从 Zapier 到 SmolAgents：使用 AI 自动处理电子邮件的分步指南

这篇指南面向谁？为什么它很重要？

作为一名数据和 AI 顾问，我定期采访来自各行各业和背景的人。我们一起尝试找出重复性任务——尤其是那些令人烦恼、耗时或高风险的任务。

无论哪个行业，几乎总会提到一项任务：管理收件箱。对许多专业人士来说，这是一场日常的斗争，耗费数小时，增加压力，并打乱注意力。每天，我们都必须筛选无数封电子邮件——识别哪些只是垃圾邮件，哪些我们只是被抄送可以安全忽略，以及哪些需要我们关注，有时甚至很紧急。

在本文中，我们将深入探讨如何利用 AI 来简化您的收件箱——从一个简单的、无代码友好的方法开始，自动使用“推广”、“未读”或“紧急”等标签标记电子邮件。

我还将向您展示如何使用 Hugging Face 的 smolagents 构建您自己的 AI 电子邮件助手——它能够检查您的收件箱并回答以下问题：我是否有新邮件？它们来自哪里？它们是关于什么的？您能总结一下吗？有紧急的吗？

这些教程只需少量代码，为构建更具交互性、更智能的电子邮件伴侣打开了大门。

在我看来，这是电子邮件自动化中最平衡的两种方法。有些人习惯于让 AI 自主处理简单的电子邮件，而另一些人则不愿放弃这种程度的控制。这些小小的第一步提供了一个折衷方案：它们帮助您浮现最重要的消息，将其总结为几行，或者提出相关问题——所有这些都不会代表您采取行动。您的 AI 助手成为一个有用的向导，而不是一个独立的决策者，确保您完全掌控您的收件箱。

这种自动化非常适合任何希望以简单实用的方式将 AI 集成到其工作流程中的人。此外，标记您的电子邮件使分类、删除不必要的电子邮件或处理后归档变得更容易。保留不相关的电子邮件毫无意义——无论是对您的生产力还是对环境而言——因为存储过多的数据会导致不必要的内存消耗。

然而，此代理会读取您的电子邮件内容，因此在授予访问权限时务必小心——尤其是在为共享或生产环境调整代码时。

AI 与 AI 代理？

为了澄清，我们首先区分简单的 AI 模型和 AI 代理。

标准 AI 模型，如聊天机器人或图像分类器中使用的模型，旨在处理数据、生成预测或回答特定问题。然而，这些模型不会自主行动——它们在收到提示时响应，但它们不会自行启动行动或管理工作流程。

另一方面，AI 代理将 AI 能力（如理解或生成文本）与决策和行动能力相结合。这就是它们如此具有变革性的原因。

当我们谈论使用 AI 提高生产力时，我们越来越多地指的是 AI 代理——这些系统不仅能够分类或预测，还能决定下一步要做什么并实际在您的工具和应用程序中执行操作。

例如，AI 代理可以分析您的收件箱，确定哪些邮件是紧急的，并自动在您的收件箱中应用标签——而无需您进行干预。除了电子邮件，代理还可以编写文档、将文件保存到正确的文件夹，甚至在不同的应用程序中触发操作，从而有效地协调复杂的工作流程。

简而言之，AI 代理是一个自主系统，能够感知、决策和行动——它将传统 AI 能力与在您的环境中采取有意义行动的能力相结合。

近年来，无代码和低代码解决方案使得构建简单的 AI 代理变得异常容易——包括用于电子邮件管理等用例。

在本文的第一部分，我们将使用 Zapier，一个原生集成 ChatGPT 的无代码自动化平台，来构建我们自己的迷你代理。实际上，我们将构建一个简单的 AI 自动化，有时被称为“迷你 AI 代理”。虽然它不是一个能够独立决策的完全自主 AI 代理，但它是进入 AI 辅助工作流程世界的完美第一步——所有这些都无需编写一行代码。

其工作原理如下：当收到新邮件时，迷你代理会自动触发。然后，邮件内容会发送给 ChatGPT，ChatGPT 对其进行分析和分类。根据分类（紧急、未读、宣传），迷你代理会直接将相应的标签应用到邮件上。

虽然 AI 处理在幕后进行，但结果——每封邮件上的清晰标签——将是可见的并立即有用，以帮助您优先处理收件箱。

让我们开始构建吧！

第一部分 — 无代码方法：使用 Zapier 自动标记您的电子邮件

第 0 步：开始使用 Zapier — 创建您的账户和第一个 Zap

我们将使用 Zapier，这是一个无代码自动化平台，您可以在这里访问。使用 Zapier，您可以轻松自动化工作流程和重复性任务——我们在此将其呈现为迷你 AI 代理。这是帮助您的团队适应 AI 增强自动化并开始了解 AI 代理潜力的绝佳第一步。

