llmass 1.1.22

AI-powered email management and automation system: auto-categorize, detect spam, and generate responses with LLM

llmass - LLM Mail Automation System 🤖📧

Inteligentny system automatyzacji poczty email z użyciem AI.

📚 Dokumentacja

Pełna dokumentacja dostępna w katalogu docs/

🚀 Szybki start

• Instalacja - Jak zainstalować llmass
• Przewodnik szybkiego startu - Pierwsze kroki
• 🎯 Przykłady użycia (USAGE_EXAMPLES.md) - Kompletne przykłady wszystkich komend

Funkcje

• Email Organizer - Automatyczna kategoryzacja
• Email Responder - Generowanie odpowiedzi AI
• IMAP Repair - Naprawa corruption skrzynki
• Aktywne konwersacje - Wykrywanie wątków

Nowe funkcje (2025-10-05)

• 🛡️ Online Spam Databases - SpamHaus, SURBL, URIBL integration
• 👤 Sender Name Extraction - Personalized email greetings
• 🍪 Cookie Dialog Fix - Better unsubscribe success rate

Architektura i Docker

• Przegląd architektury - Jak działa system
• Docker - środowisko testowe - Testy bez wpływu na prawdziwą skrzynkę

Konfiguracja

• Zmienne środowiskowe - Wszystkie parametry

⭐ Co nowego (2025-10-05)

🛡️ Enhanced Spam Detection

Online spam databases integration! SpamHaus ZEN, SURBL, URIBL checks dla lepszej detekcji spam.

export SPAM_ONLINE_CHECK=true
llmass clean --verbose --limit 100
# Output: 🚫 SPAM: Blacklisted: SURBL: phishing-site.xyz

Accuracy: 85% → 95% | False positives: 5% → 1%

👤 Personalized Email Responses

Inteligentna ekstrakcja nazw nadawców z emaili.

llmass write --limit 10
# "Greg <[e-mail]>" → "Dear Greg,"
# "[e-mail]" → "Dear John Doe,"

🍪 Cookie Dialog Handling

Automatyczne zamykanie cookie consent dialogs w llmass unsubscribe.

llmass unsubscribe --limit 50
# 🍪 Zamykam cookie dialog: button:has-text("Alle ablehnen")
# ✅ Wypisano pomyślnie

Zobacz: USAGE_EXAMPLES.md dla pełnych przykładów!

---

🚀 Funkcje

Email Organizer Bot

• ✅ Automatyczna kategoryzacja emaili
• ✅ Enhanced Spam Detection:
  • 🛡️ Local heuristics (patterns, TLD, sender analysis)
  • 🌐 Online spam databases (SpamHaus ZEN, SURBL, URIBL)
  • 📊 95% accuracy vs 85% local-only
  • 🔄 24-hour DNS cache to minimize queries
  • ⚡ Fast: local checks first, online as fallback
• ✅ Tworzenie nowych folderów dla podobnych wiadomości
• ✅ Konfigurowalne grupowanie (próg podobieństwa, min. rozmiar klastra, min. udział %)
  • Domyślnie: similarity=0.25, min_size=2, min_fraction=0.10
• ✅ Cross-folder spam: automatyczne przenoszenie maili z INBOX podobnych do wiadomości w SPAM/Kosz
• ✅ Ponowne użycie istniejących kategorii (dopasowanie po treści i nadawcach)
• ✅ Automatyczne czyszczenie pustych folderów Category* przy starcie
• ✅ Konfigurowalny TF‑IDF (cechy i stopwords)
• ✅ LOG_LEVEL i tryb DRY‑RUN
• ✅ Obsługa wielu serwerów pocztowych

Email Responder Bot

• ✅ Automatyczne generowanie odpowiedzi z użyciem LLM
• ✅ Zapisywanie odpowiedzi jako drafty (nie wysyła automatycznie)
• ✅ Intelligent Name Extraction:
  • 👤 Extracts sender names from email addresses
  • 🎯 Personalized greetings ("Dear John" not "Dear [Recipient's Name]")
  • 📧 Handles formats: "Name ", "Name | Org ", "[e-mail]" → "John Doe"
• ✅ Multi-Language Support: Wykrywa język (PL, EN, DE, FR, ES, IT) i odpowiada w tym samym języku
• ✅ Full Conversation History: Uwzględnia wcześniejszą korespondencję (wysłane + otrzymane)
• ✅ CalDAV Integration: Automatyczne umawianie terminów
  • Wykrywa prośby o spotkanie
  • Łączy się z kalendarzem (Google, Nextcloud, iCloud, Fastmail)
  • Proponuje wolne terminy
  • Automatyczne bookowanie po potwierdzeniu

