1天1个项目｜邮件AI Agent

今天给大家带一个非常适合跟练的 Agent 项目——agents-from-scratch，LangChain 官方出品，手把手教你从零搭建一个能自动处理邮件的 AI Agent。

项目不大，代码量适中，但覆盖了 Agent 开发的所有核心概念。跟着做完，面试直接聊这个项目就够了。

这个项目做了什么？

一句话：一个能帮你自动分类、回复邮件的 AI Agent。

它会：

自动分类收到的邮件（需要回复 / 仅通知 / 垃圾邮件）
根据邮件内容起草回复
敏感操作（比如发送重要邮件）会先让你人工确认
会记住你的偏好（比如"给老板的邮件用正式语气"），越用越懂你

技术栈

LangGraph + OpenAI + Gmail API + LangSmith（评估和监控）

怎么跟练？项目分 4 个阶段

阶段一：LangGraph 基础（Day 1 上午）

先别急着写 Agent，把 LangGraph 的基础概念搞懂：

# 核心概念就三个：
# 1. State（状态）：Agent 在思考过程中的"记忆"
# 2. Node（节点）：每个节点是一个动作（检索、生成、判断...）
# 3. Edge（边）：节点之间的流转条件

from langgraph.graph import StateGraph, END
from typing import TypedDict

class EmailState(TypedDict):
    email: str        # 输入的邮件内容
    category: str     # 分类结果
    draft: str        # 草稿回复
    approved: bool    # 是否通过人工审批

graph = StateGraph(EmailState)

打开项目的 notebooks/ 目录，里面有配套的 Jupyter Notebook，跟着跑一遍就理解了。

阶段二：搭建邮件 Agent（Day 1 下午）

这是核心部分，Agent 的工作流程：

收到邮件 → 分类（triage）
  ├── 垃圾邮件 → 忽略
  ├── 仅通知 → 标记已读
  └── 需回复 → 起草回复 → 人工确认 → 发送

用 LangGraph 实现就是定义节点和边：

# 分类节点：让 LLM 判断邮件类型
def triage_email(state):
    result = llm.invoke(f"判断这封邮件的类型（spam/notification/reply_needed）：{state['email']}")
    return {"category": result}

# 回复节点：让 LLM 起草回复
def draft_reply(state):
    reply = llm.invoke(f"为这封邮件起草一个专业的回复：{state['email']}")
    return {"draft": reply}

# 条件边：根据分类走不同路径
graph.add_conditional_edges("triage", route_by_category, {
    "spam": END,
    "notification": "mark_read",
    "reply_needed": "draft_reply"
})

阶段三：加评估体系（Day 1 晚上）

这是很多人忽略的一步，但面试必问："你怎么评估 Agent 的效果？"

项目用了 LLM-as-a-Judge（让另一个 LLM 给 Agent 的输出打分）：

# 评估指标：
# 1. 分类准确率：邮件是否分对了类
# 2. 回复质量：语气是否合适、内容是否准确
# 3. 是否正确触发人工审批

# 准备测试集（20-30 条标注数据就够）
test_cases = [
    {"email": "会议改到明天下午3点", "expected_category": "notification"},
    {"email": "请问贵司的报价方案？", "expected_category": "reply_needed"},
]

阶段四：加人工审批 + 记忆（进阶）

Human-in-the-Loop：敏感操作暂停等人确认

# 在发送邮件前暂停，等待人工确认
def human_review(state):
    # Agent Inbox 会把草稿推给你审核
    # 你确认后才真正发送
    return {"approved": True}  # 或手动改为 False 拒绝

记忆系统：Agent 记住你的偏好

# 用 LangGraph Store 存储用户偏好
preferences = {
    "boss_tone": "正式、简洁",
    "colleague_tone": "友好、轻松",
    "auto_reply_notification": True
}
# Agent 下次处理邮件时会参考这些偏好

alt