--- title: "邮件生成：AI辅助邮件写作" description: "使用LLM生成各种类型的邮件内容" tags: ["邮件生成", "邮件写作", "AI邮件", "LLM", "商务沟通"] category: "llm" icon: "📧"

邮件生成：AI辅助邮件写作

邮件生成概述

邮件生成是利用LLM创建各种类型邮件的技术，包括营销邮件、商务邮件、跟进邮件等。

核心功能

1. 营销邮件生成

from openai import OpenAI
from typing import Dict, List

class MarketingEmailGenerator:
    """营销邮件生成器"""
    
    def __init__(self, model: str = "gpt-4"):
        self.client = OpenAI()
        self.model = model
    
    def generate_promotional_email(self, product: str, offer: str, 
                                   deadline: str) -> str:
        """生成促销邮件"""
        prompt = f"""请撰写一封促销邮件。

产品：{product}
优惠：{offer}
截止日期：{deadline}

要求：
1. 吸引人的主题行（多个版本）
2. 个性化的开头
3. 清晰的价值主张
4. 紧迫感
5. 行动号召
6. 合规的页脚"""
        
        response = self.client.chat.completions.create(
            self.model,
            messages=[
                {"role": "system", "content": "你是一个邮件营销专家。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.7
        )
        
        return response.choices[0].message.content
    
    def generate_welcome_email(self, brand_name: str, 
                               subscriber_name: str) -> str:
        """生成欢迎邮件"""
        prompt = f"""请撰写一封新订阅者欢迎邮件。

品牌：{brand_name}
订阅者：{subscriber_name}

要求：
1. 热情友好的语气
2. 介绍品牌价值
3. 期望管理
4. 行动号召
5. 社交媒体链接"""
        
        response = self.client.chat.completions.create(
            self.model,
            messages=[
                {"role": "system", "content": "你是一个邮件沟通专家。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.6
        )
        
        return response.choices[0].message.content
    
    def generate_abandoned_cart_email(self, product: str, 
                                      discount: str = None) -> str:
        """生成购物车放弃邮件"""
        discount_text = f"，我们为您提供{discount}折扣" if discount else ""
        
        prompt = f"""请撰写一封购物车放弃提醒邮件。

遗弃产品：{product}
优惠：{discount_text}

要求：
1. 友善的提醒语气
2. 产品图片位置建议
3. 简化的购买流程
4. 行动号召
5. 限时优惠（如有）"""
        
        response = self.client.chat.completions.create(
            self.model,
            messages=[
                {"role": "system", "content": "你是一个电商邮件专家。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.6
        )
        
        return response.choices[0].message.content

2. 商务邮件生成

class BusinessEmailGenerator:
    """商务邮件生成器"""
    
    def __init__(self, model: str = "gpt-4"):
        self.client = OpenAI()
        self.model = model
    
    def generate_cold_outreach(self, recipient_name: str, company: str,
                               purpose: str) -> str:
        """生成冷开发邮件"""
        prompt = f"""请撰写一封商务开发冷邮件。

收件人：{recipient_name}
公司：{company}
目的：{purpose}

要求：
1. 专业的开头
2. 简洁明了
3. 价值主张
4. 行动号召
5. 签名"""
        
        response = self.client.chat.completions.create(
            self.model,
            messages=[
                {"role": "system", "content": "你是一个商务沟通专家。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.5
        )
        
        return response.choices[0].message.content
    
    def generate_meeting_request(self, topic: str, duration: str) -> str:
        """生成会议请求邮件"""
        prompt = f"""请撰写一封会议请求邮件。

主题：{topic}
时长：{duration}

要求：
1. 专业的语气
2. 清晰的议程
3. 时间建议
4. 会议链接
5. 准备事项"""
        
        response = self.client.chat.completions.create(
            self.model,
            messages=[
                {"role": "system", "content": "你是一个会议协调专家。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.5
        )
        
        return response.choices[0].message.content
    
    def generate_follow_up(self, initial_context: str, days_since: int) -> str:
        """生成跟进邮件"""
        prompt = f"""请撰写一封跟进邮件。

