当前位置：首页 > news >正文

邮件自动化办公Agent：自动分类、起草回复、跟进待办的全链路案例

news 2026/5/24 2:06:33

先讲一个每天早上都会发生的场景。

早上9点，销售总监老张打开邮箱，未读邮件73封。
客户的询价、内部的审批、财务的对账、产品部的更新通知、还有不知道谁CC他的行业资讯……
他快速扫了一遍，先把客户询价的几封标了星标，打算稍后细回。中间被两封紧急的审批打断了思路，回复完审批再回来，发现刚才那几封星标邮件已经沉到了第3页。
等他终于处理完最重要的几封，一个上午已经过去了。而那封夹在中间的“产品资料更新”邮件，他压根没看到，直到下午同事问他“资料看了吗”，他才想起来。

老张的问题不是他不努力，而是邮件这种工具，天生就是给所有人用的，不是给“忙人”用的。收件箱里，重要和不重要混在一起，需要行动的和只需要看一眼的叠在一起。

后来，我们给公司装了一个邮件自动化办公Agent。它每天在老张睡觉的时候就跑完了全流程：把73封邮件分类成“需回复”“需审批”“需阅读”“垃圾”，自动起草了12封询价邮件的回复草稿，还从中提取了5条待办任务，直接塞进了他的飞书任务中心。

早上9点，老张打开邮箱，未读邮件只有7封——全部是Agent无法确定、需要他亲自看一眼的。他花了20分钟处理完这些，然后用10分钟快速过了一遍Agent起草的回复草稿，改了几个数字就发出去了。

他的73封邮件，从此变成了“每天20分钟”。

这篇文章，我把这个全链路案例拆给你看：邮件怎么自动分类、回复草稿怎么生成、待办如何提取和跟进。不堆理论，只说我们怎么做的、踩过哪些坑。

一、第一步：邮件自动分类——把对的邮件放到对的篮子里

分类是所有自动化的前提。收件箱里的邮件可以按几个维度切分：重要性、是否需要回复、所属项目、发送者角色。

我们给Agent设了一个四分类法，不是按发件人硬分，而是综合判断：

分类	判断依据	处理方式
需回复	邮件中明确提出一个问题或请求，且收件人在TO列表（不是CC）	Agent起草回复草稿，标记为“待确认”
需审批	含“请审批”“需要你确认”“批准”等关键词，且发件人是下属或特定系统	提取关键信息，推送审批卡片到IM
需阅读	行业资讯、产品更新、团队同步等，无需行动	生成摘要，放入“阅读列表”
垃圾/低价值	群发通知、自动告警、已解决的工单更新等	自动归档或标记已读，不占用注意力

分类不是靠死规则，而是规则+LLM两层。

第一层：规则快速过滤。比如发件人是noreply@、标题含[Auto-Reply]、正文只有“已收到”等，直接判为垃圾。这个用正则匹配，速度快，不花钱。

第二层：LLM做语义判断。规则无法确定的邮件，喂给一个小模型（比如GPT-3.5或本地的Qwen），输出分类和判断理由。我们实测，LLM分类的准确率在90%以上，但成本比规则高10倍。所以原则是：先用规则干掉60%的明显邮件，剩下的40%交给LLM。

避坑：不要把“发件人是老板”自动归为“需回复”。老板可能只是CC你。我们加了一条规则：检查邮件头里的To字段。如果用户不在To列表里，只在CC里，则默认降一级优先级（需阅读，而非需回复）。

二、第二步：自动起草回复——不是写作文，是填模板

很多人觉得“自动回复”就是让AI写一篇完整的邮件。其实不是。大部分商务邮件的回复是有固定套路的：确认收到、回答问题、提供信息、转给他人。

我们的Agent把“起草回复”拆成三步：

2.1 提取原邮件的关键信息

从原邮件中提取：

发问人问了什么（提取出具体的问题列表）
需要什么附件或数据
截止时间或紧急程度

这一步用LLM做结构化提取。Prompt示例：

从以下邮件中提取： 1. 用户提出的问题（逐条列出） 2. 要求的附件或数据 3. 任何提及的时间节点 邮件内容：{{email_body}}

输出JSON格式，方便下游处理。

2.2 匹配回复模板

公司预先定义了20多个常见场景的回复模板：询价回复、项目进度同步、会议确认、资料索取等。

Agent根据邮件意图，匹配最合适的模板。比如“客户问产品价格和库存”，匹配“询价回复模板”：

尊敬的{{customer_name}}， 感谢您的询价。关于{{product_name}}： - 单价：{{price}}元/件 - 库存：{{stock}}件 - 预计交货期：{{delivery_days}}天 如需进一步信息，请随时联系。 祝好， {{sender_name}}

