首页/资讯中心/详情

基于本地大模型与WorkBuddy的智能邮件自动化处理实战

基于本地大模型与WorkBuddy的智能邮件自动化处理实战
📅 发布时间：2026/8/4 8:20:03

1. 项目概述：从WorkBuddy到本地模型驱动的网页邮箱自动化

如果你和我一样，每天需要处理大量的邮件，从筛选重要信息、回复常规咨询到整理归档，这些重复性工作不仅耗时，还容易让人分心。传统的RPA工具或者浏览器宏脚本虽然能解决一部分问题，但面对邮件内容千变万化的语义理解、意图判断和个性化回复，就显得力不从心了。这正是我决定折腾“WorkBuddy对接本地模型实现网页邮箱操作”这个项目的初衷。

简单来说，这个项目的核心目标，是让WorkBuddy这个自动化工具，不再仅仅依赖预设的、死板的规则去操作网页邮箱，而是能够“理解”邮件内容。通过对接一个在本地运行的AI模型（比如用Ollama部署的Llama 3、Qwen等），让WorkBuddy获得一个“大脑”，从而智能地判断邮件类型、提取关键信息、甚至草拟回复内容，然后再通过精准的网页操作去执行。这相当于给你的邮箱自动化流程装上了“感知”和“决策”能力，从“机械臂”升级成了“智能助手”。

这个方案特别适合对数据隐私有高要求，或者不希望依赖外部API（如OpenAI）的团队和个人开发者。所有数据处理和模型推理都在你自己的机器上完成，安全可控。同时，它结合了WorkBuddy强大的浏览器自动化能力和本地大模型的语义理解能力，实现了一种高性价比、高自由度的智能办公自动化。

接下来，我会详细拆解整个项目的设计思路、技术选型、实操步骤以及我踩过的那些坑，希望能为你提供一个清晰、可复现的参考。

2. 核心架构与工具选型解析

要实现WorkBuddy与本地模型的协同工作，我们需要一个清晰的、分层的架构。整个系统可以看作一个“感知-决策-执行”的闭环。

2.1 系统分层设计

第一层是执行层，由WorkBuddy担当。它的核心职责是操控浏览器。我们需要它完成两件事：一是从网页邮箱的DOM结构中精准地“抓取”邮件正文、发件人、主题等信息；二是在获得指令后，去“点击”回复按钮、“输入”回复内容、“选择”收件人等。WorkBuddy通过Chrome DevTools Protocol与浏览器通信，实现对网页元素的精确控制和数据提取。

第二层是决策层，即本地运行的大语言模型。这是项目的“大脑”。它接收从执行层抓取到的邮件文本信息，进行分析、理解和推理。它的任务可能是：“这是一封客户询价邮件，需要提取产品型号和数量，并草拟一份包含价格和交货期的标准回复。” 或者 “这是一封公司内部会议纪要，需要提取时间、地点和行动项，并归类到待办列表。” 模型输出的是一段结构化的指令或文本，比如JSON格式的指令{“action”: “reply”, “content”: “尊敬的...”, “category”: “sales_quote”}。

第三层是通信与协调层。这是连接大脑和手脚的“神经系统”。WorkBuddy（执行层）和本地模型服务（决策层）通常运行在不同的进程，甚至不同的机器上。我们需要一个轻量、高效的通信机制。最常见且简单的方案是使用HTTP。我们在本地启动一个模型服务（如Ollama、LM Studio提供的API），然后让WorkBuddy通过发送HTTP POST请求，将邮件文本和预设的提示词（Prompt）一起发送给这个API，并接收模型返回的结果。

2.2 关键工具深度对比与选型理由

WorkBuddy的选择：为什么是它？市面上自动化工具很多，如Selenium、Playwright、甚至浏览器自带的宏录制。我选择WorkBuddy（或其同类理念的工具，如基于CDP深度封装的框架）的核心原因在于其对Chrome DevTools Protocol的原生支持和“低代码/可视化”与“代码控制”的平衡。它允许我通过相对直观的方式配置复杂的网页操作序列（比如登录、翻页、元素定位），同时又可以通过脚本（通常是JavaScript/Python）灵活地处理逻辑判断、数据解析和外部调用。这对于需要集成AI模型的复杂场景至关重要。纯粹的录制回放工具无法动态处理AI返回的变量结果。

