墨语灵犀自动化办公实战Python脚本批量处理文档与邮件你是不是也经常被这些重复性的办公任务搞得焦头烂额每天要打开几十个Excel表格手动汇总数据写报告收到一堆格式五花八门的Word文档得一个个调整格式、提取关键信息邮箱里塞满了各种邮件光是分类和回复就要花掉大半天时间。这些工作不仅枯燥还特别容易出错。今天我就来分享一套结合“墨语灵犀”大模型和Python脚本的自动化办公方案让你彻底告别这些繁琐的手工操作。这套方案的核心思路很简单让Python负责“动手”读取文件、调用接口让墨语灵犀负责“动脑”理解内容、生成文本两者结合效率直接起飞。接下来我会通过三个具体的实战案例手把手带你搭建这套自动化系统。你会发现原来那些让人头疼的办公任务现在只需要运行一个脚本就能轻松搞定。1. 案例一自动读取Excel并生成分析报告摘要想象一下这个场景每周一早上你都要打开销售部门发来的十几个Excel文件手动计算本周的销售额、增长率、Top 10产品然后把这些数据整理成一份分析报告摘要发给老板。这个过程至少要花掉你两个小时。现在我们可以用Python脚本自动完成这一切。1.1 准备工作与环境搭建首先你需要安装几个必要的Python库。打开你的命令行工具输入以下命令pip install pandas openpyxl requestspandas用来读取和处理Excel数据的神器。openpyxl专门处理.xlsx格式的Excel文件。requests用来和墨语灵犀的API进行通信。假设你已经部署好了墨语灵犀服务并且知道它的API地址比如http://localhost:8000/v1/chat/completions和API密钥。如果没有你需要先完成部署这部分网上有很多教程这里就不展开了。1.2 编写数据读取与处理脚本我们先写一个脚本来读取Excel文件。假设我们有一个名为weekly_sales.xlsx的文件里面有一个叫SalesData的工作表。import pandas as pd import requests import json # 1. 读取Excel文件 def read_excel_data(file_path, sheet_nameSalesData): 读取指定Excel文件和工作表的数据。 try: df pd.read_excel(file_path, sheet_namesheet_name) print(f成功读取文件: {file_path}) print(f数据形状: {df.shape}) # 显示行数和列数 return df except Exception as e: print(f读取文件时出错: {e}) return None # 2. 对数据进行简单的统计分析 def analyze_sales_data(df): 对销售数据进行基础分析生成统计字符串。 if df is None or df.empty: return 数据为空无法进行分析。 # 确保必要的列存在 required_columns [产品, 销售额, 日期] for col in required_columns: if col not in df.columns: return f数据中缺少必要的列: {col} # 进行一些基础计算 total_sales df[销售额].sum() avg_sales df[销售额].mean() top_product df.loc[df[销售额].idxmax(), 产品] sales_by_date df.groupby(日期)[销售额].sum().to_dict() # 将分析结果组织成一段文本 analysis_text f 本周销售数据概览 - 总销售额{total_sales:,.2f} 元 - 平均每单销售额{avg_sales:,.2f} 元 - 最畅销产品{top_product} - 每日销售额趋势{sales_by_date} return analysis_text # 测试读取和分析 if __name__ __main__: file_path weekly_sales.xlsx sales_df read_excel_data(file_path) if sales_df is not None: print(sales_df.head()) # 预览前几行数据 analysis_result analyze_sales_data(sales_df) print(analysis_result)运行这个脚本你应该能看到Excel文件的内容和基本的统计结果。这只是第一步我们得到了结构化的数据摘要。1.3 调用墨语灵犀生成报告摘要接下来是魔法时刻我们把上面生成的analysis_text交给墨语灵犀让它写一份有洞察力的报告摘要。# 3. 调用墨语灵犀API生成分析报告 def generate_report_with_llm(analysis_text, api_url, api_key): 将数据分析文本发送给墨语灵犀让其生成一份正式的报告摘要。 # 构建提示词Prompt prompt f 你是一位专业的商业分析师。请根据以下提供的本周销售数据统计信息撰写一份简洁、专业、有洞察力的销售分析报告摘要。 报告需要面向公司管理层突出关键发现、主要趋势和潜在问题。 数据统计信息如下 {analysis_text} 请生成报告摘要。 # 准备请求数据 headers { Content-Type: application/json, Authorization: fBearer {api_key} } data { model: moyu-lingxi, # 根据你的模型名称调整 messages: [ {role: user, content: prompt} ], temperature: 0.7, # 控制创造性0.7比较平衡 max_tokens: 500 # 生成文本的最大长度 } try: response requests.post(api_url, headersheaders, datajson.dumps(data)) response.raise_for_status() # 检查请求是否成功 result response.json() # 提取生成的报告内容 report_content result[choices][0][message][content] return report_content.strip() except requests.exceptions.RequestException as e: print(fAPI请求失败: {e}) return None except (KeyError, IndexError) as e: print(f解析API响应时出错: {e}) return None # 主函数串联整个流程 def main(): # 你的配置信息 EXCEL_FILE weekly_sales.xlsx API_URL http://localhost:8000/v1/chat/completions # 替换为你的API地址 API_KEY your-api-key-here # 替换为你的API密钥 print(开始自动化销售报告生成流程...) print(- * 50) # 步骤1: 读取数据 df read_excel_data(EXCEL_FILE) if df is None: print(流程终止无法读取数据。) return # 步骤2: 分析数据 print(\n正在分析销售数据...) analysis_text analyze_sales_data(df) print(基础数据分析完成。) # 步骤3: 生成报告 print(\n正在调用墨语灵犀生成报告摘要...) final_report generate_report_with_llm(analysis_text, API_URL, API_KEY) if final_report: print(\n *50) print(生成的销售分析报告摘要) print(*50) print(final_report) print(*50) # 可选将报告保存到文件 with open(weekly_sales_report.txt, w, encodingutf-8) as f: f.write(final_report) print(\n报告已保存至 weekly_sales_report.txt) else: print(报告生成失败。) if __name__ __main__: main()把这个脚本保存为auto_sales_report.py替换里面的API_URL和API_KEY然后运行它。几分钟后一份结构清晰、语言专业的销售分析报告摘要就诞生了。原本需要两小时的工作现在不到一分钟就完成了。2. 案例二批量处理Word文档格式与信息提取第二个常见痛点是处理大量Word文档。比如法务部门发来一堆合同草案格式乱七八糟你需要统一字体、段落间距还要把里面的“甲方”、“乙方”、“合同金额”和“签署日期”这些关键信息摘出来整理成表格。手动操作一份合同就得折腾十几分钟。我们用Python墨语灵犀来批量处理。2.1 使用python-docx处理Word文档首先安装处理Word的库pip install python-docx我们先写一个函数来统一文档格式。假设公司标准格式是标题用黑体三号正文用宋体小四段落行距1.5倍。from docx import Document from docx.shared import Pt, RGBColor from docx.enum.text import WD_ALIGN_PARAGRAPH import os def standardize_word_format(doc_path, output_path): 将Word文档格式标准化。 try: doc Document(doc_path) # 遍历所有段落应用格式 for paragraph in doc.paragraphs: # 根据段落样式判断是否是标题 if paragraph.style.name.startswith(Heading): # 标题格式黑体三号加粗居中 run paragraph.runs[0] if paragraph.runs else paragraph.add_run() run.font.name 黑体 run.font.size Pt(16) # 三号约16磅 run.font.bold True paragraph.alignment WD_ALIGN_PARAGRAPH.CENTER else: # 正文格式宋体小四黑色 for run in paragraph.runs: run.font.name 宋体 run.font.size Pt(12) # 小四约12磅 run.font.color.rgb RGBColor(0, 0, 0) # 黑色 # 设置段落行距为1.5倍 paragraph.paragraph_format.line_spacing 1.5 # 保存标准化后的文档 doc.save(output_path) print(f文档已标准化并保存至: {output_path}) return True except Exception as e: print(f处理文档 {doc_path} 时出错: {e}) return False这个函数能搞定格式统一。接下来我们需要从文档里提取关键信息。单纯用规则提取比如找“甲方”后面的文字在复杂文档里容易出错。这时就该墨语灵犀上场了。2.2 提取文档内容并发送给墨语灵犀我们先从Word里把文字读出来然后让墨语灵犀帮我们识别和提取。def extract_text_from_docx(doc_path): 从Word文档中提取纯文本内容。 