首先，只需点击 Zapier 主页右上角的“注册”按钮，创建您的账户并按照提供的步骤操作。此过程类似于在任何其他平台上注册，登录步骤也相同。

登录后，您就可以开始创建自动化工作流程了——包括我们在这份指南中构建的迷你 AI 代理。在 Zapier 中，这些自动化工作流程被称为 Zap。

您将看到一个像这样的页面，Zapier 徽标下方有一个橙色的“创建”按钮。点击此按钮，您将看到几个选项——第一个是“Zaps”，这是我们创建迷你 AI 代理需要选择的选项。

第 1 步：设置触发器

点击“创建 Zap”后，您将被重定向到此页面——这是您自动化流程的草稿。

在本例中，它是一个迷你 AI 代理，您稍后将发布。它可以保持私有，只有您才能访问，但发布它允许您激活 Zap，使其工作并在您收到电子邮件时触发。触发器显示在图片中第一个灰色矩形中。

左键单击“触发器”一词并选择您的邮箱类型。例如，Gmail 和 Outlook 可以与 Zap 一起使用。在我的例子中，我使用的是 Gmail。点击 Gmail 后，我就可以设置触发器了。界面的右侧应如下所示：

在“触发事件”部分，选择“新邮件”。在“账户”下，选择您希望 Zap 使用的电子邮件账户。您需要授权 Zapier 访问此账户才能继续下一步。完成后，点击设置面板底部的“继续”。

在“配置”部分，您可以指定要考虑的电子邮件标签（至少在 Gmail 版本中）。在这里，我们将选择“收件箱”来跟踪收到的电子邮件，同时排除已发送的电子邮件。或者，我们可以根据“垃圾邮件”或“重要”等标签过滤电子邮件，但对于此用例，我们将跟踪所有收件箱电子邮件。

点击“继续”，您将被带到“测试”部分，您可以在其中测试触发器。点击“查找新记录”将在您的电子邮件账户中搜索最近的电子邮件，并将其显示为“电子邮件 A”、“电子邮件 B”等。如果此列表出现并与您的最近电子邮件匹配，则表示触发器已成功设置并正常运行。我们现在可以通过从列表中选择一封电子邮件，点击它，然后选择“继续处理选定的记录”来进入第 2 步。

第 2 步：创建您的标签

我们现在将在我们的邮箱中创建标签。本教程我将使用 Gmail，但 Outlook 也可以，因为它受 Zapier 支持。也就是说，至少对于 Gmail，您将无法通过 Zapier 为此类用例使用默认系统标签。本教程将重点介绍 Gmail，但如果您使用的是 Outlook，可以参考 Microsoft 的文档了解如何创建自定义标签。

在您的 Gmail 收件箱屏幕左侧，您可以找到“标签”一词。

点击“+”按钮创建您的标签。在我的例子中，我将它保持简单，分为三个类别：“紧急”、“待读”和“推广”。当然，您可以根据自己的需要自定义标签的数量和名称，尤其是考虑到大多数邮箱都已经包含基本的垃圾邮件过滤功能。选择标签名称后，您可以跳过可选的设置步骤，直接点击“创建”。

您新创建的标签现在将出现在屏幕左侧的“标签”下。通过点击每个标签旁边的三个垂直点，您还可以为其分配颜色，以帮助您在收件箱中进行视觉区分。

第 3 步：设置操作

现在，让我们回到 Zapier，返回到我们的 Zap 草稿，以设置触发器后要执行的操作。

在步骤 1 结束时，您点击了“继续处理所选记录”，这提示您选择一个平台进行操作。在这种情况下，我们想使用一个聊天机器人，例如 ChatGPT 或 Claude。由于我有 ChatGPT 的高级账户，但没有 Claude 的，所以我将使用 ChatGPT 进行此设置。

接下来，我们需要配置此操作步骤。在“操作”下，为 ChatGPT 选择“对话”或为 Claude 选择“发送消息”。这将把您的请求发送到所选平台。请求本身将在以下步骤的设置过程中定义。

在“账户”部分，您将被要求连接到 OpenAI 或 Anthropic 以获取 API 密钥，这允许 Zapier 与平台进行交互。按照指导步骤操作，完成后，点击“继续”。然后您需要选择一个特定的 OpenAI 模型。我选择了 gpt-3.5-turbo-instruct。您可以更改模型，但它需要与“发送提示”操作兼容。提示可以根据您的需求进行自定义，但这是我使用的提示：

