問題:郵件收件箱成為「戰場」
每天早上打開郵件,國內貿易夥伴和海外買家的訂單確認、物流詢問、庫存查詢混在一起。同樣的內容也有,緊急信息也混雜,每次都要手動排序優先級。
「光是這項工作每天就要花費 5 小時。而且還經常出錯。」
轉折點:遇見 Claude Code
夢幻團隊內的一位成員提議,用 Claude Code 試試郵件自動化如何?
[之前]
• 從收件箱逐一打開郵件
• 閱讀內容判斷類別(訂單/詢問/物流/緊急)
• 手動標籤或移動到資料夾
• 標記重要郵件
• 耗時:每天 5 小時,錯誤率約 8%
[之後]
• 每天凌晨 6 時自動掃描郵件
• Claude Code 分析發件人、主旨、正文
• 自動按類別貼上標籤(彩色編碼)
• 對緊急程度進行評分並標記優先級
• 自動生成日報(記錄到試算表)
• 耗時:15 分鐘,錯誤率 0.2%
建構過程:72 小時的記錄
第 1 天:定義規則
我們明確了各類郵件的分類標準。
規則集:
1. 訂單郵件:發件人是已知買家 + 包含「order」「purchase」「PO」關鍵字
2. 庫存詢問:包含「stock」「inventory」「availability」
3. 物流相關:包含「shipping」「delivery」「tracking」「urgent delivery」
4. 付款相關:包含「invoice」「payment」「bank transfer」
5. 其他詢問:以上均不符的所有郵件
6. 緊急標誌:發件人名稱在 VIP 買家清單中或包含「ASAP」「urgent」「急」
第 2 天:建構 Claude Code 代理
在 Windows 裝置上編寫了 Python 指令碼。
# 虛擬程式碼(實際連接 Gmail API + Claude)
def 郵件_分類器():
郵件清單 = Gmail_API.取得最近郵件(最近_24小時)
for 郵件 in 郵件清單:
分析結果 = Claude.分析(
發件人=郵件.from,
主旨=郵件.subject,
正文=郵件.body_前_300字元,
規則=RULES
)
類別 = 分析結果[「category」]
緊急度 = 分析結果[「urgency_score」] # 0~100
標籤 = 類別_轉換_標籤(類別)
顏色 = 緊急度_轉換_顏色(緊急度)
Gmail_API.新增標籤(郵件.id, 標籤)
Gmail_API.設定顏色(郵件.id, 顏色)
記錄_日誌(郵件, 類別, 緊急度)
生成_報告()
第 3 天:測試與微調
一開始有一些錯誤。例如:
「庫存情況良好」是正面郵件,但因為「stock」而被誤分類為「庫存詢問」
我們強化了 Claude Code 的文脈分析。
改進規則:
• 不只靠「stock」關鍵字判斷
• 檢查動詞形式(「stock up」vs「stock inquiry」)
• 學習發件人模式(與同一買家的歷史郵件比較)
結果:第 3 週數據
| 項目 | 之前 | 之後 | 改進幅度 |
|------|------|------|----------|
| 日處理時間 | 5 小時 | 15 分鐘 | 縮短 95% |
| 分類準確度 | 92% | 99.8% | +7.8%p |
| 團隊成員壓力 | 高 | 低 | 主觀改善 |
| 遺漏緊急郵件 | 月 2~3 件 | 0 件 | 100% 解決 |
| 月度預估時間節省 | , | 約 100 小時 | , |
意外發現:人工智慧「讀取」了語氣
有趣的事發生了。相同內容的郵件,印度買家寫得較急迫,東南亞買家寫得較正式。Claude 偵測到了這個模式。結果:
「不只是簡單的關鍵字分析,它還學習了發件人的文化溝通風格。真的很神奇。」
未來規劃:自動化 + 人類判斷
當前系統:
• 自動化篩選(95%)
• 團隊成員最終審查(5%,特殊案例)
這種平衡既最小化誤判,又大幅節省時間。
結論
Windows 裝置 + Claude Code + 明確的規則定義 = 自動化。非開發者也能做到。