AI周报整理工具推荐：自动收集并一键发送邮件

前言

之前发过一篇从零搭建AI智能体的教程，后台不少读者追问——零基础新手能不能学会？我的回答很直接：能。你只要把业务逻辑梳理清楚，遇到卡壳的地方直接丢给GPT即可。说到底，这项技能并不玄乎，本质就是用大模型替代那些重复性的人力操作。

今天这篇实战拆解一个我每天都在用的内部工具——「AI周报助手」。废话不多说，直接上干货。

设计背景

职场人都清楚——写周报是一项既琐碎又耗时的苦差事。尤其对于同时管理多个项目、对接多个团队的负责人，每周把碎片化信息整合成一份周报，堪称“人工绣花”。更棘手的是，周报素材往往散落在不同成员或部门手中，手动汇总效率极低且容易遗漏。加之远程办公常态化，团队分布各地，数据格式标准化就成了必须跨越的障碍。

但归根结底，最大的痛点在于——没人真正享受做这件事。重复、低创造性、纯体力劳动。这种场景正是AI的用武之地。大模型不抱怨、不偷懒，能顺理成章地把这个活儿接下来。

完成后的效果

Alice-工作周报

- 完成客户管理系统的新功能模块开发。
- 协助定位并修复内部数据库性能瓶颈。
- 筹备下周客户培训材料。

Bob-工作周报

- 优化营销活动数据分析流程，提升响应速度。
- 与Alice协作，改进客户管理系统用户交互体验。
- 规划下周启动市场调研新项目。

Carol-工作周报

- 完成营销活动初步数据分析报告。
- 参与客户管理系统界面设计评审。
- 下周重点：完善数据分析报告并设计市场调研问卷。

汇总-工作周报

尊敬的团队成员及管理层：

本周，团队取得了以下核心进展：

- Bob优化了营销活动数据分析流程，并与Alice合作提升了客户管理系统的用户体验。
- Carol完成了营销活动的初步数据分析报告，并参与了客户管理系统的界面设计工作。
- Alice完成了客户管理系统新功能开发，并协助解决了内部数据库性能问题。

团队克服多重挑战，实现了以下关键成果：

- 营销活动数据分析流程显著优化，报告准确性与时效性双双提升。
- 客户管理系统用户体验改进，界面设计更符合用户习惯。
- 新增系统功能将强化客户服务能力，数据库性能问题得到有效解决。

下周重点计划安排：

- Bob将启动新的市场调研项目。
- Carol继续完善数据分析报告，并着手制作调研问卷。
- Alice准备客户培训材料，以进一步提升客户满意度。

感谢各位的辛勤付出与卓越贡献。期待下周更多突破！

设计思路

整个自动化流程精炼为三个步骤：

1. 采集各团队成员或部门的周报原始信息；

2. 交由大模型完成智能整合与结构化处理；

3. 将最终版周报通过邮件自动发送给相关人员。

实现过程

本实现基于 crewAI 框架编排整个工作流。基础环境搭建细节见上一篇《跟着我的步骤，轻松打造出 AI 智能体》，篇幅所限，此处只贴出最核心的代码。

核心代码

@CrewBase
class WeeklyReportAssistantCrew():
    """WeeklyReportAssistant crew"""
    agents_config = 'config/agents.yaml'
    tasks_config = 'config/tasks.yaml'

    @agent
    def writer(self) -> Agent:
        return Agent(
            config=self.agents_config['writer'],
            tools=[send_email_tool],
            verbose=True,
            llm=llm,
            function_calling_llm=function_calling_llm,
            allow_delegation=True
        )

    @task
    def writer_task(self) -> Task:
        return Task(
            config=self.tasks_config['writer_task'],
            agent=self.writer(),
            output_file='mail.md'
        )

    @crew
    def crew(self) -> Crew:
        """Creates the WeeklyReportAssistant crew"""
        return Crew(
            agents=self.agents,  # Automatically created by the @agent decorator
            tasks=self.tasks,    # Automatically created by the @task decorator
            verbose=2,
            manager_llm=function_calling_llm,
            # process=Process.hierarchical, # 如果场景需要层级管理，可切换
        )

agents.yaml

writer:
  role: >
    周报整理专员
  goal: >
    提升团队周报整理效率，确保所有成员周报按时提交并实现规范化整合。
  backstory: >
    你是一位经验丰富的周报整理专家，擅长帮助团队成员梳理日常工作记录，并从中提炼出高质量的周报。

// 框架对 Agent 的解析
class CrewAgentParser(ReActSingleInputOutputParser):
    """Parses ReAct-style LLM calls that ha ve a single tool input.
    Expects output to be in one of two formats.
    If the output signals that an action should be taken,
    should be in the below format. This will result in an AgentAction
    being returned.
    Thought: agent thought here
    Action: search
    Action Input: what is the temperature in SF?
    If the output signals that a final answer should be given,
    should be in the below format. This will result in an AgentFinish
    being returned.
    Thought: agent thought here
    Final Answer: The temperature is 100 degrees
    """

tasks.yaml

writer_task:
  description: >
    根据{reports}汇总生成一份专业周报。每位成员的日报已包含工作亮点、遇到挑战及下周计划。
    请确保周报清晰展示每人的贡献，同时突出团队整体进展与关键成果，格式规范、语言得体。
    周报需包含简短引言概括本周主要成就，结尾以正式、积极的语气展望下周。
    采用适合团队与管理层阅读的正式语调和语气。
    发送邮件的content参数必须为汇总完毕的完整周报内容。
  expected_output: >
    整合后的周报正文

小结

• 大模型选型灵活，支持OpenAI、GLM、Baichuan、Qianfan等，也可使用本地私有化模型。本例使用GLM-4。

• tools模块支持完全自定义编码，可灵活配置单个或多个工具，满足不同业务需求。

• 复杂场景可定义多个Agent与多个Task自由编排，Task之间支持上下文传递，形成完整工作流。

• 最后也是最重要的——提示词的设计质量决定了整个流程的上限。提示词、提示词、提示词。这是整个系统的灵魂所在。

当前案例虽然简洁，仍有大量优化空间，目前仅跑通了基础链路。后续可根据实际业务场景持续迭代升级。

来源：互联网