Superhuman 如何用 AI 重塑邮件处理体验

可视化演示

动态演示Superhuman用AI重的核心机制，通过架构/数据/状态/性能四种模式展示关键概念与交互流程。

邮件泛滥痛点

老板的办公桌已经三个月没有整理，催款单、促销传单、HR 通知、客户合同全都混在一堆。任何一个人面对这种“信息洪流”都会头皮发麻——这封是不是该今天回？那封是不是已经过期了？金牌助理小林上岗后做的第一件事，不是急着写回信，而是先分类分诊：她给桌子装了一个“三层收纳架”，最上层是必须今天处理的，中间层是可以明天再看的，底层是直接进碎纸机的广告。

这个收纳架其实就是 Superhuman 对“邮件泛滥（Email Overload）”的解法。传统邮箱把每一封邮件都当成一等公民，推送到你面前，让用户自己承担排序成本。而 Superhuman 的产品逻辑是：在用户看到邮件之前，先由 AI 做一层“减法”。自动分组把订阅通知折叠成一张卡片，会话串把同一件事的十几封往来邮件并成一条线，垃圾识别再把噪音沉到底层。

那么如何衡量这套减法做得好不好？我们可以引入一个“有效处理率”的概念。定义进入收件箱的全部邮件量为 \( R_{\text{全部}} \)，其中真正需要用户亲自回复或决策的邮件量为 \( R_{\text{有效}} \)，有效处理率就是两者之比：

小林把收纳架摆好后，老板终于能在十秒内找到最该回的那封信。Superhuman 的哲学与之完全一致：真正高效的工具，不是帮你处理更多邮件，而是让你需要处理的邮件本来就很少。

Agent 架构设计

小林的厉害之处不在于她一个人三头六臂，而在于她背后有一个分工明确的“助理团队”：前台小陈负责接电话记录诉求，文书阿强负责查资料起草文件，情报员阿珍负责翻阅历史档案。老板只需要说一句“跟张总把合同敲定”，三人小组就会自动开始协作。

Superhuman 的 AI 也采用了类似的 Agent 架构，而不是简单地拿一个大模型去“硬读”每封邮件。整个系统由四层组成：任务理解层负责把用户的指令或一封新邮件拆解成结构化目标；多 Agent 协作层把这些目标分配给不同职责的子 Agent；上下文记忆层保存用户的历史邮件、偏好和会话脉络；工具调用层则让 Agent 能访问日历、通讯录、CRM 甚至外部搜索 API。四层各司其职，形成一个微型“助理团队”。

任务理解层是整个架构的中枢，它本质上是一个“意图解析器”。当用户输入“帮我把这封邮件转发给财务并预约明早会议”，它会把这句话转成一组子任务：

小林团队的分工表，就是 Superhuman 的架构图：前台记录需求，文书处理写作，情报员提供上下文。每个 Agent 只做自己擅长的事，组合起来却能完成非常复杂的邮件工作流。

AI 回复起草

小林入职三个月后，已经摸清了老板的脾气：给重要客户回信要礼貌但简洁，给团队内部回信可以随意些，遇到催债的一律先道歉再给期限。老板甚至不用叮嘱，小林拟出来的草稿八九不离十。

这种“会来事”的能力对应到技术上，就是 Superhuman 的 AI 回复起草功能。它不是一个固定模板的自动回复，而是从用户过往的邮件行为中学习写作风格：用词习惯、句子长短、语气正式程度、甚至落款格式。当一封新邮件到达时，系统会把“邮件原文 + 用户风格示例”一起交给语言模型，让它生成符合用户口吻的候选草稿。

从概率的角度看，AI 起草回复的本质是：在已知邮件内容 Email 和用户风格 Style 的条件下，找到一个使整个句子出现概率最高的词序列：

Superhuman 还会一次给出三个不同语气的草稿，让老板挑一个，或者改动几个字。小林拟稿、老板拍板，人机之间形成“草稿—确认”的协作节奏——这正是 AI 生产力工具最健康的交互模式。

