前后花了将近十分钟,汤圆终于把这个任务完成了,它从收件箱的二十七封邮件里,找出了六封可能需要回复的邮件。
其中三封被标为重要:一封是客户确认下个月的开发排期;一封是会计公司提醒他补充公司费用凭证;有一封来自之前合作过的客户,询问他有没有兴趣接一个内部知识库项目。
而且汤圆给这三封邮件写好了草稿。
第一封从之前的邮件记录里找到了当时约定的时间,在草稿中重新确认,同时补问了需求范围。
第二封解释凭证会尽快整理,同时询问了具体还需要哪些材料的清单。
第三封则先是友好的表示了感谢,然后才询问预算、交付周期和数据权限,并且表示无论项目合适与否,都应该常保持联系。
林一舟一封一封看下来,对第三封的内容尤其爱不释手。
如果让他自己来回复,绝对不能写出让人读这么舒服的回复。他只是直,又不是傻,很多时候之所以回复不好,只是因为没见过好的,但是真见了优秀的例子,他也不会嘴硬说“我写的版本才是真性情”。
要是那样,那就是真傻了。
林一舟满意地点了点头。
“回复,并且把邮件里提到的需要做的事添加到我的待办。”
发完之后,汤圆的界面里又弹出了一个额外的提示框。
「即将发送三封邮件,并向待办事项写入两个任务,是否继续?」
林一舟扫了一眼收件人,点击确认。
这个指示看来很简单,汤圆没有把它变成分支任务,而是直接执行。
这次速度快了很多,邮件回复了出去,两个待办也添加到了苹果自带的待办事项里。
第一次试用结束了,结果还算满意,但是林一舟有一个想不通的点。
为什么读邮件的过程这么慢呢?
他在汤圆的界面上仔细找了找,在任务历史中可以找到详细的执行记录,还可以展开汤圆调用工具的具体过程。
林一舟点开,找到了读取邮件过程中的相关过程。
……
「截取当前窗口画面。」
「识别页面结构与可交互元素。」
「定位搜索输入框。」
「点击坐标:782,146。」
「输入文本:aft:2027/04/23。」
「截取当前窗口画面。」
「识别搜索结果列表。」
……
林一舟看了几行,突然猛地把翘着的二郎腿放到地上,上半身凑近了屏幕。
然后他把执行日志往后拖,一行一行仔细地阅读。
汤圆点开邮件之后的流程和之前差不多。
先截取屏幕。
再识别邮件标题、发件人、正文区域和附件区域。
最后阅读内容。
在刚才那个场景里,汤圆chat的工作逻辑是基于视觉的。
汤圆chat的工作逻辑是基于视觉的!
此时此刻,仿佛一道闪电划过了林一舟的大脑。
为什么汤圆单独内置了浏览器?
为什么汤圆在发布会上搜索资料的时候那么快?
因为汤圆现在刚刚发布,还在生态建设的早期阶段,所有的软件接口都没有对它开放,它能做的只有读取浏览器里的资料。
直接用电脑命令操作软件?可以,如果这个软件本身开放了接口,比如苹果原生的待办事项app,汤圆就可以通过生成命令来操作。
但是像林一舟用的这个邮箱客户端,在本地没有开放任何接口,那汤圆就只能用鼠标点击、截图、读图、再鼠标点击的方式去操作它。
这是完全模拟真人操作的方式,而且比一个真人来还慢。
主要的瓶颈就在读图。
真人看一眼页面,视线可以马上落到目标位置。
汤圆却需要先拿到一张图,再通过模型分析这张图,判断哪里是按钮,哪里是文字,之后才执行下一步。
如果说普通人看到这种情况只会笑话汤圆傻帽,林一舟作为一个程序员,作为一个刚刚准备“创业”的创业者,作为对移动互联网草莽时期的暴富故事耳熟能详的后来者,他的第一反应是——
机会来了!
邮件,一个多么符合a个人助手的场景。
林一舟以前大概了解过,各个邮箱服务都有一些ap接口,管理员用户可以同步组织架构、创建账号、配置安全策略;普通用户也可以进行邮件搜索、会话读取、草稿管理和文件操作。
但那都是针对开发者的,针对人的,需要申请开发者账户,配置ap密钥。
现在没有任何邮件服务支持汤圆协议,所以它才只能读图。
如果有一个邮箱客户端自己支持汤圆协议呢?
不需要截图。
不需要读图。
不需要寻找按钮。