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：
- 用户提出的问题（逐条列出）
- 要求的附件或数据
- 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。
老张第二天早上看到的是：
收件箱里这封邮件已经被标记为“已处理”
一封回复草稿躺在草稿箱里，除了把总价从5万改成4.8万（他给了折扣），其他一字未动
一条飞书待办：“确认X3下周交货的可行性”
原邮件旁边显示“已自动创建回复草稿和1个待办”
他从头到尾只花了30秒：改了一个数字，点了发送，确认了待办。而如果没有Agent，这个流程至少要他15分钟：读邮件、查库存、查价格、写回复、再创建一个待办提醒自己。
五、三个必须避开的坑
坑1：自动回复的语气像机器人
早期Agent生成的回复很生硬：“您的询价已收到。根据系统数据，单价为500元。”用户说：这不是我的风格。后来我们把每个用户的历史发件作为风格样本，让LLM学习模仿。效果：回复读起来像本人写的，而不是客服机器人。
坑2：把“已回复但未发送”当作已处理
Agent生成了草稿，但用户一直没点发送。Agent需要跟踪状态：如果草稿在草稿箱里躺了超过48小时未动，应再次提醒用户“你还有一封待发送的回复”。
坑3：待办重复创建
同一封邮件，因为多次解析或多次触发，生成了3条一模一样的待办。解决方案：在创建任务前，先查询现有任务中是否存在相同来源（email_id + action + owner）的未完成任务。如果有，跳过创建。
六、你也能从一个小功能开始
不需要一步到位做全链路。从最痛的点切入：
如果你每天被大量无关邮件淹没，先做自动分类，把垃圾和低价值邮件自动归档。
如果你经常需要回复相同类型的问题，先做模板匹配+草稿生成，哪怕只支持三五种场景。
如果你总忘记邮件里提到的任务，先做待办提取，把任务同步到任务管理工具。
每个小功能单独上线，都能立竿见影。等跑顺了，再慢慢串联起来。
写在最后：邮件的本质不是收，是处理
老张用了三个月邮件Agent后，有一天跟我说：“我终于发现，我以前的忙，不是忙在工作上，而是忙在处理‘工作的前戏’上。读邮件、分类、想怎么回、记着去跟进……这些事本身不是价值，它们是通往价值的准备工作。”
邮件的自动化，不是让你回得更快，而是让你只回需要你回的，其余的都交给机器。
73封到7封，是数字的变化；从每天焦虑打开邮箱，到从容处理最重要的那几件事，才是真正的变化。
你的收件箱里现在有多少封未读？也许，是时候给你的邮箱也配一个Agent了。