邮件智能总结

有一次，客户发来一份二十页的合作合同。老板看得直皱眉，小林却不慌不忙，三分钟后开口汇报：“合同核心三条：预付 30%、六月底交付、逾期一天违约金千分之五。建议今天下班前确认付款条款。”老板瞬间抓住了重点。

这个场景对应的是 Superhuman 的邮件智能总结功能，它面对“长邮件、长会话链”时有自己的一套方法。首先进入抽取式摘要：系统会扫描全文，给每个句子打一个“重要性分数”，优先保留包含数字、时间、金额、专有名词和动作动词的句子。然后进入生成式整理：语言模型把这些抽出的句子重新组织成三段式结构——“核心结论”、“关键细节”、“需要你做的事”，也就是行动项。

句子重要性打分的核心是一个“稀有词加权”思路：一篇文章里，像“合同”“截止”“违约金”这种只在特定语境出现的词，比“我们”“非常”这种常用词携带更多信息，所以权重更高。对邮件正文中的第 j 个句子 \( s_j \)，将其包含的所有词 \( w \) 的稀有度权重相加，就得到该句的重要性分数：

打完分之后，语言模型还会做一步“结构化”：把保留下来的关键句改写成“结论—细节—行动项”的简报。老板看到的不再是一堆截取的句子，而是一份可以直接照做的简报。小林读合同、老板听重点，这就是邮件总结的正确姿势。

优先级排序

小林心里有一杆秤，而这杆秤从第一天起就在校准。老板的直属上司来信，必须一分钟内看到；老客户的续约函，十分钟内要处理；至于某电商的“限时五折”促销，连收件箱顶部都不该出现。秤的背后不是感觉得来的，是一套复杂的评价标准。

Superhuman 的优先级排序，正是把用户心里的那杆秤落成算法。它不像传统邮箱那样只按时间排序，而是对每封邮件输出一个“重要度评分”。这个评分融合三类信号：发件人权重 \( S(e) \)，即通信录里这个联系人的历史地位和互动频率；语义紧急度 \( M(e) \)，即邮件正文中是否出现“紧急”“截止”“合同”“今天”等强信号词；历史互动 \( H(e) \)，即用户过去是否经常立刻回复这个发件人。三者加权求和，就是最终的优先级分：

小林的秤越用越准，就是因为老板每次手动置顶或忽略，都是对秤的一次校准。Superhuman 的优先级评分也一样——它不是一套静态规则，而是会跟着用户行为不断进化的动态排序系统。

快捷指令体系

老板是个急性子，最常说的一句话是：“小林，把这份报价转发给张总，然后约他周四下午两点来公司谈。”这一句话里其实藏着三个动作：转发邮件、查日历、创建会议邀请。小林已经熟练到条件反射——听到前半句拔腿就走，听到后半句已经掏出手机联系对方。

Superhuman 的快捷指令体系，就是给用户准备的这个“条件反射”。它的核心是一个命令面板，用户用键盘按下快捷键就能呼出，然后输入类似“转发给 X 并预约会议”这样的自然语言指令。系统不会把这句话原样丢给某个模型处理，而是经过意图解析后，把指令映射为一系列可执行的 API 调用：

快捷指令的聪明之处在于，它把所有高频操作变成了一套“肌肉记忆”。键盘流操作让老用户双手不离键盘，而个性化模板让“报销提醒”这种固定流程可以一键触发。老板一句话、小林一整套——这就是“指令即工作流”的体验感。

体验优化闭环

小林每个月都会找老板做一次十分钟复盘：“上个月有 3 封邮件我判断错了优先级，有 2 封草稿语气太生硬，您手动改过。我已记在本子上，下个月不会再犯。”老板很满意——这位助理不仅干活，还会从错误中学习。

Superhuman 的产品团队也设计了一套“体验优化闭环”，让 AI 在实际使用中不断变强。核心指标是“AI 建议采纳率”：系统展示了多少次建议，用户真正接受了多少次。每一次用户点击“采用”、手动修改、或者直接忽略，都是一条训练信号。

