E-Mail-Agent: E-Mails mit KI verarbeiten

IRC-Mania Die Seite rund um Sicherheit und Programmierung

Internet, Sicherheit , Internet Relay Chat

Gesponsert

Was dieser Artikel über E-Mail-Agenten behandelt

• Was ein E-Mail-Agent ist und wie er funktioniert.
• Wie der Agent E-Mails klassifiziert, beantwortet und weiterleitet.
• Wie Du den Agenten mit Tools und Kontext ausstattest.
• Praxisbeispiele für Support, Vertrieb, Verwaltung und Benachrichtigungen.
• Best Practices für Datenschutz, Genauigkeit und menschliche Kontrolle.

Einleitung: E-Mail-Agent verständlich erklärt

Ein E-Mail-Agent ist ein KI-Agent, der E-Mails autonom verarbeitet: Er liest, versteht, klassifiziert und handelt. Nicht nur „E-Mail empfangen”, sondern „E-Mail verstehen und darauf reagieren”, antworten, weiterleiten, archivieren oder eskalieren.

Dieser Artikel richtet sich an Anwender, die KI-Agenten für E-Mail-Verarbeitung bauen wollen. Grundlagen findest Du in KI-Agenten und E-Mail-Automatisierung.

Warum brauche ich einen E-Mail-Agenten?

Stell Dir vor, Du bekommst täglich 200 E-Mails: Support-Anfragen, Vertriebsleads, Newsletter, Spam. Ein klassischer Filter sortiert nach Regeln. Ein E-Mail-Agent: „Das ist eine Support-Anfrage zu Produkt X, dringend, Kunde ist frustriert → an Support-Team, Priorität hoch, Entwurf einer Antwort.” Der Agent versteht und handelt.

E-Mail-Agent kurz erklärt

E-Mail → Agent analysiert (LLM) → Tools aufrufen (klassifizieren, antworten, weiterleiten) → Aktion ausführen. Mit RAG für Kontext, mit menschlicher Freigabe für kritische Antworten.

Der Kerngedanke lautet: Nicht nur sortieren, sondern verstehen und handeln.

Für wen ist dieser Artikel gedacht?

• Support-Teams, die E-Mails automatisieren.
• Vertrieb, der Leads qualifiziert.
• Unternehmen, die E-Mail-Volumen reduzieren.
• Entwickler, die E-Mail-Agenten bauen.

Wichtige Begriffe

• KI-Agent - Autonomer Akteur. Wann nützlich: das Konzept.
• Tool-Calling - Werkzeuge aufrufen. Wann nützlich: für Aktionen.
• Ollama - Lokaler Modellserver. Wann nützlich: das Backend.
• RAG - Wissensdatenbank. Wann nützlich: für Antworten.
• n8n - Workflow-Tool. Wann nützlich: für Orchestrierung.
• Menschliche Freigabe - Sicherheit. Wann nützlich: für kritische Antworten.

Architektur

E-Mail kommt rein (IMAP/SMTP)
    │
    ▼
E-Mail-Agent (Ollama + Tools)
    │
    ├─ Beobachten: E-Mail lesen
    ├─ Verstehen: Was will der Absender?
    ├─ Planen: Klassifizieren? Antworten? Weiterleiten?
    ├─ Handeln: Tools aufrufen
    │   ├─ classify: Kategorisieren
    │   ├─ extract_data: Metadaten
    │   ├─ draft_reply: Antwort entwerfen
    │   ├─ forward: Weiterleiten
    │   ├─ archive: Archivieren
    │   └─ escalate: Eskalieren
    └─ Prüfen: Hat es funktioniert?
    │
    ▼
Aktionen
    ├─ Antwort senden (nach Freigabe)
    ├─ An Team weiterleiten
    ├─ In Ordner archivieren
    └─ Ticket erstellen

Praxisbeispiel 1: Support-E-Mail-Agent

class SupportEmailAgent:
    """Agent für Support-E-Mails"""

    async def process(self, email):
        """Support-E-Mail verarbeiten"""
        # 1. Klassifizieren
        category = await self.classify(email)

        # 2. Dringlichkeit prüfen
        urgency = await self.check_urgency(email)

        # 3. Antwort entwerfen
        if category == "technical_issue":
            draft = await self.draft_technical_reply(email)
        elif category == "billing":
            draft = await self.draft_billing_reply(email)
        else:
            draft = await self.draft_general_reply(email)