Newsletter Unsubscribe Bot

• ✅ Automatic Unsubscribe: Automatyczne wypisywanie z newsletterów
  • Domyślnie skanuje folder SPAM (automatyczna deduplikacja po nadawcy)
  • Auto-detekcja folderu spam (SPAM, Junk, Bulk, INBOX.Spam, [Gmail]/Spam)
  • Automatyczna instalacja zależności - po prostu uruchom komendę!
  • 🍪 Cookie consent handling: Automatically closes cookie dialogs before unsubscribe
  • Wykrywa newslettery (List-Unsubscribe header, HTML parsing)
  • Znajduje linki unsubscribe w różnych językach
  • Automatycznie klika "unsubscribe" w wirtualnej przeglądarce (Playwright)
  • Opcja otwarcia linków w przeglądarce (nowe karty) dla weryfikacji manualnej
  • Multi-language cookie buttons (DE, EN, PL)
  • Robi zrzuty ekranu procesu wypisywania
  • Loguje rezultaty do unsubscribe.md z fragmentami wiadomości
  • Śledzi statystyki (skuteczność, lista niepowodzeń)
  • Batch processing wielu newsletterów naraz

Spam Manager Web UI

• ✅ Visual Spam Management: Interfejs webowy do zarządzania spamem
  • Podgląd emaili HTML lub zrzuty ekranu
  • Karta dla każdego emaila z informacjami (nadawca, temat, data)
  • 3 przyciski akcji:
    • Delete: Usuń na zawsze
    • Archive: Przenieś do Archive (save for later)
    • Move to INBOX: Nie spam, wróć do INBOX
  • Statystyki w czasie rzeczywistym
  • Responsywny layout (grid)
  • Akcje AJAX bez przeładowania strony
  • Uruchom: llmass spam-ui → http://localhost:5000

📋 Wymagania

• Python 3.8+
• Konto email z dostępem IMAP
• Dla Gmail: hasło aplikacji
• GPU (opcjonalnie, dla szybszego działania LLM)

🔧 Instalacja

Z PyPI (rekomendowane)

pip install llmass

Z repozytorium

# Sklonuj repozytorium
git clone https://github.com/dobyemail/llmass.git
cd llmass

# Uruchom skrypt instalacyjny
chmod +x install.sh
./install.sh
# lub użyj Makefile:
make install

Lub ręcznie:

# Utwórz środowisko wirtualne
python3 -m venv venv
source venv/bin/activate

# Zainstaluj zależności
pip install -r requirements.txt

# Zainstaluj pakiet w trybie deweloperskim
pip install -e .

🐳 Docker Test Environment

Quick Start

# Zbuduj i uruchom testy
make test

# Zobacz wyniki
make report        # Otwórz raport HTML
make logs          # Pokaż logi

Architektura Docker

• MailHog: Testowy serwer SMTP/IMAP z interfejsem webowym
• Dovecot: Serwer IMAP dla przechowywania emaili
• Email Generator: Tworzy testowe emaile w różnych kategoriach
• Email Organizer Bot: Kategoryzuje i organizuje emaile
• Email Responder Bot: Generuje odpowiedzi AI na emaile
• Test Runner: Automatyczny pakiet testów z pokryciem kodu

Architektura systemu (Organizer)

• [email_organizer.py]: główny bot organizujący skrzynkę
  • Pobiera emaile z wybranego folderu (INBOX domyślnie)
  • Wykrywa spam heurystycznie (is_spam) oraz przez podobieństwo do SPAM/Kosz
  • Pomija wiadomości ubogie w treść (_has_sufficient_text), by nie fałszować podobieństw
  • Grupuje podobne wiadomości (TF‑IDF + cosine)
  • Zamiast tworzyć nowe foldery, najpierw próbuje dopasować do istniejących kategorii (_choose_existing_category_folder)
  • Sanityzuje i tworzy foldery kategorii jako podfoldery INBOX
  • Czyści puste Category* na starcie
• [email_responder.py]: generowanie odpowiedzi z LLM (drafty)
• [email_generator.py]: generator przykładowych wiadomości (w tym spam)
• Dovecot: IMAP store (test)
• MailHog: SMTP + UI (test)

Przepływ przetwarzania (Organizer)

