בניית מערכת AI למיון אימיילים בקבלה האקדמית — מדריך שלב אחר שלב

2. ארכיטקטורת המערכת

חמישה רכיבים, כל אחד ניתן להחלפה. בנוי ל-n8n self-hosted כדי שמחלקת ה-IT של האוניברסיטה תוכל לבדוק כל בייט שנוגע במידע סטודנטים.

המחסנית

הערכת עלות (10,000 אימיילים בחודש)

ה-Gmail Trigger המובנה של n8n מופעל על כל הודעה חדשה בלייבל מנוטר. ל-Outlook משתמשים ב-Microsoft Outlook node עם OAuth2. למוסדות עם שרתי דואר ישנים — IMAP IDLE עובד אבל מוסיף 5–15 שניות לטנסי.

הגדרת OAuth (דוגמה ל-Gmail)

1. ב-Google Cloud Console: צור OAuth client (web app), הוסף את כתובת ה-callback של n8n.
2. הפעל את Gmail API לפרויקט.
3. ב-n8n: Credentials → Gmail OAuth2 → connect, התחבר עם חשבון התיבה המשותפת של הקבלה.
4. הגדר scopes: gmail.modify (קריאה + תיוג, ללא מחיקה).

חוקי סינון (לדלג על רעש)

בערך 30% מהתעבורה היא אוטומטית: הודעות bounce, הזמנות יומן, תגובות לניוזלטרים. סנן ב-trigger כדי לחסוך עלויות API.

label:inbox -from:noreply -from:no-reply -subject:"Out of Office"
-subject:"Auto-Reply" -filename:ics newer_than:1d

כל אימייל מקבל קריאת Haiku אחת: סיווג לאחת משבע קטגוריות, פלט confidence score. Haiku מטפל ב-10k ליום ב-~$0.80 — בעצם חינם בנפח הזה. אותו דפוס סיווג מפעיל את מערכות ה-FAQ האוטומטיות שלנו לתיבות תמיכה של SaaS.

7 הקטגוריות

ה-system prompt לסיווג

מוכן ל-copy-paste. נבדק על דיוק של ~94% על סט וולידציה של 500 אימיילים.

You are an admissions email classifier for a university.

Read the email below. Output ONLY valid JSON, no prose.

Schema:
{
  "category": "application_status" | "document_question" |
              "deadline_inquiry" | "program_specific" |
              "financial_aid" | "decision_appeal" | "complaint_or_legal",
  "confidence": 0.0 to 1.0,
  "language": "en" | "he" | "es" | "zh" | "other",
  "applicant_id_mentioned": null | "string",
  "urgency": "low" | "normal" | "high",
  "reasoning": "one short sentence"
}

Rules:
- decision_appeal and complaint_or_legal: confidence is irrelevant,
  these always escalate.
- If the email contains words like "lawyer", "attorney", "discrimination",
  "complaint", "ombudsman" — classify as complaint_or_legal.
- If unclear between two categories, pick the safer one (more human review).
- Detect language from the body, not the signature.

n8n HTTP Request node

{
  "method": "POST",
  "url": "https://api.anthropic.com/v1/messages",
  "headers": {
    "x-api-key": "{{ $credentials.anthropic.apiKey }}",
    "anthropic-version": "2023-06-01",
    "content-type": "application/json"
  },
  "body": {
    "model": "claude-haiku-4-5",
    "max_tokens": 200,
    "system": "{{ $json.classifierSystemPrompt }}",
    "messages": [
      {
        "role": "user",
        "content": "Subject: {{ $json.subject }}nnBody:n{{ $json.body }}"
      }
    ]
  }
}

Switch node ב-n8n מנתב כל אימייל לאחד משלושה מסלולים על בסיס קטגוריה ו-confidence score.

חוקי החלטה

סף ה-0.85 איננו קסם — כיוונן אותו לפי סובלנות לטעויות חיוביות שגויות שלך. סף נמוך = יותר מענה אוטומטי, יותר סיכון. התחל ב-0.9 בחודש הראשון, ואז רד ל-0.85 אחרי שבדקת את שיעור הטעויות במענה האוטומטי.

לקטגוריות בביטחון בינוני, Claude Sonnet כותב תשובה מלאה עם הקשר אמיתי של המועמד — שם, סטטוס בקשה, מסמכים חסרים, שם יועץ הקבלה. הצוות בודק ולוחץ שלח.