除了反馈机制，这个闭环还包含隐私保护和低门槛接入：邮件数据默认做本地化处理，用户随时可以关闭 AI 记忆；新用户不需要任何学习成本，就能在默认设置中感受到“整理过的收件箱”。小林把每一句批评都记在心上，Superhuman 把每一次点击都写进模型——好的 AI 产品，永远在复盘的路上。

AI 应用场景

Python 演示

"""Superhuman 风格 AI 邮件助手模拟演示"""import re SENDER_WEIGHT = {    "boss@corp.com": 10,    "client@corp.com": 9,    "HR@corp.com": 5,    "news@tech.com": 1} ALERT_KEYWORDS = ["紧急", "重要", "截止", "发布会", "客户"] EMAILS = [    {"sender": "boss@corp.com", "subject": "紧急: 明天发布会方案",     "body": "客户临时要求更换演示场地, 请在今晚18点前回复调整方案, 这是重要项目。"},    {"sender": "news@tech.com", "subject": "本周AI技术周报",     "body": "本周精选12篇文章, 涵盖大模型和Agent方向, 欢迎阅读。"},    {"sender": "client@corp.com", "subject": "合作合同反馈",     "body": "合同收到, 付款时间和验收标准需要确认, 请回复我们周三的会议时间。"},    {"sender": "HR@corp.com", "subject": "周四新员工入职培训",     "body": "请参加周四上午10点的培训, 地点在3楼会议室, 请提前10分钟到场。"}] def priority_score(email):    score = SENDER_WEIGHT.get(email["sender"], 3)    text = email["subject"] + " " + email["body"]    for w in ALERT_KEYWORDS:        if w in text:            score += 2    return score def summarize(email, max_sentences=2):    text = email["body"]    sentences = [s.strip() + "。" for s in re.split(r"[。！？]", text) if s.strip()]    if not sentences:        return "(无内容)"    scored = []    for s in sentences:        sc = sum(2 for w in ALERT_KEYWORDS if w in s)        scored.append((sc, s))    scored.sort(key=lambda x: x[0], reverse=True)    top = [s for _, s in scored[:max_sentences]]    return "".join(top) def draft_reply(email):    topic = email["subject"].replace("紧急: ", "").replace(": ", "")    if "截止" in email["body"] or "紧急" in email["body"]:        return "收到, 关于" + topic + "已了解, 我会在确认后尽快回复。"    if "合同" in email["body"] or "会议" in email["body"]:        return "谢谢同步" + topic + ", 我建议明天上午沟通细节。"    return "收到" + topic + ", 谢谢!" def main():    print("=" * 40)    print("Superhuman 风格 AI 邮件助手")    print("=" * 40)    ranked = sorted(EMAILS, key=priority_score, reverse=True)    for index, email in enumerate(ranked, 1):        score = priority_score(email)        print("\n[%d] 发件人: %s" % (index, email["sender"]))        print("    主题: %s" % email["subject"])        print("    优先级评分: %d" % score)        print("    AI 摘要: %s" % summarize(email))        print("    AI 草稿: %s" % draft_reply(email)) if __name__ == "__main__":    main()

1. SENDER_WEIGHT.get(email["sender"], 3)用字典给不同发件人设置基础权重，没在名单里的给默认值 3，对应“发件人权重”模块。
2. for w in ALERT_KEYWORDS: if w in text: score += 2检测紧急词，每命中一个加 2 分，对应“语义紧急度”信号。
3. ranked = sorted(EMAILS, key=priority_score, reverse=True)按优先级分数降序排列邮件，也就是“小林心里的那杆秤”。
4. scored.sort(key=lambda x: x[0], reverse=True)对每个句子按关键词命中次数排序，属于“抽取式摘要”的实现。
5. draft_reply(email)根据邮件主题和正文特征，从风格模板中选择最合适的一句回复，对应 AI 回复起草功能。

常见误区

面试题