本地模型部署方案：Ollama vs. LM Studio vs. 直接部署

  • Ollama：这是我的首选，尤其是在项目初期和追求部署简便性时。它通过一条命令就能拉取和运行模型，内置了标准的OpenAI兼容的API接口（/api/generate）。这意味着WorkBuddy端可以像调用OpenAI一样调用它，生态兼容性好。它管理模型非常方便，社区活跃，支持的模型系列（Llama, Mistral, Qwen等）足够多。
  • LM Studio：提供了更友好的图形界面，适合不熟悉命令行的用户快速测试模型。它也提供了本地HTTP服务器。但相比Ollama，它在无头服务器环境下的自动化部署和资源管理稍弱一些。
  • 直接使用Transformers库或vLLM部署：这是最灵活、控制力最强的方案，适合有深度学习部署经验的开发者。你可以精确控制模型加载、推理参数和API格式。但门槛较高，需要自己编写API服务代码（如用FastAPI）。

选型心得：对于大多数自动化集成场景，Ollama是平衡易用性、标准化和性能的最佳选择。它的API简单直接，省去了自己搭建服务端的麻烦，让我们可以专注于WorkBuddy与AI的交互逻辑。

通信协议：为什么是HTTP/HTTPS？简单、通用、跨平台。几乎所有编程语言和工具都支持HTTP客户端。Ollama、LM Studio的API都是基于HTTP的。WorkBuddy可以通过其脚本功能（如执行一段Node.js或Python脚本）轻松地发起HTTP请求。虽然也有WebSocket或gRPC等方案可能性能更好，但在本地局域网内，HTTP的延迟完全可以接受，且开发调试极其方便。

3. 环境准备与核心配置实战

理论清晰后，我们开始动手搭建。这一部分我会详细到每一个命令和配置项。

3.1 本地模型服务端部署（以Ollama为例）

首先，我们需要一个稳定运行的“大脑”。

  1. 安装Ollama： 访问Ollama官网，根据你的操作系统（Windows/macOS/Linux）下载安装包。Linux用户通常可以使用一键安装脚本。

    # 对于Linux/macOS，通常这样安装 curl -fsSL https://ollama.com/install.sh | sh

    安装完成后，运行ollama --version确认安装成功。

  2. 拉取并运行一个合适的模型： 模型的选择取决于你的硬件（特别是GPU显存）和任务需求。对于邮件处理，一个7B参数左右的模型通常就能取得不错的效果，且在消费级显卡（如RTX 4060, 3060）或仅用CPU时也能运行。

    # 拉取Llama 3 8B模型（这是一个在通用任务上表现均衡的模型） ollama pull llama3:8b # 如果你想尝试专为代码和指令跟随优化的模型，可以拉取CodeLlama或Qwen # ollama pull codellama:7b # ollama pull qwen2:7b

    拉取完成后，运行模型服务：

    ollama run llama3:8b

    这个命令会启动一个交互式对话界面，同时模型服务也在后台运行，默认API地址是http://localhost:11434。

  3. 验证API服务： 打开另一个终端，使用curl测试API是否正常工作。

    curl http://localhost:11434/api/generate -d '{ "model": "llama3:8b", "prompt": "Hello, how are you?", "stream": false }'

    如果看到返回了一段包含模型回复的JSON，说明服务部署成功。

注意事项：首次运行ollama run时，它会将模型加载到内存/显存中。确保你的系统有足够资源。对于8B模型，至少需要8GB以上的空闲内存（使用CPU）或6GB以上的GPU显存。如果资源紧张，可以考虑3B参数左右的更小模型，或使用量化版本（如llama3:8b-instruct-q4_K_M）。

3.2 WorkBuddy端配置与基础脚本编写

这里假设你已安装并基本了解WorkBuddy。我们需要创建一个新的“工作流”或“技能”。

  1. 创建新工作流：在WorkBuddy中，新建一个自动化流程，命名为“智能邮件处理”之类的。

  2. 配置浏览器连接：确保WorkBuddy能连接到Chrome或Edge浏览器。通常需要以远程调试模式启动浏览器：

    # Windows "C:\Program Files\Google\Chrome\Application\chrome.exe" --remote-debugging-port=9222 # macOS /Applications/Google\ Chrome.app/Contents/MacOS/Google\ Chrome --remote-debugging-port=9222

    然后在WorkBuddy中配置连接到此端口（localhost:9222）。

  3. 编写核心脚本模块： WorkBuddy的核心能力往往通过“执行JavaScript”或“调用外部脚本”的步骤来体现。我们需要编写一个函数，负责与Ollama API通信。 以下是一个在WorkBuddy的JavaScript执行步骤中可用的示例函数：

