我用AI Agent做了个自动回邮件的助手:2天开发,每天帮我省2小时

🔥 2026 AI Agent 实战

我用AI Agent做了个自动回邮件的助手

2天开发，每天帮我省2小时

从0到1构建能读邮件、写回复、发通知的智能Agent附完整代码 + Prompt模板 + 部署脚本

Python + LangChain + GPT-4 实战

📧 你是不是也被邮件折磨？

每天早上打开邮箱，50+未读邮件等着处理

一半以上是重复性问题：”项目进度怎么样了？””这个需求什么时候能做完？”

写回复、找历史记录、确认细节，每天至少花2小时

这些时间本该用来做更有价值的事

📋 本文章节

01 · AI Agent到底是什么

02 · 需求分析：Agent要做什么

03 · 技术选型与架构设计

04 · Day 1：核心功能开发

05 · Day 2：进阶功能完善

06 · 效果实测与ROI分析

07 · 避坑指南

08 · 扩展思路与资料包

CHAPTER 01

AI Agent到底是什么

很多人把 AI Agent 和 Chatbot 搞混。简单说：

🤖 Chatbot（聊天机器人）

一问一答，被动响应。你说一句，它回一句。没有记忆，不能操作外部系统。

🎯 AI Agent（智能体）

能自主规划、调用工具、持续学习。给它一个目标，它会自己拆解步骤、执行、反馈、调整。

🧠 大脑（LLM）：GPT-4、Claude 等，负责理解、推理、生成

🛠️ 工具（Tools）：邮件API、日历、数据库等，让Agent能操作外部系统

💾 记忆（Memory）：短期记忆（对话上下文）+ 长期记忆（用户偏好、历史记录）

📋 规划（Planning）：把复杂任务拆解成可执行的子任务，循环执行直到完成

CHAPTER 02

需求分析：Agent要做什么

在动手之前，我先梳理了核心需求。不要贪多，先解决最痛的点。

核心工作流程：

① 定时检查 → 每30分钟读取一次Gmail未读邮件

② 智能分类 → 判断邮件类型（紧急/普通/广告/无需回复）

③ 生成回复 → 对需要回复的邮件，结合历史记录生成草稿

④ 人工确认 → 发送到我微信，我确认后才正式发送

⑤ 学习优化 → 记录我的修改，下次生成更接近我的风格

CHAPTER 03

技术选型与架构设计

技术栈选择遵循一个原则：够用就好，快速验证。

核心组件：

🐍

Python 3.10+

生态完善，AI库支持最好

🔗

LangChain 0.2+

Agent框架，封装了LLM调用、工具集成、记忆管理

🧠

OpenAI GPT-4o

推理能力强，Function Calling稳定

📧

Gmail API

读取邮件、发送邮件、标记状态

💾

SQLite

轻量级本地数据库，存邮件记录和用户偏好

 ┌─────────────┐ │  Gmail API  │ ← 读取未读邮件 └──────┬──────┘        ↓ ┌─────────────┐     ┌─────────────┐ │  邮件分类器  │ ←→ │  SQLite记忆  │ │  (LLM调用)   │     │  (历史记录)  │ └──────┬──────┘     └─────────────┘        ↓ ┌─────────────┐ │  回复生成器  │ ← 生成回复草稿 │  (LLM+Prompt)│ └──────┬──────┘        ↓ ┌─────────────┐     ┌─────────────┐ │  人工确认    │ ←→ │  微信通知    │ │  (审核界面)  │     │  (企业微信)  │ └──────┬──────┘     └─────────────┘        ↓ ┌─────────────┐ │  Gmail API  │ ← 发送邮件 └─────────────┘

CHAPTER 04

Day 1：核心功能开发

第一天聚焦三个核心功能：读取邮件、智能分类、生成回复。

Step 1：连接 Gmail

email_agent.py

from googleapiclient.discovery import build from google.oauth2.credentials import Credentials  def get_gmail_service():     “””获取Gmail API服务”””     creds = Credentials.from_authorized_user_file(‘token.json’)     service = build(‘gmail’, ‘v1′, credentials=creds)     return service  def get_unread_emails(service, max_results=10):     “””获取未读邮件”””     results = service.users().messages().list(         userId=’me’,         q=’is:unread’,         maxResults=max_results     ).execute()     return results.get(‘messages’, [])

