我如何自動化電子郵件情報監控 使用 GPT-4o

我每天閱讀數百封電子郵件。其實不是——是 GPT-4o mini 在讀。我只需每天早上在 WhatsApp 上收到一份 10 行摘要。

Erwan 的郵箱 每天都會收到大量通訊：電子報、行業警報、潛在客戶回覆、SaaS 工具跟進，以及各種服務通知。一切混在一起，沒有明顯的優先順序。hello@thenocodeguy.com, 每天都會收到大量通訊：電子報、行業警報、潛在客戶回覆、SaaS 工具跟進，以及各種服務通知。一切混在一起，沒有明顯的優先順序。

典型問題：要麼每天花 30 分鐘全部閱讀（巨大的認知負擔），要麼跳過然後錯過重要內容。

我的解決方案：一個自動化管道，讀取、分類、摘要並傳遞有用信號——無需任何人觸碰郵箱。

一覽架構

四個步驟，零人工點擊：

1. 1獲取 : Microsoft Graph API 獲取過去 24 小時的未讀郵件
2. 2篩選 : Python 腳本分類：電子報、潛在客戶、警報、垃圾郵件
3. 3摘要 : GPT-4o mini 為每封郵件生成摘要和相關性評分
4. 4摘要推送 : 每天早上 7:30 透過 WhatsApp 發送結構化摘要訊息

步驟 1 — Microsoft Graph API

郵箱託管在 Microsoft 365。Graph API 允許透過 OAuth2 訪問電子郵件，無需使用 IMAP。速度更快、更穩定，且令牌不會過期（應用程式憑證，無需刷新令牌）。

腳本從一個調用開始，獲取過去 24 小時的郵件：

import httpx

def get_token(tenant_id, client_id, client_secret):
    url = f"https://login.microsoftonline.com/{tenant_id}/oauth2/v2.0/token"
    data = {
        "grant_type": "client_credentials",
        "client_id": client_id,
        "client_secret": client_secret,
        "scope": "https://graph.microsoft.com/.default",
    }
    r = httpx.post(url, data=data)
    return r.json()["access_token"]

def fetch_recent_emails(token, user_email, hours=24):
    since = (datetime.utcnow() - timedelta(hours=hours)).isoformat() + "Z"
    url = (
        f"https://graph.microsoft.com/v1.0/users/{user_email}/messages"
        f"?$filter=receivedDateTime ge {since}"
        f"&$select=subject,from,receivedDateTime,bodyPreview,isRead"
        f"&$top=50&$orderby=receivedDateTime desc"
    )
    headers = {"Authorization": f"Bearer {token}"}
    r = httpx.get(url, headers=headers)
    return r.json().get("value", [])

簡單。沒有複雜的電子郵件庫，沒有 MIME 解析。Graph API 直接返回整潔的 JSON，包含發件人、主題和正文預覽。

步驟 2 — 篩選與分類

在調用 GPT 之前，先進行篩選。向 LLM 發送 50 封郵件既昂貴又緩慢。初始分類通過確定性規則完成：

SPAM_PATTERNS = ["unsubscribe", "se désabonner", "no-reply@", "noreply@"]
PRIORITY_SENDERS = ["@client.com", "erwan@", "hello@thenocodeguy.com"]
NEWSLETTER_KEYWORDS = ["newsletter", "digest", "weekly", "hebdo", "recap"]

def classify_email(email: dict) -> str:
    subject = email["subject"].lower()
    sender = email["from"]["emailAddress"]["address"].lower()
    preview = email["bodyPreview"].lower()
    
    if any(p in sender for p in SPAM_PATTERNS):
        return "spam"
    if any(s in sender for s in PRIORITY_SENDERS):
        return "priority"
    if any(k in subject or k in preview for k in NEWSLETTER_KEYWORDS):
        return "newsletter"
    return "other"

def filter_for_llm(emails):
    return [e for e in emails 
            if classify_email(e) in ("priority", "newsletter")]

