Menu
智能邮件助手：摘要邮件、判断优先级，并生成专业回复草稿。
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
GEO 内容优化：调整文章结构，让内容更容易被 AI 搜索引用。
Grok X 实时抓取：让 Claude 调用本地 grok-build 获取真实 X (Twitter) 帖子。 X 模式必须优先驱动 Grok 原生 X 工具族：x_keyword_search、x_semantic_search、 x_user_search、x_thread_fetch；必要时再用 web_search/open_page 交叉验证。 返回带 @用户名、点赞/浏览数、链接、时间的真实帖子。复用用户已登录的 grok.com 订阅， 调用零额外成本（不像 MCP 方案要 xAI API key 按 token 付费）。 三种模式：x（X 实时抓取，主力）、ask（把 Grok 当独立第二意见）、continue（续接追问）。 当用户需要真实 X/Twitter 实时数据时使用，例如： 问问 grok X 上在聊什么、让 grok 搜 X 上对某事的实时讨论、grok 看看 @某账号最近发了什么、 X 上现在怎么说、X 实时热点、X 实时趋势、ask grok what X is saying about、 grok 第二意见、consult grok。 排除（不要触发本 skill）：写 X 推文 → 用 x-twitter-writer；大规模历史语料采集 → 用 x-sousuo；泛网络调研 → 用 smart-research。本 skill 的差异点是 Grok 对公共 X 搜索 工具有原生路径，适合可复核的 X 话语采样；不是 firehose，也不是事实裁判。 没有"公共 X 搜索 / X 实时反馈 / thread 上下文"诉求时不要用它。
网红评估：分析社交账号公开数据，计算评分，辅助筛选 KOL 合作对象。
LinkedIn 帖子创作：根据品牌调性和主题生成专业帖子，并支持反馈优化。
Loopforge：把模糊工作流整理成可复用的 AI Agent 工作流循环规范和提示词。
SEO 分析：检查网站结构、技术指标和内容质量，输出搜索优化建议。
| name | email-assistant |
| description | 智能邮件助手：摘要邮件、判断优先级，并生成专业回复草稿。 |
分析邮件内容，生成摘要，判断优先级和是否需要回复，并生成专业的回复草稿。
当用户说以下内容时启动此技能：
此技能支持 RAG（检索增强生成）知识库，提升回复质量：
| 功能 | 说明 |
|---|---|
| 知识库初始化 | 创建结构化的知识库目录 |
| 文档管理 | 添加/更新/删除知识库文档 |
| 智能检索 | 根据邮件内容检索相关信息 |
| 上下文注入 | 将检索结果融入回复生成 |
┌─────────────────────┐
│ 输入邮件内容 │
│ (粘贴/文件) │
└──────────┬──────────┘
│
▼
┌─────────────────────┐
│ 邮件内容解析 │
│ 提取关键信息 │
└──────────┬──────────┘
│
▼
┌─────────────────────┐
│ 生成邮件摘要 │
│ (一句话概括) │
└──────────┬──────────┘
│
▼
┌─────────────────────┐
│ 邮件分类判断 │
│ 优先级/是否需回复 │
└──────────┬──────────┘
│
┌─────┴─────┐
│ │
▼ ▼
┌─────────┐ ┌─────────┐
│ 需要回复 │ │ 无需回复 │
└────┬────┘ │ 标记完成 │
│ └─────────┘
▼
┌─────────────────────┐
│ RAG 知识库检索 │
│ (获取相关上下文) │
└──────────┬──────────┘
│
▼
┌─────────────────────┐
│ 生成回复草稿 │
│ (结合知识库) │
└──────────┬──────────┘
│
▼
┌─────────────────────┐
│ 回复质量审核 │
│ 优化后输出 │
└─────────────────────┘
方式 A - 直接粘贴：
用户: 帮我回这封邮件：
---
From: client@company.com
Subject: 关于Q1项目进度
...邮件内容...
方式 B - 文件读取：
用户: 帮我分析这封邮件 /path/to/email.txt
提取以下信息：
{
"from": "发件人邮箱",
"from_name": "发件人姓名",
"to": "收件人",
"subject": "邮件主题",
"date": "发送时间",
"body": "邮件正文",
"attachments": ["附件列表"],
"thread_context": "是否是回复/转发"
}
摘要提示词：
请用一句话概括这封邮件的核心内容：
【邮件主题】{subject}
【发件人】{from}
【邮件正文】
{body}
要求：
1. 不超过50字
2. 突出关键信息（时间、金额、请求等）
3. 使用陈述句
示例：
- "客户询问Q1项目进度并要求本周五前提交报告"
- "供应商通知下月起涨价15%，需确认是否续约"
- "HR提醒年假剩余5天，12月31日前需用完"
分类维度：
| 维度 | 选项 |
|---|---|
| 类型 | 询问/通知/请求/投诉/商务/个人/垃圾 |
| 优先级 | 🔴紧急/🟡重要/🟢普通/⚪可忽略 |
| 是否需回复 | 是/否 |
| 建议回复时间 | 立即/今天内/本周内/不急 |
| 情绪 | 积极/中性/消极/紧迫 |
分类提示词：
分析这封邮件并分类：
【邮件摘要】{summary}
【邮件正文】{body}
输出 JSON 格式：
{
"type": "询问|通知|请求|投诉|商务|个人|垃圾",
"priority": "urgent|important|normal|low",
"needs_reply": true|false,
"reply_deadline": "立即|今天|本周|不急",
"sender_emotion": "positive|neutral|negative|urgent",