הזרקת הקשר (RAG-lite)

לפני קריאה ל-Sonnet, n8n שולף מ-Postgres לפי האימייל של השולח את הקשר המועמד. ה-mirror מתעדכן בלילה לפי אותו דפוס שאנחנו מתארים בניהול CRM אוטומטי:

• מזהה מועמד, שם, תוכנית, סטטוס בקשה
• מסמכים שהתקבלו vs. חסרים
• שם + אימייל של יועץ הקבלה המוקצה
• 3 האימיילים האחרונים בשרשור הזה (אם קיימים)

prompt ליצירת טיוטה

You write reply drafts for the admissions office at {{university_name}}.

INPUT: an inbound email + applicant context (JSON).
OUTPUT: a complete reply ready for a staff member to send.

Tone:
- Warm but professional. American university register.
- Use the applicant's first name once, in the opening.
- Sign off with the assigned counselor's name. Not "The Admissions Team".

Hard rules — NEVER do these:
1. NEVER state a tuition figure unless it's in the context JSON.
2. NEVER predict an admissions decision.
3. NEVER promise a deadline extension.
4. NEVER mention financial aid amounts.
5. If the answer requires info not in context, say so and offer
   to connect them with the counselor.

Format:
- Plain text, no markdown.
- 80-150 words.
- One paragraph + signature.

איפה הטיוטה נוחתת

ה-workflow של n8n יוצר את התשובה כטיוטת Gmail באותו thread, מחיל לייבל כמו ai-draft-pending, ומפרסם הודעת Slack לערוץ הקבלה. הצוות פותח את ה-thread, בודק, עורך אם צריך, שולח — הכל בממשק ה-Gmail הרגיל שלהם.

לקטגוריות FAQ בביטחון גבוה, המערכת משיבה תוך שניות. מותאם אישית עם הקשר המועמד, חתום ע"י יועץ הקבלה המוקצה, נשלח מתיבת הקבלה. לערוצים בזמן אמת כמו WhatsApp אותו pipeline מפעיל את סוכן ה-WhatsApp AI שלנו.

בטוח לשלוח אוטומטית

• application_status — "קיבלנו את הבקשה שלך ב-12 במרץ. אנחנו עוברים על כל החומרים. נחזור אליך עד ה-15 באפריל."
• document_question — "קיבלנו את התעודה ומכתבי ההמלצה שלך. עדיין מחכים למסמכים הפיננסיים."
• deadline_inquiry — "המועד האחרון לתוכנית BSc Computer Science הוא 1 במאי 2026 (הרשמה מוקדמת: 1 בפברואר)."

לעולם לא לשלוח אוטומטית

• החלטות קבלה (קבלה / דחייה / רשימת המתנה)
• נתוני סיוע פיננסי או הענקת מלגות
• כל דבר שמזכיר מונחים משפטיים, תלונות, או ערעורים
• onboarding למועמד בפעם הראשונה (תן רושם ראשון אנושי)

לולאת ההתאמה האישית

מענה אוטומטי איננו מכתב טופס תבניתי. ה-Sonnet draft prompt רץ זהה — אותה הזרקת הקשר, אותם חוקי טון — ואז n8n שולח אותו ישירות דרך Gmail API במקום לשמור כטיוטה. המועמד רואה תשובה עם השם שלו, התוכנית שלו, חתימת היועץ שלו.

כל סיווג, טיוטה, ושליחה כותבים לטבלת Postgres. אחרי 30 יום יש לך נתונים למצוא את נקודות העיוורון של המערכת.

סכמת תיעוד

CREATE TABLE admissions_email_log (
  id              uuid PRIMARY KEY DEFAULT gen_random_uuid(),
  received_at     timestamptz NOT NULL,
  thread_id       text NOT NULL,
  sender_email    text NOT NULL,
  applicant_id    text,
  category        text NOT NULL,
  confidence      numeric(3,2) NOT NULL,
  language        text NOT NULL,
  routing         text NOT NULL,  -- auto / draft / escalate
  draft_body      text,
  sent_at         timestamptz,
  human_edited    boolean DEFAULT false,
  edit_distance   integer,
  reviewer_email  text
);

CREATE INDEX idx_log_received ON admissions_email_log(received_at DESC);
CREATE INDEX idx_log_category ON admissions_email_log(category);

שאילתת סקירה שבועית

מצא את הקטגוריות שבהן אנשים משכתבים טיוטות בכבדות. אלה היעדים לכיוון prompt.