“你能总结一下所附邮件的主题吗？它是紧急的、纯粹的信息性邮件，还是需要回复？在你的回复中，你只应返回以下标签之一：如果邮件看起来很紧急，则返回 Label_9197795683686362960；如果是新闻简报或类似广告或垃圾邮件，则返回 Label_662747571271887962；如果是工作相关的邮件（例如，客户通信、会议通知或同事的消息），则返回 Label_6307763309029050364。除了标签之外，不要包含任何其他文本。”

将标签 ID 替换为您在上一步中使用的 ID。在此示例中，这些标签对应于 Gmail 类别：Label_9197795683686362960 表示“紧急”，Label_6307763309029050364 表示“待读”，Label_662747571271887962 表示“推广”。换句话说，我们正在指示 ChatGPT 根据邮件内容对其进行分类。

由于提示引用了邮件正文，我们需要将此数据提供给 ChatGPT。为此，请点击提示字段中的“+”图标（见下方截图）并添加以下变量：

• 纯文本正文
• 主题
• 消息 ID
• 所有附件

如截图所示，它们显示在提示的末尾。

通过包含这些元素，ChatGPT 将能够访问每封新邮件所需的信息，从而准确分类消息。

其他参数无需更改此分类类型，因此您可以点击“继续”，然后在“测试”选项卡中点击“测试步骤”。如果没有出现错误消息，您可以点击“发布”，我们将进入最终设置步骤。

最后一步：自动标记您的电子邮件

现在，让我们添加最后一步。我们将使用我们的电子邮件平台——在我的例子中是 Gmail——并选择“给电子邮件添加标签”操作。确保您使用的是与步骤 1 相同的账户，然后点击“继续”进入“配置”部分。

在“标签”下，点击三个垂直点并选择“自定义”。会出现一个“+”按钮——点击它并选择“2. 回复”，这对应于 ChatGPT 对您的提示的回复，并且应该包含一个标签 ID。

接下来，在“消息”字段中，再次点击三个垂直点并选择“自定义”。点击“+”按钮并选择“1. Gmail 上的新邮件”，然后选择“消息 ID”。

点击“继续”，Zapier 将提供测试您的 Zap。只需点击“测试步骤”。如果一切设置正确，您就可以发布您的 Zap 了。

为了确认它正在工作，请检查您在步骤 1 中使用的测试邮件——您现在应该看到正确的标签已自动应用。

最后，点击“发布”以激活您的 Zap。从现在开始，每次您收到邮件时，标签都会自动添加！

总而言之，以下是 Zapier 中工作流程的示意图，包括所有步骤：触发器和接下来的两个操作。

第二部分 — 更进一步：您的下一个收件箱助手，由 “smolagents” 提供支持

这个 Zap 非常适合那些寻求快速设置和轻松自动化的人。它在后台安静运行，根据简单的规则标记电子邮件——无需交互，无需向 ChatGPT 提问。它只是一个有用的助手在幕后完成工作。

但是，如果您准备更进一步，Hugging Face 引入了一个名为“smolagents”的新库。有了它，您可以构建一个代理，该代理可以读取您的电子邮件，告诉您它们的紧急程度，总结它们，或者按需提取特定信息。

设置它确实需要一点好奇心——您需要熟悉 Hugging Face 工具和编写一些 Python 代码。但别担心：它对初学者完全友好，是您尝试智能自动化的绝佳方式。

严格来说，该代理在此阶段不会执行任何强操作，例如删除或自动回复电子邮件。相反，它将选择回答您的查询所需的工具，并进行推理。该代理可以访问原生工具（例如网络搜索以检查“紧急程度”的定义和常见相关术语）和自定义工具——例如我们在此处构建的工具。它可以根据其需求决定使用其中任何一个。

第 0 步：创建您的 Hugging Face 空间

Hugging Face Spaces 允许您直接在您的账户中托管轻量级应用程序。在我们的例子中，我们将使用它来部署一个自定义代理，您可以通过一个简单的可视化界面与它聊天——非常类似于 ChatGPT。不同之处在于？这个代理连接到您的电子邮件账户。您可以询问它邮件的紧急程度，提取特定信息，获取摘要等等。

首先，您需要一个 Hugging Face 账户（如果没有，请创建一个），然后创建一个新的空间。

您可以通过点击右上角的个人资料图标，然后选择“新建空间”来完成此操作，如以下屏幕截图所示。

我们现在将使用 smolagents 库——一个来自 Hugging Face 的新工具，旨在帮助您构建可以实际执行操作的 AI 代理。您可以将它们连接到自定义工具，集成 RAG 管道，以及更多。