1. CONNECT do IMAP i detekcja delimitera folderów
2. CLEANUP: usuń puste Category* (opcjonalne)
3. FETCH z wybranego folderu (filtr czasu)
4. SPAM HEURISTICS: przenieś oczywisty spam
5. CONTENT CHECK: jeśli wiadomość ma za mało tekstu → pomiń z kategoryzacji
6. CROSS-SPAM: wykryj podobieństwo do SPAM/Kosz i przenieś (konfigurowalne)
7. CLUSTERING: grupuj pozostałe
8. CATEGORY MATCH: dopasuj klaster do istniejących INBOX.Category_*
9. CREATE/MOVE: twórz folder (jeśli trzeba) i przenoś maile
10. EXPUNGE (wyłączone w DRY‑RUN)

Dostępne komendy Make

make help          # Pokaż wszystkie komendy
make build         # Zbuduj obrazy Docker
make up            # Uruchom wszystkie serwisy
make down          # Zatrzymaj wszystkie serwisy
make test          # Uruchom pełny pakiet testów
make test-quick    # Szybki test bez rebuildu
make logs          # Pokaż logi
make shell         # Otwórz shell w kontenerze testowym
make clean         # Wyczyść wszystko
make status        # Pokaż status serwisów

MailHog Web UI

Dostęp do interfejsu MailHog: http://localhost:8025

Funkcje:

• Przeglądanie wszystkich testowych emaili
• Sprawdzanie wykrywania spamu
• Weryfikacja organizacji emaili
• Monitorowanie ruchu SMTP

🎯 Użycie

📋 Szybki przegląd komend

Komenda	Opis	Przykład
llmass clean	🗂️ Organizacja i kategoryzacja emaili	llmass clean --limit 100 --verbose
llmass write	✍️ Generowanie odpowiedzi z AI	llmass write --limit 10
llmass unsubscribe	📭 Automatyczne wypisywanie z newsletterów	llmass unsubscribe --limit 50
llmass spam-ui	🌐 Web interface do zarządzania spamem	llmass spam-ui
llmass generate	📨 Generator testowych emaili	llmass generate --num-emails 50
llmass repair	🔧 Naprawa corruption skrzynki	llmass repair --dry-run
llmass test	🧪 Uruchom testy	llmass test --verbose

💡 Wszystkie komendy z .env: Ustaw EMAIL_ADDRESS i EMAIL_PASSWORD w .env, potem po prostu: llmass clean, llmass write, etc.

📖 Pełne przykłady: Zobacz USAGE_EXAMPLES.md

---

Instalacja z PyPI

pip install llmass

Komendy CLI

llmass oferuje zunifikowany interfejs CLI z subkomendami:

llmass generate - Generowanie testowych emaili

# Podstawowe użycie (localhost SMTP)
llmass generate --num-emails 50 --spam-ratio 0.2

# Z własnym serwerem SMTP
llmass generate --smtp-host mailhog --smtp-port 1025 --num-emails 100

# Do konkretnego odbiorcy
llmass generate --to test@localhost --num-emails 20

llmass clean - Organizacja i kategoryzacja emaili

# Podstawowe użycie (z .env credentials)
llmass clean

# Z własnym serwerem IMAP
llmass clean --email [e-mail] --password haslo --server imap.example.com

# Tryb testowy (bez przenoszenia)
llmass clean --dry-run

# Verbose mode (pokazuje detekcję spam z online databases)
llmass clean --verbose --limit 50

# Ograniczenie liczby i zakresu czasu (domyślnie: 100 ostatnich, z 7 dni)
llmass clean --limit 200 --since-days 14
# lub do konkretnej daty (YYYY-MM-DD)
llmass clean --since-date 2025-09-20 --limit 50

# Czułość grupowania (progi konfigurowalne)
llmass clean \
  --similarity-threshold 0.20 \
  --min-cluster-size 2 \
  --min-cluster-fraction 0.05

# Przetwarzanie konkretnego folderu (i opcjonalnie podfolderów)
llmass clean --folder INBOX --include-subfolders --limit 50

# 🛡️ Online Spam Detection (NEW!)
# Enable/disable online spam database checks
export SPAM_ONLINE_CHECK=true   # Enable SpamHaus, SURBL, URIBL (default)
export SPAM_ONLINE_CHECK=false  # Local heuristics only
llmass clean --verbose --limit 100

# Cross-folder spam (porównanie z SPAM/Kosz)
# Jeśli wiadomość z INBOX jest podobna do maili w SPAM/Kosz (cosine >= CROSS_SPAM_SIMILARITY),
# zostanie automatycznie przeniesiona do SPAM
# (próbkujemy do CROSS_SPAM_SAMPLE_LIMIT wiadomości referencyjnych)
export CROSS_SPAM_SIMILARITY=0.6
export CROSS_SPAM_SAMPLE_LIMIT=200
llmass clean --limit 50 --since-days 7