try: doc Document(doc_path) full_text [] for para in doc.paragraphs: full_text.append(para.text) return \n.join(full_text) except Exception as e: print(f从 {doc_path} 提取文本时出错: {e}) return def extract_contract_info_with_llm(doc_text, api_url, api_key): 使用墨语灵犀从合同文本中提取结构化信息。 prompt f 你是一位专业的法务助理。请从以下合同文档内容中准确提取以下关键信息 1. 甲方全称 2. 乙方全称 3. 合同总金额包括货币单位 4. 合同签署日期 5. 合同有效期 请以JSON格式返回结果键名使用英文party_a, party_b, total_amount, signing_date, contract_term。 如果某项信息在文中未找到其值设为 null。 合同内容如下 {doc_text} headers { Content-Type: application/json, Authorization: fBearer {api_key} } data { model: moyu-lingxi, messages: [{role: user, content: prompt}], temperature: 0.1, # 提取信息要求准确降低创造性 max_tokens: 300 } try: response requests.post(api_url, headersheaders, jsondata) response.raise_for_status() result response.json() # 尝试解析返回的JSON reply_content result[choices][0][message][content] # 清理回复内容只提取JSON部分模型有时会在JSON外加说明文字 import re json_match re.search(r\{.*\}, reply_content, re.DOTALL) if json_match: json_str json_match.group() import json as json_module info_dict json_module.loads(json_str) return info_dict else: print(未能从回复中解析出JSON。) return None except Exception as e: print(f调用API提取信息时出错: {e}) return None2.3 批量处理整个文件夹的文档现在我们把格式化和信息提取结合起来写一个批量处理的脚本。import os import json def batch_process_word_docs(input_folder, output_folder, api_url, api_key): 批量处理一个文件夹内的所有Word文档。 # 确保输出文件夹存在 os.makedirs(output_folder, exist_okTrue) # 用于保存所有提取的信息 all_contracts_info [] # 遍历输入文件夹中的所有.docx文件 for filename in os.listdir(input_folder): if filename.endswith(.docx): input_path os.path.join(input_folder, filename) output_path os.path.join(output_folder, fstandardized_{filename}) print(f\n正在处理: {filename}) print(- * 30) # 1. 标准化格式 print(步骤1: 标准化文档格式...) format_success standardize_word_format(input_path, output_path) # 2. 提取文本 print(步骤2: 提取文档文本内容...) doc_text extract_text_from_docx(input_path) if not doc_text: print(警告: 文本内容为空跳过信息提取。) continue # 3. 提取关键信息 print(步骤3: 调用墨语灵犀提取关键信息...) contract_info extract_contract_info_with_llm(doc_text, api_url, api_key) if contract_info: contract_info[source_file] filename all_contracts_info.append(contract_info) print(f提取成功: {contract_info}) else: print(信息提取失败。) # 将所有提取的信息保存到一个JSON文件中 if all_contracts_info: info_output_path os.path.join(output_folder, extracted_contract_info.json) with open(info_output_path, w, encodingutf-8) as f: json.dump(all_contracts_info, f, ensure_asciiFalse, indent2) print(f\n所有合同信息已汇总保存至: {info_output_path}) return all_contracts_info # 使用示例 if __name__ __main__: INPUT_FOLDER ./raw_contracts # 存放原始合同的文件夹 OUTPUT_FOLDER ./processed_contracts # 处理后的输出文件夹 API_URL http://localhost:8000/v1/chat/completions API_KEY your-api-key-here print(开始批量处理Word文档...) results batch_process_word_docs(INPUT_FOLDER, OUTPUT_FOLDER, API_URL, API_KEY) print(f\n处理完成共处理了 {len(results)} 份文档。)