一句话清空收件箱：AI 邮件分拣的场景拆解与提示词技巧
"帮我看看今天有什么重要邮件" —— 这句话背后，Agent 需要完成 IMAP 连接、邮件拉取、内容分类、优先级排序、摘要生成五个步骤。本文拆解邮件分拣的完整场景链路，并分享让 Agent 分拣更准确的提示词技巧。
场景画像
高频指令：
- "帮我看看今天有什么重要邮件"
- "最近有没有需要回复的邮件"
- "把这周的邮件按重要程度排个序"
- "帮我退订所有营销邮件"
用户痛点：McKinsey 研究显示，职场人每天 28% 的工作时间花在处理邮件上。大部分邮件是噪声——订阅推送、系统通知、营销广告。真正需要人工处理的邮件可能不到 20%。
核心需求：不是"帮我写邮件"，而是"帮我少看邮件"。
场景拆解：从一句话到结构化输出
第一阶段：邮件获取
当用户说"帮我看看今天的邮件"，Agent 的第一步是调用 email 技能拉取邮件：
# 检查最近 1 天的新邮件，JSON 格式便于 LLM 解析
python3 skills/email/scripts/mail.py check-new --since 1 --json
# 或者拉取最近 10 封邮件
python3 skills/email/scripts/mail.py receive --limit 10 --json
CountBot 的 email 技能现在支持 QQ、163、Gmail、Outlook 和自定义 IMAP/SMTP 邮箱。JSON 输出包含发件人、主题、时间、正文摘要等结构化字段。
第二阶段：LLM 分类推理
Agent 拿到邮件 JSON 后，LLM 自动进行分类。这一步不需要额外的工具调用——它是 LLM 的推理能力。分类维度通常包括：
| 类别 | 特征 | 处理建议 |
|---|---|---|
| 紧急工作 | 来自同事/上级，含截止日期 | 立即提醒 |
| 普通工作 | 项目通知、会议纪要 | 摘要展示 |
| 财务账单 | 银行、支付平台 | 提取金额和截止日 |
| 订阅推送 | 新闻、技术博客 | 一句话摘要 |
| 营销广告 | 促销、优惠券 | 标记为低优先级 |
| 系统通知 | 登录提醒、安全告警 | 仅在异常时提醒 |
第三阶段：记忆写入
如果邮件中包含重要信息（截止日期、会议安排、待办 事项），Agent 会调用统一的 memory 工具记录：
memory(action="write", content="2026-02-17 收到项目评审邮件，截止日期 2 月 20 日")
这样在后续对话中，用户问"最近有什么 deadline"时，Agent 可以通过 memory(action="search", ...) 找到这条记录。
第四阶段：格式化输出
Agent 生成结构化的邮件摘要返回给用户：
今日邮件摘要（共 12 封）
紧急（2 封）
1. 张经理 - 项目评审材料确认（截止 2/20）
2. 财务部 - Q1 预算审批需签字
普通（4 封）
3. 技术周报 - 本周迭代进展
4. HR - 年假余额提醒
...
可忽略（6 封）
订阅推送 ×3、系统通知 ×2、营销 ×1
提示词技巧：让分拣更准确
技巧一：给 Agent 提供分类标准
不要只说"帮我整理邮件"，而是给出明确的分类规则：
帮我检查今天的邮件，按以下规则分类：
- 紧急：来自 @company.com 的邮件，或主题含"紧急""deadline""审批"
- 重要：含附件的邮件，或需要我回复的邮件
- 信息：新闻订阅、技术博客、系统通知
- 垃圾：营销推广、优惠券、广告
只详细展示紧急和重要的，其余一句话带过。
技巧二：建立邮件处理的"记忆模板"
第一次使用时，告诉 Agent 你的邮件偏好：
记住我的邮件处理偏好：
- 张经理的邮件永远标记为紧急
- 技术周报只需要一句话摘要
- 来自 noreply@ 的邮件全部归为系统通知
- 如果有邮件提到截止日期，帮我记录到记忆里
Agent 会通过 memory(action="write", ...) 记录这些偏好，后续每次处理邮件时都会参考。
技巧三：定时自动分拣
通过 CountBot 的 Cron 系统，设置每天早上自动检查邮件：
帮我创建一个定时任务：每天早上 8:30 检查新邮件，
按我的偏好分类后发送摘要给我。
这会创建一个 cron 表达式为 30 8 * * * 的定时任务，每天自动执行邮件分拣流程。
技巧四：渐进式信任
不要一开始就让 Agent 处理所有邮件。建议的渐进路径：
- 第一周：只读取和分类，不做任何操作
- 第二周：允许 Agent 记录重要事项到记忆
- 第三周：允许 Agent 草拟回复（但不发送）
- 第四周：对低风险邮件（如退订营销邮件）允许自动操作
技术细节：AgentLoop 的执行流程
当用户发送"帮我看看今天的邮件"时，CountBot 的 AgentLoop 执行过程：
第 1 轮迭代：
LLM 决策 → 调用 shell_exec("python3 skills/email/scripts/mail.py check-new --since 1 --json")
工具返回 → 12 封邮件的 JSON 数据
第 2 轮迭代：
LLM 分析 JSON → 分类推理
LLM 决策 → 调用 memory(action="write")（记录 2 个截止日期）
第 3 轮迭代：
LLM 生成 → 格式化的邮件摘要
输出 → 流式返回给用户
整个过程通常在 3 轮迭代内完成，耗时 5-15 秒（取决于邮件数量和 LLM 响应速度）。
边界与局限
- 默认仍建议先只读再执行写操作：虽然 email 技能已经支持删除、标记已读/未读和附件下载，但在实际自动化流程里，建议先做分类确认，再执行修改类操作。
- 附件处理仍以下载为主：Agent 可以列出附件并下载到允许目录，但像 PDF 正文解析、表格抽取这类深度处理，通常还需要再配合其他技能。
- 高级能力依赖 IMAP：如果某个账户仍在使用旧版 POP3 配置，那么搜索、列文件夹、标记已读/未读、按文件名下载附件等高级能力会受限。
小结
邮件分拣是 AI Agent 最高频的使用场景之一，因为它满足了三个条件：重复性高（每天都要做）、规则明确（分类标准可定义）、风险可控（可以先只读、再逐步放开操作权限）。通过合理的提示词设计和记忆系统的配合，Agent 可以在几周内学会你的邮件处理习惯，真正实现"一句话清空收件箱"。