科研日常里，期刊返修、会议通知、期刊审稿等等邮件层层堆叠，光靠个人逐封阅读早已应付不来。本文记录一套作者真实落地的解决方案：用腾讯云上一台 4 核 4G 的轻量服务器跑 Hermes Agent，挂上 SkillHub 现成的 email-automation 邮件插件，再接蓝耘元生代 MaaS 的 qwen3.7-plus 大模型，实现"自动收邮件 → AI 摘要 → 紧急程度分级 → 辅助批量回信"的全链路自动化。整套架构无需训练任何模型，开箱即用，日均 API 成本不到 2 元。

一、引言

作为一名计算机专业在读科研人员，我的日常几乎被邮件"淹没"：期刊返修意见、会议截稿/录用通知、课题组事务、导师批注、合作单位对接……每封都可能藏着 deadline 或关键决策。升学申请季更夸张——为了联系博导，我现在每天需要向多位老师发送自荐邮件，自荐邮件群发是一种相当不真诚且不礼貌的行为，我需要根据老师的姓名和研究方向给每位老师单独发送邮件，同时还要追踪每位的回复、跟进节奏。邮箱从"通讯工具"变成了"信息黑洞"，人工逐条阅读、归纳、排序的时间成本已经压到了科研本身上。

这背后其实是科研人群三类强刚需：

1. 自动收取：不打开邮箱客户端，也能定时把新邮件拉到统一入口；
2. AI 内容摘要 + 优先级分级：把长邮件压成一句话，并标注"紧急 / 重要 / 一般"，避免错过 deadline；
3. 批量学术邮件对接：升学季海投导师时，能基于模板批量生成规范的 touch 邮件。

单靠传统邮件客户端的"未读排序"根本解决不了"内容理解"和"批量回复"这两个核心痛点，而自研一套带 NLP 能力的系统又门槛过高。最终我选择了一条"组合拳"路线——Agent 智能体（Hermes）+ 大模型服务（蓝耘 MaaS）+ 邮件能力插件（email-automation Skill），三者各司其职，依托腾讯云轻量服务器部署，无需搭建复杂深度学习环境。本文即这套方案从架构到落地的完整复盘。

---

二、系统整体架构与模块分工设计

2.1 整体设计思想

整套系统的核心理念是"能力分层、各取所长"：

• 底层算力 / 模型能力交给蓝耘 MaaS，按需调用、按量计费；
• 调度中枢交给 Hermes Agent，它负责承接外部请求、管理模型通道、串联 Skill、对外提供对话与定时任务入口；
• 领域能力交给 SkillHub 里的 email-automation 插件，实现邮件收发。

三者通过 HTTP/OpenAI 兼容协议轻松耦合，部署在一台 4 核 4G 的腾讯云轻量服务器上即可跑通，整体架构如下图所示：

2.2 三大组件

（1）蓝耘 MaaS：底层大模型推理引擎

蓝耘元生代 MaaS 平台提供 OpenAI 兼容的标准 API，是整套系统"懂邮件"的能力来源。在本方案中它承担四件事：

• 邮件正文理解：解析长邮件、HTML 邮件，识别发件人意图；
• 内容提炼：把一封几百上千字的邮件压成一句话摘要；
• 优先级判定：根据 deadline、是否需回复、情绪基调等给出"高 / 中 / 低"分级，汇总每日邮件生成日报；
• 批量发送邮件：升学季批量自动化发送联系导师的 touch 邮件。

调用方式就是标准的 POST {base_url}/chat/completions，无需额外模型部署与显存管理。本方案选用 qwen3.7-plus（通义千问旗舰，128K 上下文，中英文摘要能力突出）作为默认摘要模型。

（2）Hermes Agent：智能体调度中枢

Hermes Agent 是 Nous Research 开源的现象级 Agent 框架（GitHub 15 万+ Stars）。在本方案里它不是"另一个 ChatBot"，而是整个系统的编排大脑，由腾讯云轻量服务器提供 Hermes Agent 应用模板，一键部署。

• 承接外部请求：用户发"查看今日邮件摘要"，由 Hermes 解析意图；
• 管理模型调用通道：把推理请求路由到蓝耘 MaaS 的 qwen3.7-plus；
• 串联 Skill 插件：调度 email-automation 完成收发；
• 提供服务启停与能力编排：内置 Cron 定时任务、消息网关。

（3）email-automation 集成 Skill：底层邮件能力插件

• IMAP 拉取：兼容 QQ / 163 / Gmail / Outlook 等主流邮箱的收件箱选择、邮件搜索、RFC822 解析；
• SMTP 发送：支持授权码登录、HTML 邮件、附件、批量收件人；
• 接口封装：对上层 Agent 暴露统一的"拉取 / 发送 / 搜索"动作。