把这个脚本指向存放合同草案的文件夹运行一下。它会自动完成三件事第一把所有文档的格式统一成公司标准第二从每份合同里提取出关键信息第三把这些信息整理成一个清晰的JSON文件。原本需要一整天的工作现在喝杯咖啡的功夫就搞定了。3. 案例三智能分析邮箱历史邮件并自动处理最后一个场景可能更普遍邮箱管理。每天收到大量邮件有些需要立即回复有些可以稍后处理有些则是订阅的新闻稿。手动分类和回复效率极低。我们来构建一个智能邮件助手。3.1 使用imaplib和email库读取邮件Python标准库里的imaplib和email可以帮我们连接邮箱并读取邮件。这里以IMAP协议为例。import imaplib import email from email.header import decode_header import re def connect_to_mailbox(email_user, email_pass, imap_serverimap.example.com): 连接到IMAP邮箱服务器。 try: mail imaplib.IMAP4_SSL(imap_server) mail.login(email_user, email_pass) print(邮箱登录成功。) return mail except Exception as e: print(f连接邮箱失败: {e}) return None def fetch_recent_emails(mail, mailboxINBOX, num_emails10): 获取最近的邮件。 try: # 选择邮箱文件夹 mail.select(mailbox) # 搜索所有邮件按日期倒序排序最新的在前 status, messages mail.search(None, ALL) if status ! OK: print(搜索邮件失败。) return [] # 获取邮件ID列表 email_ids messages[0].split() # 取最近N封 recent_email_ids email_ids[-num_emails:] if len(email_ids) num_emails else email_ids emails_data [] for e_id in recent_email_ids: # 获取邮件内容 status, msg_data mail.fetch(e_id, (RFC822)) if status ! OK: continue # 解析邮件 raw_email msg_data[0][1] msg email.message_from_bytes(raw_email) # 解码主题 subject, encoding decode_header(msg[Subject])[0] if isinstance(subject, bytes): subject subject.decode(encoding if encoding else utf-8) # 获取发件人 from_ msg.get(From) # 提取纯文本正文 body if msg.is_multipart(): for part in msg.walk(): content_type part.get_content_type() content_disposition str(part.get(Content-Disposition)) # 跳过附件 if attachment in content_disposition: continue if content_type text/plain: # 解码正文 try: body_bytes part.get_payload(decodeTrue) charset part.get_content_charset() or utf-8 body body_bytes.decode(charset, errorsignore) break # 优先取text/plain部分 except: pass else: # 非多部分邮件 content_type msg.get_content_type() if content_type text/plain: try: body_bytes msg.get_payload(decodeTrue) charset msg.get_content_charset() or utf-8 body body_bytes.decode(charset, errorsignore) except: pass # 简单清理正文去除过长引用和签名 cleaned_body clean_email_body(body) emails_data.append({ id: e_id.decode(), subject: subject, from: from_, body_preview: cleaned_body[:500] # 只取前500字符用于分析 }) return emails_data except Exception as e: print(f获取邮件时出错: {e}) return [] def clean_email_body(body): 简单清理邮件正文去除常见的引用块和签名。 