Prompt 模板 #1：邮件分类

你是一个邮件分类助手。请分析以下邮件，输出JSON格式：  邮件主题：{subject} 发件人：{sender} 内容：{body}  请分类： 1. category: urgent(紧急) / normal(普通) / spam(广告) / noreply(无需回复) 2. reason: 分类理由（一句话） 3. action: reply(需要回复) / read(仅阅读) / ignore(忽略)  只输出JSON，不要其他内容。

Prompt 模板 #2：生成回复

你是我的邮件助手。请根据以下信息生成专业回复：  【邮件上下文】 主题：{subject} 对方邮件：{body}  【历史记录】 {history_context}  【我的风格】 – 简洁专业，不啰嗦 – 重要事项用 bullet points – 结尾礼貌但不过分热情  请生成回复草稿，保持中文。

agent.py – 核心Agent实现

from langchain.agents import Tool, AgentExecutor from langchain_openai import ChatOpenAI  class EmailAgent:     def __init__(self):         self.llm = ChatOpenAI(model=”gpt-4o”, temperature=0.3)         self.tools = [             Tool(name=”read_email”, func=self.read_email),             Tool(name=”classify_email”, func=self.classify),             Tool(name=”generate_reply”, func=self.generate_reply),         ]          def process(self, email_id):         # 1. 读取邮件         email = self.read_email(email_id)         # 2. 分类         category = self.classify(email)         # 3. 生成回复（如果需要）         if category[‘action’] == ‘reply’:             draft = self.generate_reply(email)             return {‘category’: category, ‘draft’: draft}         return {‘category’: category}

CHAPTER 05

Day 2：进阶功能完善

第二天做三件事：记忆系统、定时任务、通知机制。

1. 记忆系统：让Agent记得上下文

用 SQLite 存三类记忆：

– 邮件记录：主题、内容、分类、回复 – 对话历史：与每个联系人的往来记录 – 用户偏好：我的回复风格、常用话术

scheduler.py

from apscheduler.schedulers.background import BackgroundScheduler  def run_email_agent():     agent = EmailAgent()     emails = get_unread_emails()     for email in emails:         result = agent.process(email[‘id’])         if result[‘category’][‘action’] == ‘reply’:             send_notification(result)  # 发送到微信  # 每30分钟运行一次 scheduler = BackgroundScheduler() scheduler.add_job(run_email_agent, ‘interval’, minutes=30) scheduler.start()

企业微信机器人推送消息：

📧 新邮件需处理发件人：张三主题：项目进度询问【AI生成回复】张总您好，目前项目进度…[确认发送] [修改] [忽略]

CHAPTER 06

效果实测与ROI分析

运行一周后的真实数据：

📊 数据对比

💰 ROI 计算

CHAPTER 07

避坑指南

⚠️ 坑1：API 限额问题

Gmail API 默认限额每天 1 亿次，但新账号可能受限。建议先申请提升限额，或者控制轮询频率（30分钟一次足够）。

⚠️ 坑2：上下文过长导致Token爆炸

如果邮件历史太长，Prompt会超Token。解决方案：只取最近3封相关邮件，或者做摘要存储。

⚠️ 坑3：敏感信息泄露

邮件内容会发送到OpenAI，虽然API调用是加密的，但敏感业务数据建议做脱敏处理，或者用本地模型（如Ollama）。

⚠️ 坑4：人工确认不能省

AI生成的回复可能有错误，特别是涉及具体数据、时间、人名时。务必保留人工确认环节，这是最后的防线。

CHAPTER 08

扩展思路与资料包

这个Agent还可以怎么升级？

🔌 接入更多渠道：飞书、钉钉、企业微信，统一消息入口

🤝 多Agent协作：邮件Agent + 日程Agent + 任务Agent，组成个人助理团队

📈 智能报表：每周生成邮件处理报告，分析时间分布、响应速度

🎯 主动提醒：重要邮件自动标记，逾期未回复自动跟进

关注「代码合伙人」，回复 “邮件Agent” 获取：

“AI Agent不是替代我，而是把我从重复劳动中解放出来，让我专注于真正创造价值的事。”

—— 代码合伙人

下期预告

多Agent协作系统：打造你的AI团队

邮件Agent + 日程Agent + 知识库Agent，如何协同工作？

👇 立即获取完整资料包

关注「代码合伙人」回复 邮件Agent

点击关注公众号