对使用者而言，只需提供邮箱地址、授权码、IMAP/SMTP 服务器即可挂载，不必关心 IMAP4 协议细节、MIME 解析、字符集兼容等坑。

---

三、完整实操部署流程

以下流程均已实测通过。

3.1 前期准备

3.1.1 邮箱账号与授权码

开启 IMAP/SMTP 服务并获取授权码（注意：是授权码，不是邮箱登录密码）。各平台要点：

平台	IMAP 服务器	授权码获取	注意事项
QQ 邮箱	imap.qq.com:993	设置 → 账户 → POP3/IMAP/SMTP服务 → 开启 → 短信验证 → 位授权码	云服务器直连无风控，推荐
163 邮箱	imap.163.com:993	设置 → POP3/SMTP/IMAP → 开启 → 授权码	对云服务器 IP 会报 Unsafe Login，需先发 ID 命令做客户端标识
188 邮箱	imap.188.com:993	同 163	风控更严，常被判定"不安全登录"需联系客服
Gmail	imap.gmail.com:993	两步验证 → 应用专用密码	国内服务器需走代理

关键避坑：网易系（163/126/188）邮箱对云服务器 IP 普遍存在风控，登录前必须先发送 RFC 2971 ID 命令做客户端标识，否则 SELECT 收件箱会直接报 Unsafe Login。如果遇到 EXAMINE Unsafe Login. Please contact kefu@188.com for help，根因就是账号侧 IMAP 安全策略拦截，而非密码错误。因此本方案优先选用 QQ 邮箱，云服务器直连无风控。

登陆QQ邮箱网页版，进入设置->点击安全设置->开启服务POP3/IMAP/SMTP服务->获取授权码。

3.1.2 蓝耘 MaaS 平台 API Key 获取

1. 登录 蓝耘元生代智算云，进入控制台；
2. 左侧 MaaS 模型服务 → API 管理 → 创建 API Key；
3. 复制生成的专属 API Key（形如 sk-lmni5z...），妥善保存；
4. 记录 API 地址：https://maas-api.lanyun.net/v1（注意是 maas-api 域名，区别于初始验证用的 api.lanyun.net）。

3.2 腾讯云全流程一键部署实操

3.2.1 一键部署 Hermes Agent 服务

登陆腾讯云控制台，进入已有实例，找到更多操作，点击 重装系统，镜像选择 应用模板 → Hermes Agent：

配置项	选择	说明
实例规格	4 核 4 GB	邮件任务是轻量 IO，无需 GPU
镜像	应用模板 → Hermes Agent

实例创建完成后，复制公网 IP，在控制台点击 远程登录 即可进入网页终端（用户名 ubuntu），全程不需要本地装任何软件。

3.2.2 配置蓝耘 MaaS 模型接口

登陆蓝耘元生代智算云，进入MaaS 平台中的模型广场，选择模型，这里我选择 qwen3.7-plus，点击模型详情可看模型介绍与计费。

随后进入实例控制台->应用管理Hermes Agent（基础配置页），在 模型 添加自定义模型。

把蓝耘 MaaS 接入,配置json源码如下

{
  "provider": "qwen",
  "base_url": "https://maas-api.lanyun.net/v1",
  "api": "openai-completions",
  "api_key": "您的API Key",
  "model": { 
    "id": "qwen3.7-plus", 
    "name": "qwen3.7-plus" 
  }
}

配置完成后点 添加为默认，将该模型设为 Agent 的默认模型。同时完成 QQ 通道授权接入（消息网关 → 微信/QQ → 授权接入），测试模型可用性。QQ 机器人授权的具体步骤如下：首先登录或绑定 QQ 机器人账号，完成扫码、验证或授权流程；随后设置机器人允许响应的范围（如指定群聊或好友），最后保存配置并重启相关服务，即可在 QQ 中与 Agent 对话触发邮件摘要与批量发信。

3.2.3 集成 Skill：email-automation 邮件自动化插件

在 Hermes 控制台右侧 技能 (Skills) 面板，搜索 email-automation，一键安装后，进入Lighthouse Agent 完成 Skill 挂载与参数配置。

我们直接通过内置的 Lighthouse Agent 进行自然语言交互式的 Skill 挂载配置。

3.2.4 调用演示

部署完成后，通过 Hermes 的对话入口或直接调用服务 API 验证整条链路。以下为本人服务器上的真实返回结果（拉取最近 3 封邮件）：

curl -s -m 180 -X POST http://localhost:5001/api/fetch-and-summarize \
  -H "Content-Type: application/json" \
  -d '{"limit": 3}'

返回结果

这正是蓝耘 MaaS qwen3.7-plus 在后台做的三件事的真实体现：

1. 内容摘要：把 GitHub 验证邮件压成一句话，并准确提取出验证码 303933；
2. 优先级分级：daily_report 中自动给出 [High] / [Medium] / [Low] 三级标注——GitHub 异地登录验证被判定为最高优先级（安全相关且有时效），ServerPilot 脚本进度为中等，群晖营销邮件为低；
3. 日报聚合：把三封摘要合并成一份按重要性排序的每日报告。