"key_asks": ["具体请求1", "具体请求2"],
"reasoning": "分类理由"
}
如果配置了知识库，在生成回复前检索相关信息：
知识库配置：
知识库目录: ~/.claude/cache/email-assistant/knowledge-base/
支持的文档格式：
.md - Markdown 文档.txt - 纯文本文档.pdf - PDF 文档（需 pdf-document 技能支持）.docx - Word 文档知识库初始化：
首次使用时，用户可添加以下类型文档到知识库：
检索流程：
1. 解析邮件关键词和主题
2. 在知识库中搜索相关文档
3. 提取最相关的 3-5 个片段
4. 将相关信息注入回复生成提示词
检索提示词：
根据邮件内容，请从以下知识库片段中找出与回复相关的信息：
【邮件主题】{subject}
【关键请求】{key_asks}
【知识库片段】
{knowledge_snippets}
请提取：
1. 直接相关的信息点
2. 可引用的标准回复语
3. 相关政策或流程
如果 needs_reply = true，结合知识库生成回复：
回复生成提示词：
请根据以下邮件生成专业的回复：
【原邮件】
发件人: {from}
主题: {subject}
正文: {body}
【邮件分析】
类型: {type}
关键请求: {key_asks}
发件人情绪: {sender_emotion}
【知识库参考】(如有)
{relevant_knowledge}
【回复要求】
1. 专业但不冷冰冰
2. 直接回应每个请求
3. 如无法满足，给出替代方案
4. 结尾有明确下一步
5. 长度适中（100-200字）
6. 如有知识库信息，准确引用
【我的角色】
{user_context} (如：产品经理、销售、客服等)
请生成回复，不需要写主题行。
生成后进行自我审核：
请审核这封回复邮件：
【原邮件关键请求】
{key_asks}
【回复草稿】
{draft_reply}
审核维度：
1. 是否回应了所有请求？
2. 语气是否合适？
3. 是否有明确的下一步？
4. 是否有遗漏或歧义？
输出：
{
"score": 8.5,
"issues": ["未明确回复第二个问题"],
"suggestions": ["加入对时间节点的确认"]
}
如果分数 < 8，优化后再输出。
完整输出格式：
# 邮件分析报告
## 📧 邮件概览
| 项目 | 内容 |
|------|------|
| 发件人 | {from_name} <{from}> |
| 主题 | {subject} |
| 时间 | {date} |
| 类型 | {type} |
| 优先级 | {priority_emoji} {priority} |
## 📝 一句话摘要
> {summary}
## 🏷️ 分类分析
- **是否需回复**: {needs_reply}
- **建议回复时间**: {reply_deadline}
- **发件人情绪**: {sender_emotion}
- **关键请求**:
1. {key_ask_1}
2. {key_ask_2}
---
## ✉️ 建议回复
**主题**: Re: {subject}
---
{draft_reply}
---
## 💡 回复建议
- 质量评分: {score}/10
- 注意事项: {notes}
---
*由 Claude Code email-assistant 技能生成*
用户: 帮我回这封邮件：
From: li.ming@client.com
Subject: 关于下周演示的确认
王总您好，
我们计划下周三下午2点在贵司进行产品演示，
请问会议室和投影设备是否已经准备好？
另外，参会人员名单能否提前发给我们？
谢谢！
李明
Claude:
📝 摘要: 客户确认下周三演示安排，需确认会议室和参会名单
🏷️ 分类: 请求 | 🟡重要 | 需今天回复
✉️ 建议回复:
李明您好，
感谢确认！下周三下午2点的演示安排已就绪：
1. 会议室：已预定3楼大会议室
2. 设备：投影仪和视频会议系统均已测试
3. 参会名单：我方将有产品、技术、商务共5人参加，
名单今天下班前发您
如有其他需要，请随时联系。
祝好
用户: 帮我分析这5封邮件，告诉我哪些需要优先处理
Claude:
[分析5封邮件，输出优先级排序]
用户: 帮我以客服身份回复这封投诉邮件
Claude:
[生成客服风格的道歉+解决方案回复]
{name}您好，
邮件已收到，感谢告知。
{具体回应}
如有问题，随时联系。
祝好
{name}您好，
感谢您的邮件。
关于{具体事项}，我需要与{相关方}确认后回复您，
预计{时间}前给您答复。
如有紧急情况，可直接电话联系我。
祝好
{name}您好，
感谢您的{请求/邀请/提议}。
经过慎重考虑，{拒绝理由}，因此这次无法{具体事项}。
{替代方案，如有}
感谢理解，期待未来有合作机会。
祝好
{name}您好，
想跟进一下{具体事项}的进展。
上次沟通是在{日期}，您提到{上次结论}。
请问目前进展如何？是否需要我这边配合什么？
期待您的回复。
祝好
~/.claude/cache/email-assistant/{YYYYMMDD}-{subject-slug}.md~/.claude/cache/email-assistant/knowledge-base/用户: 初始化邮件知识库
Claude:
1. 创建知识库目录
2. 添加示例文档结构
3. 提示用户添加自己的文档
用户: 把这个FAQ文档加入知识库 /path/to/faq.md
Claude:
1. 读取文档内容
2. 复制到知识库目录
3. 索引文档关键信息
4. 确认添加成功
~/.claude/cache/email-assistant/knowledge-base/
├── company/ # 公司信息
│ ├── about.md
│ └── products.md
├── faq/ # 常见问题
│ ├── general.md
│ └── technical.md
├── policies/ # 政策文档
│ ├── refund.md
│ └── privacy.md
├── templates/ # 回复模板
│ └── common-replies.md
└── history/ # 历史优秀回复
└── examples.md