if not body: return # 去除以 开头的引用行 lines body.split(\n) cleaned_lines [] for line in lines: stripped line.lstrip() if not stripped.startswith() and not stripped.startswith(On) and wrote: not in line: cleaned_lines.append(line) cleaned \n.join(cleaned_lines) # 截取到常见签名分隔符 for marker in [--, ___, Best regards, Thanks, 签名]: if marker in cleaned: cleaned cleaned.split(marker)[0] return cleaned.strip()这段代码能帮你把最近10封邮件的关键信息主题、发件人、正文预览提取出来。接下来我们让墨语灵犀当你的邮件秘书。3.2 使用墨语灵犀进行邮件分类与回复草稿生成我们可以设计两个功能一是自动判断邮件的紧急程度和类别二是为需要回复的邮件生成回复草稿。def categorize_email_with_llm(email_data, api_url, api_key): 使用墨语灵犀对邮件进行分类。 prompt f 请分析以下邮件内容并对其进行分类。 邮件主题{email_data[subject]} 发件人{email_data[from]} 邮件正文预览{email_data[body_preview]} 请从以下类别中选择最合适的一个 1. 紧急待办 - 需要今天内回复或处理的重要邮件如客户投诉、老板指令、紧急会议 2. 常规工作 - 与当前项目或常规工作相关的邮件如项目讨论、任务分配、进度汇报 3. 订阅通知 - 新闻稿、促销信息、系统通知等无需立即处理的邮件 4. 社交联络 - 同事或朋友的问候、邀请、非工作闲聊等 5. 未知/其他 - 无法明确分类的邮件 同时请判断这封邮件是否需要回复是/否。 请以JSON格式返回包含两个键category 和 need_reply。 headers {Content-Type: application/json, Authorization: fBearer {api_key}} data { model: moyu-lingxi, messages: [{role: user, content: prompt}], temperature: 0.1, max_tokens: 150 } try: response requests.post(api_url, headersheaders, jsondata) response.raise_for_status() result response.json() reply result[choices][0][message][content] # 提取JSON import re json_match re.search(r\{.*\}, reply, re.DOTALL) if json_match: import json as json_module category_info json_module.loads(json_match.group()) return category_info except Exception as e: print(f邮件分类失败: {e}) return {category: 未知/其他, need_reply: 否} def generate_reply_draft_with_llm(email_data, api_url, api_key): 使用墨语灵犀生成邮件回复草稿。 prompt f 你是一位专业的职场人士。请根据以下收到的邮件撰写一封礼貌、专业、得体的回复草稿。 回复语言应与来邮件语言一致中文来邮则用中文回复。 收到的邮件信息 主题{email_data[subject]} 发件人{email_data[from]} 正文{email_data[body_preview]} 请生成回复草稿。如果邮件内容不完整或无法判断如何回复请说明“需要更多信息”。 headers {Content-Type: application/json, Authorization: fBearer {api_key}} data { model: moyu-lingxi, messages: [{role: user, content: prompt}], temperature: 0.7, max_tokens: 300 } try: response requests.post(api_url, headersheaders, jsondata) response.raise_for_status() result response.json() draft result[choices][0][message][content] return draft.strip() except Exception as e: print(f生成回复草稿失败: {e}) return 抱歉未能生成回复草稿。3.3 构建完整的邮件处理工作流最后我们把所有功能串起来创建一个完整的邮件处理脚本。def process_email_inbox(email_user, email_pass, api_url, api_key, imap_serverimap.example.com): 完整的邮件处理工作流连接邮箱、获取邮件、分类、生成回复草稿。 print(开始处理邮箱...) # 1. 连接邮箱 mail connect_to_mailbox(email_user, email_pass, imap_server) if not mail: return # 2. 获取最近邮件 print(获取最近邮件...) recent_emails fetch_recent_emails(mail, num_emails15) print(f共获取到 {len(recent_emails)} 封邮件。) # 3. 