    /** * 调用本地Ollama模型处理文本 * @param {string} prompt - 给模型的指令和上下文 * @returns {Promise<string>} - 模型返回的文本 */ async function queryLocalModel(prompt) { const apiUrl = 'http://localhost:11434/api/generate'; const modelName = 'llama3:8b'; // 与你运行的模型名一致 const requestBody = { model: modelName, prompt: prompt, stream: false, // 设为false以获取完整响应，便于处理 options: { temperature: 0.2, // 温度值低，输出更确定、更少随机性，适合标准化任务 num_predict: 512 // 限制生成的最大token数，防止回复过长 } }; try { const response = await fetch(apiUrl, { method: 'POST', headers: { 'Content-Type': 'application/json', }, body: JSON.stringify(requestBody) }); if (!response.ok) { throw new Error(`HTTP error! status: ${response.status}`); } const data = await response.json(); // Ollama API返回格式中，回复内容在 `response` 字段 return data.response.trim(); } catch (error) { console.error('调用本地模型失败:', error); // 在实际应用中，这里应该有更完善的错误处理，比如重试或降级策略 return `[模型处理失败: ${error.message}]`; } } // 示例：调用函数并打印结果（实际使用时，这个结果会被赋值给变量供后续步骤使用） const testPrompt = `请总结以下邮件的主要内容：\n\n发件人：客服部\n主题：关于系统升级的通知\n正文：尊敬的客户，我们计划于本周六凌晨2点至4点进行系统维护，期间服务可能短暂中断。`; const summary = await queryLocalModel(testPrompt); console.log('模型总结结果:', summary); // 将结果存储到WorkBuddy的上下文变量中，例如： // workflowContext.setVariable('ai_summary', summary);

    将这个函数保存到WorkBuddy的脚本库或直接嵌入到对应步骤中。关键点在于fetch请求和错误处理。

4. 网页邮箱元素定位与数据抓取策略

要让AI分析邮件，首先得把邮件内容从网页里“掏”出来。这是自动化中最繁琐但也最需要耐心的一步。

4.1 邮箱界面分析与选择器制定

以Gmail或Outlook Web为例，你需要使用浏览器的开发者工具（F12）来检查邮件列表和邮件阅读界面的DOM结构。

  • 邮件列表项：你需要定位到每一封邮件的元素，通常是一个<tr>或<div>，其选择器可能类似于div[role="main"] table tbody tr(Gmail)。你需要从中提取出发件人、主题、接收时间和是否已读等状态。
  • 邮件正文区域：点击一封邮件后，正文内容所在的容器。它的选择器可能像div[role="main"] div[data-message-id]或某个特定的div.email-body。这里的挑战在于，邮件正文可能包含复杂的HTML格式、图片、链接，甚至内嵌的富文本。

数据抓取脚本示例： 在WorkBuddy中，你可以使用类似以下JavaScript代码来提取当前打开邮件的关键信息：

// 假设我们已经通过WorkBuddy的步骤导航到了单封邮件查看页面 async function extractEmailData() { // 1. 提取发件人、主题、时间（选择器需要根据实际页面调整） const senderElement = document.querySelector('div[data-testid="sender"] span'); const subjectElement = document.querySelector('h2[data-testid="subject"]'); const dateElement = document.querySelector('div[data-testid="date"]'); const sender = senderElement ? senderElement.innerText.trim() : '未知发件人'; const subject = subjectElement ? subjectElement.innerText.trim() : '无主题'; const date = dateElement ? dateElement.innerText.trim() : '未知时间'; // 2. 提取邮件正文 - 这是难点 // 方法A：获取整个正文容器的innerText，这会丢失格式但得到纯文本 const bodyContainer = document.querySelector('div[role="main"] div.email-body-container'); let bodyText = ''; if (bodyContainer) { bodyText = bodyContainer.innerText.trim(); } else { // 方法B：如果页面结构复杂，可以尝试获取特定属性的div // 或者通过更复杂的选择器组合 bodyText = document.body.innerText; // 最后的手段，可能包含大量噪音 } // 清理正文文本，移除过多的换行和空格 bodyText = bodyText.replace(/\n\s*\n\s*\n/g, '\n\n').substring(0, 3000); // 限制长度，避免超出模型上下文 return { sender, subject, date, body: bodyText }; } // 在WorkBuddy中执行这个函数，并将结果保存 const emailData = await extractEmailData(); console.log('抓取的邮件数据:', emailData); // 存入上下文，供AI处理步骤使用 // workflowContext.setVariable('currentEmail', emailData);

