketing email for {payload['name']} about {payload['product']}",
        "max_new_tokens": 200
    }).json()
    email_body = tgi_resp["generated_text"]
    template = Template(email_body)
    final = template.render(**payload)
    background_tasks.add_task(send_email, "smtp.local", 587, "[email protected]", "smtp-pass", payload["email"], "پیشنهاد ویژه", final)
    return {"status": "queued"}

تنظیمات ایمیل و deliverability

SPF, DKIM, DMARC

نمونه رکوردها و مراحل کلیدی:

• SPF: رکورد TXT در DNS با مقدار نمونه:

  "v=spf1 ip4:YOUR.IP.ADD.RESS include:spf.yourrelay.com -all"

• DKIM: استفاده از OpenDKIM. تولید کلید:

  opendkim-genkey -t -s mail -d example.com

• DMARC: نمونه رکورد:

  _dmarc.example.com TXT "v=DMARC1; p=quarantine; rua=mailto:[email protected]; ruf=mailto:[email protected]; pct=100"

PTR و IP اختصاصی و Warm-up

PTR (reverse DNS) باید به hostname ایمیل برگردد.

Warm-up: استفاده از IP اختصاصی و برنامه warm-up: ابتدا ارسال محدود (مثلاً 50–200 ایمیل در روز) و افزایش تدریجی برای جلوگیری از بلوک شدن.

Rate limiting و صف‌بندی

تنظیمات نمونه Postfix برای محدودیت نرخ و connection:

smtpd_client_message_rate_limit = 100
smtpd_client_connection_count_limit = 10

برای کمپین‌های بزرگ معمولاً بهتر است از SMTP relay معتبر استفاده کنید و سمت اپ فقط بر اساس محدودیت‌های provider صف ارسال را کنترل کند.

امنیت و رعایت حریم خصوصی

TLS: همیشه ارسال SMTP را با STARTTLS یا SMTPS انجام دهید. برای Postfix در main.cf:

smtpd_tls_cert_file=/etc/letsencrypt/live/example.com/fullchain.pem
smtpd_tls_key_file=/etc/letsencrypt/live/example.com/privkey.pem

نگهداری کلیدها و توکن‌ها: از Vault یا Secret Manager استفاده کنید.

رمزنگاری داده حساس: در PostgreSQL می‌توان از pgcrypto یا field-level encryption بهره برد.

مانیتورینگ، Bounce handling و معیارها

Bounce handling: دریافت bounce از طریق VERP یا mailbox خاص، پردازش و به‌روزرسانی وضعیت در DB ضروری است.

KPIها: delivery rate, open rate, click rate, bounce rate, spam complaints.

مانیتورینگ سیستم: Prometheus برای CPU/GPU/VRAM، Grafana dashboards برای latency inference، queue length و success/fail metrics.

مقیاس‌پذیری و بهینه‌سازی مدل

استفاده از GPU Cloud و کوانتایزیشن

برای مدل‌های بزرگ، GPU Cloud توصیه می‌شود. کوانتایزیشن (4-bit/8-bit) و استفاده از تکنیک‌هایی مثل vLLM یا Triton می‌تواند تا 4–10 برابر کاهش مصرف حافظه و افزایش throughput فراهم کند.

کش کردن تولیدات و prompt templates

برای کاهش هزینه هر فراخوانی مدل، بخش‌هایی از متن که تکراری‌اند را cache کنید و از prompt templates و روش‌های امن برای جایگزینی فیلدهای PII استفاده نمایید.

مقایسه لوکیشن‌ها و توصیه برای کمپین‌ها

• مخاطب محلی: اگر اکثر گیرندگان در یک کشور/قاره‌اند، VPS در همان منطقه می‌تواند latency را کاهش دهد و گاهی تعامل را افزایش دهد.
• تحویل به سرویس‌دهندگان بزرگ (Gmail, Yahoo): مهم‌تر از لوکیشن، سابقه بلوک IP و تنظیمات DNS است.
• حفاظت از حملات: استفاده از سرورهای دارای anti-DDoS و شبکه BGP برای تداوم سرویس در هنگام حمله ضروری است.

چک‌لیست اجرایی (گام‌به‌گام)

1. انتخاب لوکیشن و نوع سرور (GPU vs CPU) بر اساس مدل.
2. راه‌اندازی VPS و نصب Docker/Docker Compose.
3. استقرار LLM inference server (TGI/vLLM) و API.
4. کانفیگ صف (Redis + Celery) و workerها.
5. تنظیم MTA یا انتخاب SMTP relay معتبر.
6. تولید کلید DKIM و اضافه کردن رکورد SPF، DKIM، DMARC.
7. راه‌اندازی TLS با certbot و تنظیم PTR.
8. اجرای IP warm-up طبق برنامه (7–14 روز).
9. مانیتورینگ و bounce processing فعال.
10. آزمایش A/B و اندازه‌گیری KPI.

Practical tips for different teams

• برای DevOps: از IaC (Terraform یا Ansible) برای استقرار شبکه و DNS استفاده کنید و از Container registry برای نگهداری تصاویر بهره ببرید.
• برای بازاریابی: از متریک‌های تحویل و engagement برای تنظیم prompt و segment target استفاده کنید.
• برای امنیت: محدودسازی دسترسی به API LLM با IP allowlist و rate limits اعمال شود.

Conclusion

اتوماسیون تولید کمپین ایمیلی شخصی‌سازی‌شده با LLM روی VPS ترکیبی از توان مدل‌های زبانی، معماری صف و زیرساخت ایمیلی است. با انتخاب لوکیشن مناسب از بین 85+ لوکیشن جهانی، استفاده از سرورهای GPU برای inferencing، و تنظیم دقیق SPF/DKIM/DMARC و سیاست‌های امنیتی، می‌توان کمپین‌هایی با نرخ باز و تبدیل بالاتر و ریسک کمتر اجرا کرد.

در صورت نیاز به بررسی پیکربندی دقیق (CPU/GPU، لوکیشن، IP اختصاصی و پلن warm-up) می‌توانید از گزینه‌های میزبانی و پیکربندی حرفه‌ای موجود در سرویس‌ها بهره ببرید یا با تیم فنی مشورت کنید.

Frequently Asked Questions