AI管家

[AI 工具：基于Open Interpreter的智能邮件分类器]

一、背景介绍：为什么需要智能邮件分类？

在现代办公场景中，每天面对大量的未读邮件，手动分类和筛选不仅效率低下，还容易遗漏重要信息。尤其是对于企业用户或频繁处理邮件的开发者来说，邮件内容繁杂、信息分散，使得信息处理变得困难。

为了解决这一问题，我们设计了一个基于Open Interpreter的智能邮件分类器。该工具利用Open Interpreter的邮件模块获取未读邮件，并结合AI模型进行语义分析，将邮件自动分类为“工作”、“个人”、“推广”、“垃圾邮件”或“重要”等类别，帮助用户快速识别和处理邮件内容，提升工作效率。

二、思路分析：项目实现的关键步骤

本项目的核心在于邮件获取与AI分类的结合。以下是实现的关键步骤：

1. 邮件获取

  • 使用 mail.get() 方法从 macOS 的邮件客户端中获取未读邮件。
  • 支持限制获取数量和筛选未读邮件。

2. AI分类

  • 调用 interpreter.chat() 方法，将邮件主题和内容输入AI模型，让其返回分类结果。
  • AI模型基于 DeepSeek 或星辰大模型，具备一定的语义理解能力。

3. 关键词辅助分类

  • 使用正则表达式对邮件主题进行关键词匹配，作为AI分类的补充手段。
  • 提高分类准确率，避免AI模型误判。

4. 日志记录

  • 输出分类结果到控制台，便于调试和查看处理过程。

5. 可扩展性

  • 项目结构清晰，便于后续扩展，如邮件自动归档、自动回复、GUI界面等。

三、代码实现：Python + Open Interpreter

以下是一个完整的邮件分类器实现，包含邮件获取、AI分类、关键词匹配和日志输出。

# 智能邮件分类器 - 基于Open Interpreter + AI语义理解
from interpreter import Interpreter
import re
import logging

# 配置日志记录
logging.basicConfig(level=logging.INFO,
                    format='%(asctime)s - %(levelname)s - %(message)s',
                    filename='email_classifier.log',
                    filemode='w')

# 初始化Open Interpreter
interpreter = Interpreter()
mail = interpreter.computer.mail

# 获取未读邮件
def get_unread_emails(max_count=20):
    """
    获取指定数量的未读邮件
    :param max_count: 最大获取邮件数量
    :return: 邮件列表
    """
    try:
        emails = mail.get(number=max_count, unread=True)
        logging.info(f"成功获取 {len(emails)} 封未读邮件")
        return emails
    except Exception as e:
        logging.error(f"获取未读邮件失败: {e}")
        return []

# 使用AI进行邮件分类
def classify_email(subject, content):
    """
    使用AI模型对邮件进行语义分类
    :param subject: 邮件主题
    :param content: 邮件内容
    :return: 分类结果
    """
    prompt = f"""
    请将以下邮件分类到最合适的类别中，只需返回类别名称。
    可选类别: 工作、个人、推广、垃圾邮件、重要

    邮件主题: {subject}
    邮件内容: {content[:300]}...
    """
    try:
        category = interpreter.chat(prompt)
        logging.info(f"邮件主题: {subject}，AI分类结果: {category}")
        return category.strip()
    except Exception as e:
        logging.error(f"AI分类失败: {e}")
        return "未知"

# 使用正则表达式进行关键词分类
def keyword_based_classification(subject):
    """
    基于关键词的邮件分类
    :param subject: 邮件主题
    :return: 分类结果
    """
    rules = {
        r"会议|项目|任务|工作": "工作",
        r"生日|节日|个人事务|家庭": "个人",
        r"优惠|促销|折扣|限时": "推广",
        r"垃圾|广告|诈骗|注册": "垃圾邮件",
        r"审批|结果|通知|紧急|请示": "重要"
    }

    for pattern, category in rules.items():
        if re.search(pattern, subject, re.IGNORECASE):
            logging.info(f"邮件主题: {subject}，匹配关键词: {pattern}，分类为: {category}")
            return category
    return "未知"

# 主处理函数
def process_emails():
    """
    处理所有未读邮件，进行分类并输出结果
    """
    emails = get_unread_emails()
    if not emails:
        print("未找到未读邮件。")
        logging.info("未找到未读邮件。")
        return

    print("=== 邮件分类结果 ===")
    for i, email in enumerate(emails, 1):
        subject = email.get("subject", "无主题")
        content = email.get("content", "无内容")
        sender = email.get("sender", "未知")
        print(f"\n{i}. 邮件主题: {subject}")
        print(f"   发件人: {sender}")

        # AI语义分类
        ai_category = classify_email(subject, content)
        print(f"   AI分类结果: {ai_category}")

        # 关键词分类
        keyword_category = keyword_based_classification(subject)
        print(f"   关键词分类结果: {keyword_category}")

        # 可扩展：自动归档或标记
        # mail.move_to_folder(email_id, ai_category)

# 运行主函数
if __name__ == "__main__":
    process_emails()

四、项目结构与运行说明

项目目录结构：

smart_email_classifier/
│
├── main.py
└── logs/
    └── email_classifier.log

运行环境要求：

  • 操作系统：macOS（仅支持系统自带 Mail 应用）
  • Python 版本：3.8 及以上
  • 依赖库：open-interpreter（可通过 pip install open-interpreter 安装）

使用步骤：

  1. 确保 macOS 系统已安装并配置好默认的邮件客户端（如 Apple Mail）；
  2. 安装 Open Interpreter：
    bash
    pip install open-interpreter
  3. 运行 main.py：
    bash
    python main.py
  4. 查看控制台输出和日志文件 logs/email_classifier.log，了解分类结果和处理过程。

五、项目亮点与学习价值

本项目融合了系统级邮件操作与AI语义理解，适合中级以下开发者快速上手并扩展。通过该项目，开发者可以：

  • 掌握Open Interpreter的邮件模块用法，包括获取邮件和未读计数；
  • 学习如何调用AI模型进行语义分类，理解自然语言处理的基本流程；
  • 实践正则表达式与关键词匹配，用于辅助分类逻辑；
  • 提升自动化办公能力，为后续开发邮件自动回复、归档等功能打下基础；
  • 了解模块化设计与可扩展性，便于后期功能迭代。

六、扩展建议

  • 邮件自动归档：调用 mail.move_to_folder() 将邮件移动到指定分类文件夹；
  • 自动回复系统：根据分类结果自动发送预定义回复；
  • GUI 界面：使用 tkinter 构建图形界面，显示分类结果；
  • 多平台适配：尝试在 Windows 上使用 Outlook 或第三方邮件库实现；
  • 日志记录与分析：将分类结果写入日志文件，用于后续分析与优化；
  • 集成更多AI能力：使用模型提取关键信息（如时间、地点、任务）。

七、总结

本项目实现了一个基于Open Interpreter的智能邮件分类器，通过AI语义理解与关键词匹配相结合的方式，对未读邮件进行自动分类，帮助用户快速识别邮件类型。该项目不仅功能明确、结构清晰，而且具备良好的学习价值，适合中级以下开发者在1~3天内完成，并为后续开发邮件自动化系统打下坚实基础。

通过本项目的学习，开发者可以掌握AI模型在实际场景中的应用方式，提升系统级编程与自动化处理能力，同时为构建更复杂的办公自动化工具积累经验。

本文由AI大模型（电信天翼量子AI云电脑-云智助手-Qwen3-32B）结合行业知识与创新视角深度思考后创作。

AI助手