初始背景：{initial_context}
距上次联系：{days_since}天

要求：
1. 友善的语气
2. 简洁提醒
3. 提供价值
4. 行动号召
5. 不要过于pushy"""
        
        response = self.client.chat.completions.create(
            self.model,
            messages=[
                {"role": "system", "content": "你是一个商务跟进专家。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.5
        )
        
        return response.choices[0].message.content
    
    def generate_thank_you(self, meeting_context: str, next_steps: str) -> str:
        """生成感谢邮件"""
        prompt = f"""请撰写一封会议感谢邮件。

会议背景：{meeting_context}
下一步：{next_steps}

要求：
1. 真诚的感谢
2. 会议要点回顾
3. 下一步确认
4. 专业的结尾"""
        
        response = self.client.chat.completions.create(
            self.model,
            messages=[
                {"role": "system", "content": "你是一个商务礼仪专家。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.5
        )
        
        return response.choices[0].message.content

3. 客户服务邮件

class CustomerServiceEmailGenerator:
    """客户服务邮件生成器"""
    
    def __init__(self, model: str = "gpt-4"):
        self.client = OpenAI()
        self.model = model
    
    def generate_support_response(self, customer_issue: str, 
                                  resolution: str) -> str:
        """生成支持回复"""
        prompt = f"""请撰写一封客户支持回复邮件。

客户问题：{customer_issue}
解决方案：{resolution}

要求：
1. 同理心
2. 清晰的解决方案
3. 后续步骤
4. 友好的语气
5. 联系方式"""
        
        response = self.client.chat.completions.create(
            self.model,
            messages=[
                {"role": "system", "content": "你是一个客户服务专家。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.5
        )
        
        return response.choices[0].message.content
    
    def generate_complaint_response(self, complaint: str, 
                                    apology: str, solution: str) -> str:
        """生成投诉回复"""
        prompt = f"""请撰写一封投诉回复邮件。

客户投诉：{complaint}
道歉：{apology}
解决方案：{solution}

要求：
1. 真诚的道歉
2. 承认问题
3. 解决方案
4. 补偿措施（如有）
5. 改进承诺"""
        
        response = self.client.chat.completions.create(
            self.model,
            messages=[
                {"role": "system", "content": "你是一个危机沟通专家。"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.4
        )
        
        return response.choices[0].message.content

邮件写作工作流

class EmailWorkflow:
    """邮件写作工作流"""
    
    def __init__(self):
        self.marketing = MarketingEmailGenerator()
        self.business = BusinessEmailGenerator()
        self.support = CustomerServiceEmailGenerator()
    
    def create_email_campaign(self, campaign_type: str, details: Dict) -> Dict:
        """创建邮件营销活动"""
        emails = {}
        
        if campaign_type == "product_launch":
            emails["announcement"] = self.marketing.generate_promotional_email(
                details["product"], details["offer"], details["deadline"]
            )
            emails["reminder"] = self.marketing.generate_promotional_email(
                details["product"], "最后机会", details["deadline"]
            )
        elif campaign_type == "outreach":
            emails["initial"] = self.business.generate_cold_outreach(
                details["name"], details["company"], details["purpose"]
            )
            emails["follow_up"] = self.business.generate_follow_up(
                details["context"], 3
            )
        
        return emails

# 使用示例
workflow = EmailWorkflow()
campaign = workflow.create_email_campaign("product_launch", {
    "product": "AI写作助手",
    "offer": "首月5折",
    "deadline": "本月底"
})

for email_type, content in campaign.items():
    print(f"\n{email_type.upper()}:")
    print(content[:300])

最佳实践

1. 个性化：尽可能个性化邮件内容
2. 清晰简洁：保持邮件简洁明了
3. 行动号召：明确的行动号召
4. A/B测试：测试不同的主题行和内容

总结

邮件生成是LLM商业应用的重要领域。通过合理使用，可以高效创建各种类型的邮件内容。