在 Lighthouse Agent通道里直接对 Agent 说"查看最近十条邮件"即可触发同样流程并收到推送，无需手动 curl。

每天自动执行，需要在 Lighthouse Agent 对话框底部点击进入定时任务，设置定时计划（如每天早 9:00 自动拉取邮件并生成摘要日报）。

定时任务（这里测试可用性，时间为当前测试时间）触发后，Agent 会自动拉取邮件并生成摘要，执行结果可在 Agent 对话中查看：

同时，Agent 会自动将日报推送到 QQ：

收件侧的 “拉取 → 摘要 → 定时推送” 链路全部调试通之后，email-automation 插件还内置了 SMTP 邮件发送能力，这一能力在升学申请季批量联系多位意向导师、批量投递套磁邮件时起到了至关重要的作用。使用时只需提前准备好邮件模板文件与收件人清单：模板内通过{{姓名}}设置变量占位符，收件人列表采用email,姓名的标准格式批量导入即可，具体配置可参考：

Agent 自动把自荐信模板（含 {{姓名}} 变量）写入 /home/ubuntu/推免自荐信模板.txt，并按 email,姓名 格式整理出张、李、王三位老师的收件人列表。首批执行时并不顺利——脚本运行报缺 pandas 依赖，uv pip install pandas --system 又因为 Hermes 用的是 venv 里的 Python 3.11、而 pip 装到了系统 Python 3.12 而失败。Agent 果断切换思路，放弃 pandas，直接用 Python 标准库 csv / json / smtplib / base64 读取 CSV、登录 SMTP、批量投递，最终 3 封邮件全部发送成功。

但我发现发送的邮件忘记带最重要的"个人简历"附件，随后上传 个人简历.pdf 让 Agent 补发带附件版本，它再次调用同一脚本，给每位老师都附上了简历并返回了清晰的投递结果表。

美中不足的是，附件文件名在收件方客户端显示成了"未命名.pdf"，Agent 这回用 RFC 2231 编码 处理中文附件名（确保显示为"XX_个人简历.pdf"而非"未命名.pdf"），并按要求重命名主题后重新发送，3 封全部成功。

我是用自己的邮箱进行测试，测试结果显示每个邮箱都正常同时收到了 QQ 邮箱发来的邮件：

整个过程完全是自然语言驱动，从写模板、排错、加附件、修编码到重发，全部由 Agent 自主完成，我只负责提需求和确认结果。

---

四、项目落地价值

4.1 自动化便捷度

这套方案把科研人日常最耗时的三个邮件动作一次性自动化，最大优势是无需自己完成算法训练和部署深度学习框架，全部基于 OpenAI 兼容 API 与现成 Skill，开箱即用。

动作	人工耗时（原）	现状	价值
逐封读邮件、提炼要点	每封 1–3 分钟	AI 一句话摘要，扫一眼即可	日均省 30–60 分钟
判断哪封先处理	靠记忆与标题猜	自动 [High/Medium/Low] 分级	不再漏 deadline
升学季批量联系导师	逐封手写、易遗漏	基于模板批量生成规范 touch 邮件，并自动跟踪回复	海投效率提升 5–10 倍

定时任务每天早 9:00 自动汇总日报推送到 Lighthouse Agent，不打开邮箱客户端也能掌握全局。升学季场景下，还能批量发送自荐邮件联系老师，大幅降低重复劳动。

4.2 资金成本

下面是部署这套系统后真实产生的蓝耘 MaaS 账单（截图来自蓝耘元生代控制台 → 账单详情 → MaaS）：

账单里全部是模型 qwen3.7-plus 的"按 token 量计费"条目，
| 合计 | 1,522,563 tokens | 1.55 元 |

以一名中等邮件量用户（日均 50 封）估算蓝耘 MaaS 调用成本：

环节	单封 Token	日均总量	月均总量
输入（邮件正文）	~750 tokens	37,500 tokens	1,125,000 tokens
输出（摘要结果）	~150 tokens	7,500 tokens	225,000 tokens

理论月 Token 消耗约 135 万。

蓝耘 MaaS 的按 token 量计费和智能路由是关键，且统一网关自带负载均衡与故障转移。

4.3 总结

这套"蓝耘 MaaS + Hermes Agent 实现的邮箱全自动收发与智能摘要系统"，对科研人群而言，它直接解决了"邮件过载"和"升学季批量接触导师"两个高频痛点；而其可复制性更强——把 email-automation 换成别的 Skill，同样的架构就能迁移到论文追踪、会议日程、文献管理等任意科研场景。蓝耘元生代 MaaS 提供的低价、高可用大模型推理，正是让这类"个人 AI 助手"从演示走向日常的关键基础设施。