实操心得：元素定位的稳定性：网页邮箱的DOM结构可能会随着前端更新而改变。不要依赖绝对路径或易变的类名。优先使用具有role、>// 模拟滚动加载更多邮件 async function scrollToLoadMore() { const mailList = document.querySelector('div[role="main"] table tbody'); if (mailList) { // 滚动到列表底部 mailList.scrollTop = mailList.scrollHeight; // 等待新内容加载 await new Promise(resolve => setTimeout(resolve, 2000)); // 等待2秒 // 检查是否有新的行出现（这里需要根据实际情况实现更智能的等待） } }

对于分页，如果邮箱使用传统分页器，WorkBuddy需要点击“下一页”按钮，并等待页面刷新或内容更新。

5. 提示词工程与模型交互设计

这是决定AI能否正确理解任务并输出有效结果的关键。我们不能简单地把邮件正文扔给模型说“处理一下”。

5.1 构建结构化提示词模板

我们需要设计一个清晰的提示词（Prompt），引导模型完成特定任务。一个好的Prompt通常包含以下几个部分：

  1. 角色定义：告诉模型它现在扮演什么角色。
  2. 任务描述：清晰、具体地说明需要它做什么。
  3. 输入格式：明确给出输入数据的结构和含义。
  4. 输出格式要求：严格要求模型以某种格式（如JSON、特定标记的文本）输出，这便于WorkBuddy后续解析。
  5. 示例：提供一两个输入输出的例子，让模型更好地理解你的意图（Few-shot Learning）。

示例Prompt模板（用于邮件分类和摘要）：

你是一个专业的邮件助理。你的任务是根据收到的邮件内容，对其进行分类并生成一个简短的摘要。 请严格按照以下JSON格式输出，不要输出任何其他解释性文字。 { "category": "分类名称", "summary": "邮件摘要，不超过100字", "urgency": "高/中/低", "action_required": "是/否" } 可用的分类包括： - 会议邀请 - 项目更新 - 客户咨询 - 账单通知 - 内部公告 - 订阅邮件 - 其他 输入邮件信息： 发件人：{{sender}} 主题：{{subject}} 正文： {{body}} 现在，请处理这封邮件。

在WorkBuddy脚本中，我们需要动态地将抓取到的emailData填充到这个模板中，形成最终的Prompt字符串，然后传给queryLocalModel函数。

5.2 在WorkBuddy中集成Prompt与调用

// 假设我们已经有了 extractEmailData 函数和 queryLocalModel 函数 async function processEmailWithAI() { // 1. 抓取数据 const email = await extractEmailData(); // 2. 构建Prompt const promptTemplate = `你是一个专业的邮件助理...`; // 如上文的完整Prompt模板 const finalPrompt = promptTemplate .replace('{{sender}}', email.sender) .replace('{{subject}}', email.subject) .replace('{{body}}', email.body.substring(0, 2000)); // 防止正文过长 // 3. 调用模型 console.log('正在发送请求给AI模型...'); const aiResponseText = await queryLocalModel(finalPrompt); console.log('AI原始回复:', aiResponseText); // 4. 解析AI的回复（期望是JSON字符串） try { const aiResult = JSON.parse(aiResponseText); console.log('解析后的AI结果:', aiResult); // 5. 根据结果做决策 if (aiResult.category === '客户咨询' && aiResult.urgency === '高') { // 触发高优先级咨询处理流程，比如自动标记星标，并准备回复模板 workflowContext.setVariable('needsImmediateReply', true); workflowContext.setVariable('emailCategory', aiResult.category); } else if (aiResult.category === '订阅邮件') { // 自动归档到“订阅”文件夹 // 这里可以调用另一个WorkBuddy步骤来执行归档操作 } // ... 其他逻辑判断 } catch (error) { console.error('解析AI返回的JSON失败:', error, '原始文本:', aiResponseText); // 降级处理：如果AI没有返回标准JSON，可以尝试提取关键信息或标记为需要人工处理 workflowContext.setVariable('aiProcessingFailed', true); } } // 执行处理流程 await processEmailWithAI();