对每封邮件进行分类和处理 processed_results [] for idx, email_data in enumerate(recent_emails, 1): print(f\n处理第 {idx} 封邮件: {email_data[subject][:50]}...) # 分类 print( 正在分类...) category_info categorize_email_with_llm(email_data, api_url, api_key) email_data.update(category_info) # 如果需要回复则生成草稿 if category_info.get(need_reply) 是: print( 需要回复正在生成草稿...) reply_draft generate_reply_draft_with_llm(email_data, api_url, api_key) email_data[reply_draft] reply_draft else: email_data[reply_draft] None processed_results.append(email_data) # 简单打印结果 print(f 分类: {category_info.get(category)}, 需回复: {category_info.get(need_reply)}) if email_data[reply_draft]: print(f 回复草稿预览: {email_data[reply_draft][:100]}...) # 4. 断开连接 mail.logout() # 5. 输出处理摘要 print(\n *60) print(邮件处理摘要) print(*60) from collections import Counter category_counter Counter([e.get(category, 未知) for e in processed_results]) need_reply_count sum(1 for e in processed_results if e.get(need_reply) 是) print(f共处理邮件: {len(processed_results)} 封) print(分类统计:) for category, count in category_counter.items(): print(f {category}: {count} 封) print(f需要回复的邮件: {need_reply_count} 封) # 6. 将结果保存为JSON文件方便后续查看 import json from datetime import datetime timestamp datetime.now().strftime(%Y%m%d_%H%M%S) output_filename femail_processing_report_{timestamp}.json with open(output_filename, w, encodingutf-8) as f: json.dump(processed_results, f, ensure_asciiFalse, indent2) print(f\n详细处理结果已保存至: {output_filename}) # 7. 特别提示紧急邮件 urgent_emails [e for e in processed_results if e.get(category) 紧急待办] if urgent_emails: print(\n⚠️ 紧急待办邮件提醒:) for email in urgent_emails: print(f - {email[subject]} (来自: {email[from]})) return processed_results # 使用示例注意需要替换为真实的邮箱信息和API信息 if __name__ __main__: # 你的邮箱配置出于安全考虑建议从环境变量或配置文件中读取 EMAIL_USER your-emailexample.com EMAIL_PASSWORD your-email-password-or-app-specific-password IMAP_SERVER imap.example.com # 例如imap.qq.com, imap.gmail.com # 墨语灵犀API配置 API_URL http://localhost:8000/v1/chat/completions API_KEY your-api-key-here # 运行处理流程 results process_email_inbox(EMAIL_USER, EMAIL_PASSWORD, API_URL, API_KEY, IMAP_SERVER)运行这个脚本它会自动登录你的邮箱分析最近的邮件给每封邮件打上分类标签并为需要回复的邮件生成回复草稿。最后它会给你一份清晰的摘要报告并特别提醒你有哪些紧急邮件需要优先处理。你只需要检查一下草稿稍作修改就可以发送省去了大量阅读、思考和打字的时间。4. 总结与建议把这几个案例跑一遍你应该能深刻感受到Python和墨语灵犀组合带来的效率提升。从手动处理Excel、Word和邮件到全自动化的脚本处理改变的不仅仅是速度更是工作方式。实际用下来这套方案最明显的优势是处理那些规则清晰但数量庞大的重复性任务。比如每周都要做的销售报告、每天都要整理的合同文档、每小时都要查看的收件箱。脚本不会累也不会因为重复劳动而烦躁更不会因为粗心犯错。你可以把节省下来的时间用在更需要创造力和人际沟通的工作上。当然在真正应用到生产环境前有几点建议供你参考。首先从简单的、非关键的任务开始试水比如先处理一些内部报告或者历史邮件熟悉整个流程。其次一定要仔细检查AI生成的内容特别是合同关键信息提取和邮件回复草稿确保准确性和得体性。最后记得做好错误处理和数据备份脚本运行前先在小批量数据上测试。技术本身不是目的解放生产力才是。希望这套自动化办公的思路能帮你从繁琐的事务中解脱出来去关注更有价值的事情。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。