接下来的步骤将直奔主题，引导您完成让电子邮件代理正常运行的基本要素。也就是说，本指南基于 Hugging Face AI 代理课程中的概念，该课程对塑造这个项目非常有帮助。

如果您对幕后工作原理感到好奇，或者您正在考虑为不同的用例构建代理，我强烈推荐您查看该课程！

第 1 步：通过自定义工具让您的代理访问您的电子邮件

现在我们来编写 `tools.py` 文件，它将包含定义自定义工具类的 Python 代码。在此示例中，我们将重点介绍如何连接到 Gmail 账户，基于下面链接的教程。但是，您可以对其进行调整，使其适用于其他电子邮件提供商，例如 Outlook，只要您能够为您的代理创建 API 连接（您可以在网上找到针对每个特定服务的教程）。

链接的指南会引导您完成激活和配置 Gmail API 所需的一切，并提供了我们将在自定义工具类中重用的核心代码。因此，这里不再重复，我们将直接介绍最终的类。

以下是 `tools.py` 的完整代码，后面将对其工作原理进行详细说明。

from smolagents import Tool
import os.path
import email
import base64
from google.auth.transport.requests import Request
from google.oauth2.credentials import Credentials
from google_auth_oauthlib.flow import InstalledAppFlow
from googleapiclient.discovery import build
from googleapiclient.errors import HttpError

# If modifying these scopes, delete the file token.json.
SCOPES = ["https://www.googleapis.com/auth/gmail.readonly"]

class Mail_retriever(Tool):
    name = "unread_mails"
    description = "Fetches new and unread mails from gmail."
    inputs = {
        "user_cred": {
            "type": "string",
            "description": "The name of the user whose emails are being retrieved."
        }
    }
    output_type = "string"

    def forward(self, user_cred: str):
        creds = None
        if os.path.exists("token.json"):
            creds = Credentials.from_authorized_user_file("token.json", SCOPES)
        # If there are no (valid) credentials available, let the user log in.
        if not creds or not creds.valid:
            if creds and creds.expired and creds.refresh_token:
                creds.refresh(Request())
            else:
                flow = InstalledAppFlow.from_client_secrets_file("credentials.json", SCOPES)
                creds = flow.run_local_server(port=0)
            # Save the credentials for the next run
            with open("token.json", "w") as token:
                token.write(creds.to_json())

        try:
            # Call the Gmail API
            service = build("gmail", "v1", credentials=creds)
            results1 = service.users().messages().list(userId="me", labelIds=["INBOX", "UNREAD"]).execute()
            messages = results1.get("messages", [])

            if not messages:
                print("No unread mails")
                return

            print("Messages:")
            for mail in messages:
                result = service.users().messages().get(userId="me", id=mail["id"], format="raw").execute()
                mail_content = email.message_from_bytes(base64.urlsafe_b64decode(result["raw"]))
                message_main_type = mail_content.get_content_maintype()

                if message_main_type == "multipart":
                    for part in mail_content.get_payload():
                        if part.get_content_maintype() == "text":
                            result = part.get_payload()
                elif message_main_type == "text":
                    result = mail_content.get_payload()

            return f"{user_cred}, you have new mails: {result}."

        except HttpError as error:
            # TODO(developer) - Handle errors from gmail API.
            print(f"An error occurred: {error}")

此代码基于我们之前链接的教程，该教程解释了如何将 Python 连接到 Gmail。但是，它已进行了调整，以适应 smolagents 库所需的结构。

其工作原理如下：我们定义了一个继承自 Tool 的类，这向库表明它是一个代理可以使用的自定义工具。我们为该工具命名并提供描述——两者都很重要，因为它们有助于代理理解该工具的功能以及何时使用它。

我们还定义了预期的输入格式——在此例中，它是一个字符串形式的用户姓名。这是可选的，但可以帮助代理个性化其响应。输出类型也已指定，这使得代理能够正确处理结果并自主行动。

该工具的核心是 `forward` 方法——这是 `smolagents` 框架中必需的方法名称。在其中，我们编写了读取凭据文件（如果它已经存在）或创建它（如果它不存在）的逻辑。

一旦代理连接到您的收件箱，它就会检查新消息——通过标签 ID 过滤，您可以在 `results1 = service.users().messages().list(userId=”me”,labelIds=[“INBOX”,”UNREAD”]).execute()` 这一行自定义。当检测到新邮件时，该工具会返回邮件的完整文本内容。这是对原始 Gmail API 教程的关键改进，因为原始教程只检索元数据——不足以进行摘要或紧急程度检测。

