mailogy
granawkins/mailogy加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你有没有想过，如果能像问 ChatGPT 一样问自己的邮件记录——"我去年在亚马逊花了多少钱？""我注册过哪些订阅服务？""把所有发票汇总成 CSV 发给我"——那会是什么体验？
Mailogy 就是来解决这个问题的：它把你的 Gmail 邮件导出文件（.mbox 格式）变成一个本地 SQLite 数据库，然后用自然语言 LLM（支持 GPT-4、Mistral、Ollama 等任意兼容模型）来查询这个数据库，让你可以用日常对话的方式挖掘邮件里的信息宝藏。
电子邮件诞生 50 多年了，我们每个人平均拥有数万封邮件，其中埋藏着消费记录、订阅服务、登录凭证、收据发票等大量有价值的信息。然而这些数据分散在 Gmail/Outlook/QQ邮箱里，搜索功能只能做简单的关键词匹配，无法做语义理解和跨邮件聚合分析。
Mailogy 的作者正是发现了这个痛点：需要整理多年的订阅记录时，现有的邮件搜索工具完全不够用。Google Takeout 可以导出全部邮件，但导出来只是一堆 .mbox 文件，无法直接分析。他选择用 LLM 作为"翻译层"——把自然语言问题转成 SQL 查询，在本地 SQLite 数据库中执行，返回用户需要的结构化结果。
这个思路非常聪明：邮件数据永远留在本地，不需要把私密内容上传到任何云端服务，隐私安全性极高。
Mailogy 的使用流程非常清晰：
第一步：导出 Gmail 数据 通过 Google Takeout 下载全部邮件的 .mbox 文件（约 10GB 量级可能需要等待数小时）。
第二步：本地解析入库
pip install -r requirements.txt
python -m mailogy path_to_your_mbox_file.mbox
程序会将 .mbox 中的每一封邮件解析并存储到本地 SQLite 数据库（位于 ~/.mailbox/ 目录），包括发件人、收件人、时间、主题、正文、链接和附件信息。
第三步：自然语言查询
python -m mailogy
进入交互式对话，你可以用自然语言提问：
多模型支持 是 Mailogy 的一大亮点。默认使用 OpenAI GPT-4，但通过配置文件（~/.mailbox/config.yaml）可以无缝切换到 Mistral、Ollama 本地模型等任何兼容 OpenAI 接口的服务：
llm_base_url: http://127.0.0.1:11434 # Ollama 本地地址
llm_model: ollama_chat/mistral
Mailogy 核心代码约 600 行，采用经典的模块化分层结构：
| 模块 | 职责 |
|---|---|
parse_message.py | 解析 .mbox 邮件格式，提取结构化字段（发件人/收件人/时间/链接等），使用 BeautifulSoup 处理 HTML 邮件 |
database.py | SQLite 数据库封装，创建 messages 表，注册 REGEXP 函数供 SQL 查询使用 |
llm_client.py | 基于 LiteLLM 封装多模型 LLM 调用，支持 OpenAI/Mistral/Ollama 等，携带完整数据库 Schema 作为上下文 |
initialize.py | 入口程序，处理初始化流程、logo 输出和交互引导 |
prompts.py | 管理 LLM 提示词模板 |
数据库 Schema 直接作为注释内嵌在 database.py 源码中，这是刻意为之的设计——Mailogy 把 Schema 信息通过 script_prompt 发送给 LLM，让它能理解表结构后生成正确的 SQL 查询。这种"Schema as context"的模式非常巧妙，保证了 LLM 生成的 SQL 准确率。
Mailogy 不支持容器化部署，没有 Dockerfile 或 docker-compose.yml，也无 Web UI，纯命令行交互。这意味着：
✅ 优势：轻量级，无需 Docker，对运行环境要求极低，CPU 即可运行
❌ 劣势：需要手动安装 Python 环境、配置 API Key，非技术用户上手有门槛
对于 AI 爱好者来说，这个难度其实很低：装好 Python（3.9+），pip install -r requirements.txt，配置一个 OpenAI API Key，就能跑起来。但如果要让家人或非技术背景的朋友使用，门槛就比较高了。
1. LLM 生成 SQL 的准确性依赖模型能力 当用户的问题涉及复杂的 JOIN、多条件筛选或模糊语义时，LLM 可能生成错误或不完整的 SQL，导致查询结果不符合预期。
2. 邮件格式兼容性问题 mailogy 主要针对 Gmail 导出的 .mbox 格式优化，对其他邮件客户端（Outlook、QQ邮箱等）的导出格式兼容性未经充分测试。
3. SQLite 明文存储 所有邮件内容以明文存入本地 SQLite 数据库（约 10GB+），虽然数据不离开本机，但任何能访问这台电脑的人都可以直接读取邮件内容，敏感场景下存在数据泄露风险。
4. 没有自动化更新机制 用户的 Gmail 数据是静态快照，不支持增量同步。再次导入新邮件时需要手动执行，且每次导入会完整扫描历史邮件（尽管已有数据不会重复插入）。
Mailogy 用极简的架构解决了一个真实痛点：让普通用户能以自然语言的方式查询、分析自己的邮件数据，且数据始终保留在本地。相比将邮件上传到第三方 AI 服务（隐私风险极高），这种"本地 LLM + 本地数据库"的设计更加安全可控。
虽然目前仅有 103 stars，用户规模较小，但其"数据不出本机"的设计理念与当前 AI 隐私保护趋势高度契合。随着 Ollama 等本地模型的能力提升，Mailogy 这类工具的实用价值会越来越大。
项目信息