83. 根据邮件给场外房地产交易打分

他们做了什么

发帖人设置了一个专用的 Gmail 邮箱，收集保存的搜索提醒和批发商发来的邮件，然后用一个 Python 程序把包含多笔交易的邮件拆开，把每笔交易交给一个低成本的 Claude 模型，提取固定的 JSON 字段，未知的字段留空。单户住宅和多户住宅的评分由普通 Python 代码完成，而不是大模型，并且只有在通过一次低成本的价格初筛后，才会进行付费的数据查询；输出结果写入 Supabase、一个 Streamlit 仪表盘、邮件提醒，以及一份用于协作的共享 Google 文档。

结果如何

它足以把新来的交易集中起来，并给有数据的交易打分，但很多线索卡住了，因为大约一半的交易没有街道地址，还有一些缺少户数或租金信息。发帖人说，这些缺失的字段，加上需要登录才能访问、阻止自动化的信息来源，让许多交易一直停留在"需补充信息"阶段。

需要知道

他们主要的心得是控制成本和设置关卡：昂贵的数据查询只在通过低成本的价格初筛后才运行。

你可以这样尝试

帮我写一个 Python 脚本，从 [邮箱或导出的 .eml 文件夹] 中读取房地产交易邮件，用 Claude 按照固定的 JSON 结构提取字段（地址、挂牌价、户数、租金、净营业收入、卖家联系方式），再用普通代码根据 [我的标准] 给每笔交易打分。数据缺失时，把字段标为 null，并列入一份"需跟进"的输出，而不是猜测。完成的标准是我可以用 10 封示例邮件运行它，得到一份带评分和缺失数据标记的交易排名 CSV。