第 2 步：定义您的项目依赖项

与任何项目仓库一样，您将在主文件夹中创建 `requirements.txt` 文件，列出代码中使用的所有库。在我们的例子中，此文件包含以下几行，您可以直接复制粘贴：

smolagents
google.auth
google_auth_oauthlib
google-api-python-client

smolagents 是用于配置您的自主代理并为其配备自定义工具的核心库。它最初由 Hugging Face 引入并推广，旨在保持代理的轻量化、模块化和易于组合。

要将您的代理连接到 Gmail，您需要一些与 Google 相关的库：google-auth、google-auth-oauthlib 和 google-api-python-client。

这些库处理身份验证（通过 OAuth 2.0）和对 Gmail 收件箱的 API 访问——允许代理读取、分析和回复电子邮件。

对于用户界面，此项目使用 Gradio，它提供了一种快速构建基于 Web 的前端的方法。大多数 Hugging Face Spaces 默认都包含 Gradio，但如果它不存在，您可以通过在 `requirements.txt` 中添加一行简单的代码来添加它。

gradio

无论何时修改或添加代码文件，请确保所有必要的依赖项都已正确列出。一个快速的手动方法是检查每个文件顶部的导入语句，并验证每个相应的库是否已包含在 `requirements.txt` 中。完成后，将文件保存到项目目录的根目录——Hugging Face 将在部署期间自动使用它。

第 3 步：在 app.py 中整合所有内容

app.py 文件是您应用程序的主要入口点。它定义了您的代理，集成了任何自定义工具，选择了要使用的语言模型，并启动了 Gradio 界面。

该文件通常遵循标准结构：

import gradio as gr
from smolagents import GradioUI, CodeAgent, HfApiModel
# Import our custom tools from their modules
from tools import Mail_retriever
# Initialize the Hugging Face model
model = HfApiModel("Qwen/Qwen2.5-Coder-32B-Instruct", max_tokens=10000)
# Initialize the weather tool
mail_tool = Mail_retriever()
# Create Alfred with all the tools
alfred = CodeAgent(
tools=[mail_tool],
model=model,
add_base_tools=True, # Add any additional base tools
planning_interval=3 # Enable planning every 3 steps
)
if __name__ == "__main__":
GradioUI(alfred).launch()

它导入所有必需的库和模块，包括来自 tools.py 的自定义工具——在此例中是 Mail_retriever。

语言模型使用 Hugging Face API 进行初始化。在此示例中，我们直接通过 Hugging Face hub ID 使用 Qwen2.5-Coder-32B-Instruct 模型。

接下来，我们实例化我们的工具——这里是一个简单的电子邮件检索工具——并配置代理。我们称之为 Alfred，为其配备自定义工具、语言模型和一些可选参数，如规划频率。

最后，我们初始化并启动 Gradio UI，使应用程序具有交互性并准备好部署。

此布局为构建和扩展您的 AI 代理提供了清晰的模块化基础。您可以在未来的迭代中轻松添加新工具、更换模型或扩展逻辑。

就这样，您完成了。

一旦您将更改提交到您的空间，应用程序就会启动并显示您的聊天机器人界面。您现在可以尝试一个提示，例如：

“你好，我叫 Cindy，我想知道我的 Gmail 上是否有新邮件。如果有，它们看起来紧急吗？请使用你唯一的自定义工具。”

代理将处理您的请求，显示每个推理步骤以及在此过程中使用了哪些工具。

以下是几张截图，展示了助手如何处理我自己的提示。它分析的电子邮件是我在注册培训计划后收到的一封自动邮件。我被要求回复并填写会员简报——如果我想确保我的名额，这当然是紧急的。

下一步是什么？迈向真正智能的 AI 代理（改进机会）

这些迷你代理仍然相当简单。例如，自动回复尚未实现，紧急性的概念可能会因上下文或提示措辞而异——这些都是未来改进的领域。也就是说，这个原型提供了一个很好的第一步，以轻量级、低代码的方法进入自动化和基于代理的工作流程世界。

smolagent 库的一个关键优势是透明性：您可以跟踪代理推理过程的每一步。这使得调试变得容易得多——如果出现问题，您将确切地看到在哪里以及为什么。

只需几行代码和一个自定义工具，我们就创建了一个像人类一样开始推理的电子邮件助手。还有很长的路要走——但基础就在这里。试一试，想象一下您自己的智能代理能做什么。