避坑指南：模型输出的稳定性：即使给出了严格的JSON格式要求，模型偶尔也可能在输出前后加上额外的解释或标记（如json ...）。因此，在解析前，最好对返回的文本进行一次清洗。例如，使用正则表达式提取第一个{和最后一个}之间的内容。

function extractJsonFromText(text) { const jsonMatch = text.match(/\{[\s\S]*\}/); if (jsonMatch) { try { return JSON.parse(jsonMatch[0]); } catch (e) { return null; } } return null; }

6. 自动化流程编排与决策执行

现在，我们已经有了数据抓取、AI分析和结果解析的能力。接下来，需要在WorkBuddy中将这些步骤串联成一个完整的、智能的自动化流程。

6.1 设计工作流逻辑图

一个基础的智能邮件处理流程可以如下设计：

开始 ├─> 打开网页邮箱并登录 ├─> 循环：遍历未读邮件（或指定文件夹邮件） │ ├─> 步骤1：打开当前邮件 │ ├─> 步骤2：执行脚本 `extractEmailData`，抓取内容 │ ├─> 步骤3：执行脚本 `processEmailWithAI`，获取分类和摘要 │ ├─> 决策分支（基于AI返回的category/urgency）： │ │ ├─> 情况A（客户咨询-高优先级）： │ │ │ ├─> 标记邮件为星标/重要 │ │ │ ├─> 自动点击“回复” │ │ │ ├─> 根据咨询类型，从知识库选择回复模板（可再次调用AI润色） │ │ │ ├─> 填入回复框（WorkBuddy输入文本） │ │ │ └─> （可选）等待人工审核后发送，或自动发送 │ │ ├─> 情况B（会议邀请）： │ │ │ ├─> 提取时间、地点（可二次调用AI） │ │ │ └─> 添加到日历（需集成日历API） │ │ ├─> 情况C（订阅邮件/广告）： │ │ │ └─> 移动邮件到“订阅”文件夹（WorkBuddy操作元素） │ │ └─> 默认情况（其他）： │ │ └─> 仅标记为已读，或不做处理 │ └─> 步骤4：返回邮件列表，继续下一封 └─> 所有邮件处理完毕，结束

6.2 在WorkBuddy中实现条件分支

WorkBuddy通常提供“条件判断”或“分支”步骤。你可以将AI返回的结果（如workflowContext.getVariable('emailCategory')）作为判断条件。

例如，在WorkBuddy的图形化界面中，你可以添加一个“条件”节点，设置规则为：

如果 `emailCategory` 等于 `“客户咨询”` 并且 `urgency` 等于 `“高”` 则执行分支A（高优先级处理流程） 否则如果 `emailCategory` 等于 `“会议邀请”` 则执行分支B（日历添加流程） 否则 执行默认分支（标记为已读）

6.3 执行具体网页操作

在每个分支内，使用WorkBuddy提供的操作步骤（如“点击元素”、“输入文本”、“等待元素”）来执行具体的网页交互。

  • 点击回复按钮：使用拾取器定位到回复按钮，执行点击。
  • 输入回复内容：定位到回复框的textarea或div[contenteditable="true"]元素，然后使用“设置文本”或“输入文本”操作，将AI生成或模板填充的回复内容填入。

    注意：对于富文本编辑器，直接设置innerHTML可能更有效，但要注意转义。WorkBuddy可能提供了专门的操作。

  • 移动邮件：需要先找到“移动”或“归档”按钮，点击后选择目标文件夹。这可能需要操作下拉菜单，步骤会稍复杂，需要仔细录制或编写选择器。

关键技巧：稳健的操作等待。在每次页面状态变化（如点击回复后回复框展开）后，一定要插入“等待元素”步骤，确保目标元素（如回复框）已经出现在DOM中并且可交互，再进行下一步操作。这是避免自动化脚本运行失败的最重要措施。

7. 性能优化、错误处理与监控

一个能7x24小时稳定运行的自动化流程，必须考虑健壮性。

7.1 处理网络与模型延迟

本地模型推理速度取决于你的硬件。一个复杂的Prompt可能需要几秒甚至十几秒才能返回结果。

  • 设置超时：在queryLocalModel函数的fetch请求中设置合理的超时时间（如30秒）。
    const controller = new AbortController(); const timeoutId = setTimeout(() => controller.abort(), 30000); // 30秒超时 const response = await fetch(apiUrl, { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify(requestBody), signal: controller.signal }); clearTimeout(timeoutId);
  • 重试机制：对于非致命的临时错误（如网络波动、模型首次加载慢），可以实现简单的重试逻辑。
    async function queryLocalModelWithRetry(prompt, maxRetries = 2) { let lastError; for (let i = 0; i < maxRetries; i++) { try { return await queryLocalModel(prompt); // 使用之前定义的函数 } catch (error) { lastError = error; console.warn(`第${i+1}次尝试失败:`, error.message); await new Promise(resolve => setTimeout(resolve, 1000 * (i + 1))); // 延迟重试 } } throw lastError; // 所有重试都失败后抛出错误 }