結果：通常從 40-50 封郵件縮減到 10-15 封真正值得摘要的。節省令牌，並提高摘要質量。

步驟 3 — GPT-4o mini 摘要與評分

對於每封篩選後的郵件，GPT-4o mini 生成兩件事：1-2 句摘要，以及 1 到 5 的相關性評分。提示詞簡短且結構化，以強制 JSON 格式回應：

SYSTEM_PROMPT = """Tu es un assistant de veille email pour un consultant en automatisation IA.
Pour chaque email, génère un JSON avec:
- summary: résumé actionnable en 1-2 phrases max (français)
- score: pertinence de 1 (bruit) à 5 (action requise)
- action: null ou "répondre" | "lire" | "archiver"
"""

def summarize_email(email: dict, client) -> dict:
    content = f"""
Expéditeur: {email['from']['emailAddress']['address']}
Sujet: {email['subject']}
Preview: {email['bodyPreview'][:500]}
"""
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": content},
        ],
        response_format={"type": "json_object"},
        max_tokens=150,
    )
    return json.loads(response.choices[0].message.content)

response_format: json_object 至關重要——它避免了 markdown 的脆弱解析。GPT 返回乾淨的 JSON，可直接解析。

{
  "summary": "Client Kelly demande un devis pour automatisation CRM. Deadline vendredi.",
  "score": 5,
  "action": "répondre"
}

步驟 4 — WhatsApp 摘要

摘要按評分降序排列，格式化為可讀的 WhatsApp 訊息，並透過 OpenClaw 閘道發送。整個過程作為 Windmill 作業在每天早上 7:30 按排程運行。

def format_digest(summaries: list[dict]) -> str:
    sorted_items = sorted(summaries, key=lambda x: x["score"], reverse=True)
    
    lines = ["📧 *Digest Email — ce matin*\n"]
    
    for item in sorted_items:
        score_emoji = "🔴" if item["score"] >= 4 else "🟡" if item["score"] >= 2 else "⚪"
        action = f" → _{item['action']}_" if item["action"] else ""
        lines.append(f"{score_emoji} {item['subject']}")
        lines.append(f"   {item['summary']}{action}\n")
    
    lines.append(f"_{len(sorted_items)} emails analysés_")
    return "\n".join(lines)

在 WhatsApp 中，訊息看起來像這樣：

Windmill 編排

完整腳本在 Windmill 上作為排程的 Python 作業運行。一些重要的實現細節：

實際影響

在這個管道出現之前，Erwan 每天早上打開郵箱需要花 15-20 分鐘分類、閱讀、決策。這是每日的認知成本，看似不大——但乘以 250 個工作日，每年代表 60 到 80 小時。

如今，工作流程簡化為：2 分鐘閱讀 WhatsApp 摘要，回覆 1-2 封標記為「需要行動」的郵件。其餘都自動處理。

下一步擴展方向

目前的管道有意保持簡單。自然的擴展方向：

• 潛在客戶自動回覆 : 偵測報價請求 → GPT-4o 生成回覆草稿 → 快速確認後發送（WhatsApp 中一鍵操作）。
• 跟進線程 : 追蹤對話線程：如果潛在客戶 3 天內未回覆，自動生成跟進訊息。
• 洞察提取 : 識別 30 天內的模式：哪些主題反覆出現？哪些客戶寫信最多？為商業策略提供數據。

每個擴展都是一個額外的 Windmill 腳本。不需要重構架構。這才是一開始就設計良好的管道的真正價值：可擴展性是輕而易舉的。

值得銘記的教訓

人們常把「電子郵件自動化」當作一個抽象概念來談論。實際上，這是一個 200 行的 Python 腳本，每天早上 7:30 運行，每週節省一小時——永遠如此。

投入產出比是巨大的。初始設置：4-5 小時。持續收益：最少每週 1 小時。1 個月後投資回報為正。

最好的工作流程是那些你忘了它們在運行的工作流程。