SELECT
  category,
  count(*) as total,
  avg(edit_distance) as avg_edits,
  count(*) FILTER (WHERE human_edited) as edited_count
FROM admissions_email_log
WHERE received_at > now() - interval '7 days'
  AND routing = 'draft'
GROUP BY category
ORDER BY avg_edits DESC;

כשלים נפוצים ופתרונות

שלושה מצבי כשל מופיעים בכל יישום. תכננן להם מהיום הראשון, לא אחרי האירוע הראשון.

כשל 1: נתוני שכר לימוד מומצאים

תסמין: הטיוטה אומרת "שכר הלימוד הוא $54,000 לשנה" — הנתון בפועל הוא $48,500.

פתרון: אף פעם אל תיתן למודל לייצר מספרים. הזרק את הנתון הנוכחי דרך הקשר. אם להקשר אין אותו, ה-prompt מאלץ "אקשר אותך עם היועץ שלך לנתון המדויק" — אף פעם לא מספר מומצא.

כשל 2: תשובות בשפה הלא נכונה

תסמין: מועמד סיני כותב באנגלית (חתימה עדיין בסינית), Sonnet עונה בסינית.

פתרון: ה-classifier prompt אומר במפורש "Detect language from the body, not the signature." העבר את השפה שזוהתה ל-draft prompt כאילוץ: "Reply in: en".

כשל 3: classifier בטוח מדי בקצוות

תסמין: אימייל אומר "אני רוצה לדעת על המלגה שלכם לסטודנטים בינלאומיים" — ה-classifier בוחר deadline_inquiry ב-confidence של 0.92 ועונה אוטומטית עם תשובת deadline גנרית.

פתרון: הוסף שכבת keyword שמורידה confidence ל-0.5 אם האימייל מכיל מונחים ספציפיים (מלגה, סיוע, פיננסי) ללא קשר לבחירת הקטגוריה של המודל. גס אבל יעיל — העלות של מענה אוטומטי שגוי בנושאים פיננסיים גבוהה. אנחנו מתעדים את אותה שכבת הגנה לתחומים בעלי סיכון גבוה במדריך אוטומציות ל-non-profit.

פרטיות: FERPA ו-GDPR

מידע קבלה אקדמי הוא רגולטורי. FERPA בארה"ב, GDPR באיחוד האירופי, ובמדינות רבות חוקים דומים. המערכת חייבת להיות בת-ביקורת.

מה Claude רואה (ולא רואה)

• רואה: גוף האימייל, נושא, שם פרטי של המועמד, סטטוס בקשה (ממתין / בבדיקה / הוחלט), שם תוכנית.
• לא רואה: מספר זהות, תאריך לידה, מסמכים פיננסיים, תעודות, ממוצע ציונים, ציוני בחינות, נימוקי החלטה.

טבלת חיפוש המועמדים ב-Postgres היא mirror מצומצם בכוונה של ה-CRM — רק השדות הנדרשים לתשובות. אין PII מעבר לשם ואימייל.

תושבות נתונים

Anthropic מציעה את Claude API באזורים מרובים. לציות GDPR, נתב בקשות דרך ה-EU endpoint. ל-FERPA, חתום על הסכם המקביל ל-BAA של Anthropic (הסכם מסחרי המכסה נתוני חינוך).

audit trail

כל קריאת API נרשמת עם: חותמת זמן, hash של ה-prompt, המודל בו השתמשו, תגובה, מבקר אנושי (אם רלוונטי). שמירה של 7 שנים בהתאם ל-FERPA כברירת מחדל.

תוצאות נמדדות — אחרי 90 יום

מספרים מיישום אמיתי באוניברסיטה פרטית (12,000 סטודנטים, צוות קבלה של 4) אחרי מחזור הקבלה הראשון.

שיעור המענה האוטומטי של 54% משמעו שצוות אנושי טיפל ב-46% — אבל ה-46% שטיפלו בו קיבלו את מלוא תשומת הלב, עם טיוטות שנוצרו ע"י AI כנקודת התחלה. מרחק עריכה ממוצע של 38 תווים לטיוטה (בעיקר התאמות טון, לא תיקונים עובדתיים).

לוח זמנים ועלות יישום

שאלות נפוצות