        # 4. Routing
        if urgency == "high":
            await self.escalate(email, draft)
        else:
            await self.queue_for_review(email, draft)

        return {"category": category, "urgency": urgency, "draft": draft}

Praxisbeispiel 2: Lead-Qualifizierung

class LeadAgent:
    """Agent für Vertriebs-Leads"""

    async def qualify(self, email):
        """Lead qualifizieren"""
        analysis = await ollama.generate(f"""
Analysiere diese Vertriebs-E-Mail:
{email['body']}

Antworte als JSON:
{{"interest": "high|medium|low",
 "budget": "...",
 "timeline": "...",
 "decision_maker": true|false,
 "company_size": "...",
 "recommendation": "call|email|nurture|ignore"}}""", format="json")

        lead = json.loads(analysis)

        if lead["recommendation"] == "call":
            await self.schedule_call(email, lead)
        elif lead["recommendation"] == "email":
            await self.send_followup(email, lead)

        return lead

Praxisbeispiel 3: Automatische Antwort mit RAG

class AutoReplyAgent:
    """Agent für automatische Antworten"""

    def __init__(self):
        self.kb = KnowledgeBase()

    async def reply(self, email):
        """Auf E-Mail antworten"""
        # RAG: Relevante Informationen suchen
        context = await self.kb.search(email['subject'] + " " + email['body'])

        # Antwort generieren
        draft = await ollama.generate(f"""
Beantworte diese E-Mail basierend auf der Wissensdatenbank.
Kontext: {context}
E-Mail: {email['body']}

Schreibe eine hilfreiche, professionelle Antwort.
Wenn Du die Antwort nicht weißt, schlage eine Eskalation vor.""")

        return draft

Tools für E-Mail-Agenten

tools = [
    {
        "name": "classify_email",
        "description": "E-Mail klassifizieren (support, sales, spam, ...)",
        "function": classify_email
    },
    {
        "name": "extract_contact",
        "description": "Kontaktdaten extrahieren",
        "function": extract_contact
    },
    {
        "name": "draft_reply",
        "description": "Antwort entwerfen",
        "function": draft_reply
    },
    {
        "name": "forward_email",
        "description": "E-Mail weiterleiten",
        "function": forward_email
    },
    {
        "name": "create_ticket",
        "description": "Ticket im System erstellen",
        "function": create_ticket
    },
    {
        "name": "search_knowledge_base",
        "description": "Wissensdatenbank durchsuchen",
        "function": search_knowledge_base
    }
]

Sicherheitshinweise

• E-Mail-Inhalte: Alle Daten bleiben lokal. Siehe Datenschutz.
• Automatische Antworten: Kritische Antworten sollten von Menschen geprüft werden. Siehe Menschliche Freigabe.
• Prompt Injection: E-Mails können Injections enthalten. Siehe Prompt Injection.
• Phishing: Agent sollte Phishing-E-Mails erkennen und nicht darauf antworten.
• Berechtigungen: Agent sollte nur nötige Berechtigungen haben. Siehe Tool-Berechtigungen.

Typische Stolpersteine

• Zu automatisiert: Nicht alle E-Mails sollten automatisch beantwortet werden. Kritische brauchen Freigabe.
• Falsche Klassifikation: KI kann falsch klassifizieren. Für kritische E-Mails prüfen.
• Kontext fehlt: Agent braucht Kontext (Kundenhistorie, Wissensdatenbank) für gute Antworten.
• Spam-Filter umgehen: Agent sollte Spam erkennen, nicht darauf antworten.
• Tone falsch: KI-Antworten können unpersönlich wirken. Prompts anpassen.

Weiterführende Links

• KI-Agenten - Grundlagen.
• E-Mail-Automatisierung - Workflow-Version.
• Kundenservice-Automatisierung - Support.
• Lokales RAG - Wissensdatenbank.
• Menschliche Freigabe - Sicherheit.
• Ollama - Modellserver.

Key Takeaways:

• E-Mail-Agent: Liest, versteht, klassifiziert, handelt, autonom.
• Tools: classify, extract_contact, draft_reply, forward, create_ticket, search_kb.
• Für Support, Vertrieb, Verwaltung, Benachrichtigungen.
• Kritische Antworten brauchen menschliche Freigabe.
• Lokal mit Ollama: alle E-Mails bleiben privat.

FAQ

Quellen und weiterführende Literatur

• Ollama - Lokaler Modellserver.
• n8n E-Mail - E-Mail-Node.
• LangChain Agents - Agenten-Konzepte.

Premium VPS Hosting

Schnelle und sichere VPS Server

Gesponsert