使用自主生成AI代理简化电子邮件处理：高效自动化业务操作的5个步骤
问题陈述
最近，我与几位客户进行了交流，他们计划实施 Agentic Mesh（是的，您先听说了）来自动化业务流程。几个月前，我写过关于 agentic mesh 的文章，我越来越看到一个业务流程由一组代理协同工作来实现一个单一的连贯的业务目标。
那么，回到这次讨论。我与几位客户进行了交谈——一些来自金融行业，一些来自零售业等等，但他们似乎都有一个共同的接收流程——电子邮件。
他们的客户通过电子邮件发送输入——比如开户表格或信用卡申请表格等。他们目前的流程非常手动，他们希望将其自动化。下面是一个简单的例子：
- 他们的银行经理可能有一个共享邮箱，里面有数百封电子邮件涌入。
- 他/她必须浏览这数百封电子邮件，并将它们分成 3 个类别（例如）。
- 根据电子邮件类型，他们需要将电子邮件正文和相应的附件提取到各自的存储库中，然后启动后续步骤来处理业务目标。
现在，如果我们看到，这是一个非常常见的问题。我们构建了代理（见下文），我们已经为 PDF 处理和解析、DOCX 处理和解析等实现了代理。
因此，他们提出的要求是如何构建一个 Agentic 解决方案，以自动化电子邮件扫描和处理，从而最大限度地减少人类在这些冗余时间上花费的时间，并将数据（来自电子邮件）引导到正确的流程中。
解决方案方法
我们要构建的 agentic 电子邮件解决方案如下：
我们的解决方案有 3 个模块——第一个模块基于扫描通用电子邮件收件箱——电子邮件触发管道，该管道提取电子邮件元数据，如消息 ID、会话 ID，创建数据存储库，保存电子邮件正文并将附件保存为物理文件。
保存信息后，将触发下一个代理，即电子邮件处理代理——该代理将识别意图并对场景进行分类，对文档（附件）进行分类，并启动提取部分——将所有这些信息保存到元数据数据库中。
然后，控制权转到第三个代理，该代理扫描元数据表，使用这些信息并调用各个工具（如 PDF 处理、DOCX 处理等）来加载提取内容并将其矢量化以进行后续步骤。
下面是一个可以进入共享邮箱的电子邮件的快速示例。
结论和参考文献
我一直在研究 Agents，以下是我实现的一些 agentic 用例，请将它们用作参考：
- 整个“agentic 解决方案”概述 @ https://medium.com/@nayan.j.paul/implementing-llm-and-gen-ai-applications-using-the-world-of-llm-agents-37fab8889bd3
- 基于目标的 agent 开发 @ https://medium.com/@nayan.j.paul/how-i-designed-a-tic-tac-toe-agent-in-a-multi-agent-setup-with-llm-and-gen-ai-3da646177980
- 使用 agent 集合进行探索性数据分析 @ https://medium.com/@nayan.j.paul/designing-exploratory-analysis-agent-with-gen-ai-large-language-models-llms-61310a1cd60f
- 设计假设检验和模式分析 agents @ https://medium.com/@nayan.j.paul/designing-hypothesis-analysis-agent-with-gen-ai-large-language-models-llms-a09aaf7016d4
- 设计供应链模拟建模 @ https://medium.com/@nayan.j.paul/designing-simulation-modeling-agents-using-gen-ai-large-language-models-llms-ed12f462c3f2
- 汽车订单放置的多轮用例 @ https://medium.com/@nayan.j.paul/multi-turn-goal-based-agents-with-large-language-models-with-practical-use-case-49a78fcc79c4
- 日程安排助手 @ https://medium.com/@nayan.j.paul/designing-scheduling-assistant-agent-using-gen-ai-large-language-models-llms-7799d882ee6e
- 递归多 agent 游戏（狼、白菜、山羊）— https://medium.com/@nayan.j.paul/implementic-recursive-agentic-solution-wolf-goat-cabbage-game-using-gen-ai-677506ecf906
- 基于 O1 模型的用于推理的多 agent 系统 — https://medium.com/@nayan.j.paul/root-cause-analysis-use-case-with-the-new-o1-reasoning-model-e4f75e88403b
- 多 agent 缺货传播系统 — https://medium.com/@nayan.j.paul/implementing-back-order-prediction-agent-using-gen-ai-large-language-models-llms-8eede590438e
- 使用多 agent 系统预测运输 ETA — https://medium.com/@nayan.j.paul/implementing-shipment-eta-prediction-agent-using-gen-ai-large-language-models-llms-d0e9021bb54b
- 3 种常见的 Gen AI 模式：https://medium.com/me/stats/post/73081a855c71
- 基于实时音频的零售 agents — https://readmedium.com/5ebc7da24844
- 自管理自动化 agentic 解决方案 — https://medium.com/@nayan.j.paul/building-an-self-managed-and-automated-order-management-agent-using-o1-planning-and-4o-execution-000077ced0e0
- 基于 Deepseek 的 agentic 解决方案 @ https://medium.com/@nayan.j.paul/checking-deepseek-based-agentic-solution-simplified-version-4340be37fe48