7.2 应对网页结构变化

邮箱前端更新是自动化脚本的天敌。

  • 使用多重选择器：为关键元素准备2-3个备选选择器。在脚本中尝试第一个，如果找不到，再尝试第二个。
    function findElementWithFallback(selectors) { for (const selector of selectors) { const el = document.querySelector(selector); if (el) return el; } return null; } const replyButton = findElementWithFallback([ 'div[aria-label*="回复"][role="button"]', 'div[data-tooltip*="Reply"]', 'button:has(> div > svg[aria-label="Reply"])' ]);
  • 建立“心跳”与报警：让WorkBuddy流程定期（如每天）运行一个简单的健康检查任务，比如登录邮箱并定位几个核心元素。如果失败，可以通过邮件、钉钉、企业微信等Webhook通知你。WorkBuddy本身可能支持发送HTTP请求到你的通知服务。

7.3 资源管理与日志记录

  • 控制处理频率：不要设置过短的循环间隔，避免对邮箱服务器和本地模型造成过大压力。可以每小时或每半小时运行一次。
  • 详细日志：在WorkBuddy的每个关键步骤（开始、抓取数据、调用AI、执行操作、发生错误）都记录日志。可以将日志输出到控制台，或者更专业地，写入一个文件或发送到日志服务。这有助于事后排查问题。
    function log(level, message, data = null) { const timestamp = new Date().toISOString(); const logEntry = `[${timestamp}] [${level}] ${message}` + (data ? `: ${JSON.stringify(data)}` : ''); console.log(logEntry); // 这里也可以将logEntry发送到外部日志系统 } await log('INFO', '开始处理邮件', {sender: email.sender, subject: email.subject});

8. 进阶应用场景与扩展思路

当基础流程跑通后，你可以考虑更多增强功能。

8.1 复杂任务：自动起草个性化回复

不仅仅是分类，可以让AI直接生成回复初稿。这需要更精细的Prompt设计，并可能需要结合内部知识库。

  1. Prompt设计：提供公司产品信息、常见问答、回复语气要求作为上下文。
  2. 多轮调用：先调用一次模型分析邮件意图和关键问题，再根据分析结果调用第二次模型，结合知识库生成回复。
  3. 安全审核：对于自动生成的客户回复，初期强烈建议加入“人工审核”步骤。WorkBuddy可以在生成回复后，将邮件和拟回复内容整理到一个待审核列表（如Notion数据库、Google Sheets），等待你确认后再发送。

8.2 与外部系统集成

WorkBuddy可以通过HTTP请求步骤与几乎任何系统集成。

  • 同步到CRM：如果识别出是潜在客户询盘，在自动回复的同时，可以将发件人、邮件内容、AI提取的联系方式等信息，通过API自动创建为一条CRM线索。
  • 创建待办事项：如果AI判断邮件包含一个任务（如“请在下周五前提交报告”），可以调用Todoist、滴答清单或JIRA的API，自动创建一个待办事项。
  • 归档到笔记软件：将重要的项目更新邮件，经过AI总结后，自动同步到Obsidian、Notion或OneNote中，形成项目日志。

8.3 使用更强大的本地模型

随着硬件升级或对效果要求提高，你可以无缝切换Ollama中的模型。

  • 更大参数模型：从7B升级到13B、34B甚至70B参数的模型，理解能力和生成质量会显著提升，但需要更强的算力。
  • 专用微调模型：如果你有大量历史邮件和对应的处理方式（分类、回复），可以尝试用这些数据对开源模型进行微调（LoRA等轻量化方法），得到一个更懂你业务和行文风格的专属邮件助手。

整个项目从构想到实现，最耗时的部分往往不是AI集成，而是与网页邮箱的稳定交互。AI模型的引入，让自动化从“能做什么”变成了“能智能地做什么”，这中间的差距，就是效率提升的巨大空间。我自己的体验是，一旦流程稳定下来，每天至少能帮我节省出半小时到一小时处理邮件的时间，更重要的是，它让我不再担心错过重要信息。