2.3 填充变量 + 生成草稿

Agent从CRM或内部系统中自动拉取变量值（客户名称、产品价格、库存等）。如果某个变量无法自动获取（比如“库存”需要查实时库存系统但Agent没权限），则在草稿中标记【需人工填写】。

最终生成一封完整的回复草稿，存入草稿箱，标记为“待确认”。用户打开邮箱时，看到的不是空白，而是一封已经写好了90%的邮件，只需要改几个字、点一下发送。

避坑：绝对不要让Agent自动发送回复。我们的Agent只生成草稿，不点发送。原因很简单：AI可能会瞎编数字，或者语气不对。用户确认是最后一道防线。

三、第三步：跟进待办——从邮件里“挖”出任务

邮件里藏着大量待办。比如：

“请在下周三前提交Q3报告”——这是一个带截止时间的任务
“麻烦你帮忙看一下这个客户的合同”——这是一个待办，但没有明确截止时间
“@老张，这个你跟进一下”——这是一个指派给“老张”的任务

Agent需要做三件事：识别、结构化、创建。

3.1 识别待办

用LLM扫描邮件正文（包括回复链），找出所有“需要某人做某事”的句子。判断依据：

包含动作词（提交、完成、跟进、确认、回复、审批）
有明确的负责人（“你”“@xxx”“麻烦xx”）
或者隐含负责人（收件人就是负责人）

3.2 结构化

提取出三个关键字段：

负责人：从邮件中识别出的人名，或默认为当前用户
动作：需要做什么
截止时间：如果有明确日期则提取，没有则留空

输出格式示例：

{ "tasks": [ { "owner": "张伟", "action": "提交Q3销售报告", "due_date": "2025-05-21" }, { "owner": "李丽", "action": "跟进客户ABC的合同审批", "due_date": null } ] }

3.3 创建任务

Agent调用飞书/钉钉的任务API，为每个待办创建一个任务。如果截止时间明确，则自动设置提醒；如果不明确，则只创建任务，不设时间，让用户后续补充。

任务创建后，Agent在原邮件上加一个标签：“已创建3个待办”，并附上任务链接。

避坑：不要给所有人创建任务。Agent需要识别“这个待办到底指派给谁”。如果邮件里说“请相关部门配合”，没有明确负责人，Agent不应该瞎猜，而是生成一个“待分配”任务，或者直接问用户：“这封邮件里有一个待办，但没有明确负责人，请指定。”

四、全链路串联：一封邮件的完整旅程

让我们用一封真实邮件的例子，把三步串起来。

原邮件（客户发给老张）：

张总好，
我们想采购100台型号X3的设备，麻烦报个价。另外上次提到的产品手册，能发我一份吗？
如果下周能交货，我们这边可以安排付款。
谢谢！
—— 客户李总

Agent的处理过程：

分类：邮件中有“采购”“报价”“交货”，且老张在TO列表 → 判为“需回复”。
起草回复：
- 提取问题：[“报100台X3的价格”，“发产品手册”]
- 匹配模板：询价回复模板
- 填充变量：从CRM查X3单价（500元/台），从库存系统查X3库存（320台），从订单系统查交货期（标准7天）
- 生成草稿：
  李总您好，
  感谢您的询价。X3单价500元/台，100台总价5万元。库存充足（320台），标准交货期为7天，下周内可以交货。
  产品手册已附上。
  期待合作。
  祝好，张伟
待办提取：
- 从邮件中识别出：“报价”和“发手册”这两个动作，负责人是老张自己
- 但还有一个隐含动作：客户问“下周能否交货”，需要老张确认库存和物流。Agent创建一条待办：“确认X3下周交货的可行性”，截止时间设置为发件日+1天
任务创建：在飞书任务中心创建一条待办，提醒老张今天内确认交货可行性。