AI 冷邮件个性化：打开率从 12% 提到 38% 的 6 个技巧

技巧六（续）：A/B 测试与发送自动化

个性化内容生成之后，剩下的是发送环节。手工一封封发邮件同样不现实，这里用一个简单的 Python 脚本，把生成好的个性化草稿批量发送，并自动记录打开和回复数据用于后续 A/B 测试。

import smtplib
from email.mime.text import MIMEText
import csv

def send_cold_email(smtp_cfg, to_addr, subject, body):
    msg = MIMEText(body, "plain", "utf-8")
    msg["Subject"] = subject
    msg["From"] = smtp_cfg["from"]
    msg["To"] = to_addr
    with smtplib.SMTP(smtp_cfg["host"], smtp_cfg["port"]) as server:
        server.starttls()
        server.login(smtp_cfg["user"], smtp_cfg["pass"])
        server.send_message(msg)

# 读取上一步生成好的个性化草稿
with open("drafts.csv", encoding="utf-8") as f:
    for row in csv.DictReader(f):
        send_cold_email(
            smtp_cfg,
            row["email"],
            row["subject"],
            row["body"]
        )
        print(f"已发送: {row['email']} -> {row['subject']}")

发送前务必确认三件事：一是收件人邮箱来源合法（对方公开留下的联系方式或已同意接收），二是邮件正文包含真实的退订链接，三是发送频率控制（同一域名每天不要超过几十封，否则容易被判定为垃圾邮件源）。合规和送达率，比打开率更重要。

技巧六（终）：用数据闭环持续迭代

发送不是终点，数据回收才是。每次发送后，把打开、回复、退订数据回填到表里，和主题行写法、行业、职位做关联分析。下面是一个简单的统计逻辑：

import pandas as pd

df = pd.read_csv("campaign_results.csv")
# 按主题行类型分组，看平均打开率
summary = df.groupby("subject_type")["opened"].mean().sort_values(ascending=False)
print(summary)

跑完一轮后你会发现，行为触发型主题行在技术岗位（工程师、架构师）身上效果最好，而姓名型在管理岗（总监、VP）身上更稳。把这些规律沉淀回模板库，下一轮发送的打开率还会继续往上走。

总结：个性化是一条可复用的流水线

把打开率从 12% 提到 38%，靠的不是某一句神奇的模板，而是一整套可复用的流程：自动采集公司新闻和招聘信号、AI 生成个性化首段和主题行、脚本批量发送、数据回收迭代。每一步都可以用代码自动化，人工只负责最后的判断和微调。

对开发者来说，这套方案最大的价值在于：它把"个性化"从一句口号变成了可量化、可复现的工程。当你把采集、生成、发送、统计都串成一条流水线，冷邮件就不再是碰运气，而是一个可以被持续优化的系统。而要让这套系统真正"自己跑起来"——自动规划每天发哪些、出错时自动重试、根据数据自动调整话术——你需要一个能自主闭环的智能决策引擎。这正是 ClawBrain 在做的事。作为专为龙虾（OpenClaw）打造的智能决策引擎，它具备任务闭环、自主规划、错误自愈能力，让龙虾真正能独立做事，把冷邮件个性化从"每天手动跑脚本"升级成"全自动的获客流水线"。