通过邮件完成的非市场化房地产交易得分
该流程中，Python 工作器负责读取邮件，Claude 将字段提取为固定的 JSON 格式，并评估代码质量；但作者在数据不完整及登录受限的源数据方面存在困难。
- 具体怎么做
- 作者将专用 Gmail 设置为接收保存搜索提醒和批发商邮件，然后让 Python 程序处理多笔交易邮件，并将每笔交易发送至低成本的 Claude 模型以提取固定 JSON 字段，未知项则留空。仅使用纯 Python 而非 LLM 进行单户与多户评分计算，只有在价格确认后才会进行付费查询；结果数据会输出到 Supabase、Streamlit 仪表盘、邮件提醒，以及用于协调的共享 Google 文档中。
- 做到了什么
- 该系统能够很好地集中处理新接到的交易，并对有数据的项目进行评分，但许多潜在客户因约一半的资料没有街道地址，或缺少单元数量与租金信息而陷入停滞。作者指出，这些缺失字段，加上阻碍自动化的登录限制机制，导致交易停留在需求信息阶段无法推进。
- 上手要点
- 他们的主要挑战在于成本控制和流程管控：昂贵的数据查询只有在初步价格评估后才会执行。
你可以这样试
使用 Claude Code帮我编写一个 Python 脚本：从 [邮件箱或导出 .eml 文件的文件夹] 中读取房地产交易邮件，使用 Claude 将字段提取到固定的 JSON 模式中（地址、挂牌价、单元数、租金、净收入、卖方联系方式），并用纯代码根据 [我的标准] 对每笔交易进行评分。如果数据缺失，则将该字段标记为 null，并在输出中标注为“需要跟进”，而非猜测数值。完成后，我可以在 10 封邮件样本上运行该脚本，得到包含评分和缺失数据标志的排序后的 CSV 文件。