# Przykładowy output z online spam detection:
# 📥 Znaleziono 50 emaili do analizy
# Analizuję email 1/50...
#   🚫 SPAM: Local heuristics
# Analizuję email 2/50...
#   🚫 SPAM: Blacklisted: SURBL: badsite.xyz
# Analizuję email 3/50...
#   ✅ Ham (legitimate)

llmass write - Generowanie odpowiedzi z AI

# Podstawowe użycie
llmass write --email [e-mail] --password haslo

# Domyślny model: Qwen/Qwen2.5-7B-Instruct
llmass write --model mistralai/Mistral-7B-Instruct-v0.2

# Przetwarzanie określonego folderu
llmass write --folder "Important" --limit 5

# Ograniczenie liczby i zakresu czasu (domyślnie: 100 ostatnich, z 7 dni)
llmass write --limit 100 --since-days 7
llmass write --limit 50 --since-date 2025-09-20

# Parametry generowania
llmass write --temperature 0.7 --max-tokens 512

# Tryb offline (mock responses, bez LLM)
llmass write --offline --limit 10

llmass repair - Napraw corruption skrzynki IMAP

# Test naprawy (dry-run)
llmass repair --email [e-mail] --password haslo --dry-run

# Prawdziwa naprawa (z potwierdzeniem)
llmass repair --email [e-mail] --password haslo

# Wymusza naprawę bez potwierdzenia
llmass repair --email [e-mail] --password haslo --force

# Napraw konkretny folder
llmass repair --email [e-mail] --password haslo --folder INBOX

⚠️ Uwaga: Naprawa przenosi wszystkie emaile do folderu tymczasowego i z powrotem w celu regeneracji UIDs. Jest bezpieczna ale zaleca się backup skrzynki.

llmass test - Uruchom testy

# Uruchom wszystkie testy
llmass test

# Tryb verbose
llmass test --verbose

# Szybkie testy (bez integracyjnych)
llmass test --quick

llmass unsubscribe - Automatic newsletter unsubscribe (NEW!)

# Podstawowe użycie (skanuje SPAM folder)
llmass unsubscribe --limit 50

# Z otwarciem linków w przeglądarce (manual verification)
llmass unsubscribe --limit 50 --open-browser

# Automatyczne wypisywanie (headless mode)
llmass unsubscribe --limit 100 --auto

# 🍪 Cookie dialogs są automatycznie zamykane!
# Bot wykrywa i klika "Reject all" / "Alle ablehnen" / "Odrzuć wszystko"

# Skanuj inny folder
llmass unsubscribe --folder INBOX --limit 50

# Przykładowy output:
# 📊 Znaleziono 39 emaili, sprawdzam...
# ✉️  [1/39] Newsletter: Workwise <[e-mail]>
#     📋 ACUE GmbH und 2 andere Unternehmen haben neue Jobs
#     🔗 https://www.workwise.io/einstellungen#email-benachrichtigungen
# 🍪 Zamykam cookie dialog: button:has-text("Alle ablehnen")
# 🔍 Znaleziono: button:has-text("Abmelden")
# ✅ Wypisano pomyślnie
# 📊 PODSUMOWANIE:
#    ✅ Sukces: 3
#    ❌ Niepowodzenia: 0

llmass spam-ui - Web UI do zarządzania spamem

# Uruchom web interface
llmass spam-ui

# Otwórz http://localhost:5000
# Interaktywny interfejs do przeglądania i zarządzania spamem

Backwards Compatibility

Stare komendy nadal działają dla kompatybilności wstecznej:

# Zamiast: llmass clean
email-organizer --email [e-mail] --password haslo

# Zamiast: llmass write
email-responder --email [e-mail] --password haslo

# Lub bezpośrednio:
python email_organizer.py --email [e-mail] --password haslo
python email_responder.py --email [e-mail] --password haslo

Docker + Makefile

# Domyślnie użyje Qwen/Qwen2.5-7B-Instruct
make respond

# Wymuś inny model
make respond MODEL="mistralai/Mistral-7B-Instruct-v0.2"

Konfiguracja przez .env (fallback)

Skrypty automatycznie ładują zmienne z pliku .env (python-dotenv). Priorytet wartości:

1. Parametry CLI (--email, --password, --server, --smtp, --model, itd.)
2. Zmienne z .env (EMAIL_ADDRESS, EMAIL_PASSWORD, IMAP_SERVER, SMTP_SERVER, MODEL_NAME, LIMIT, TEMPERATURE, MAX_TOKENS, SMTP_HOST, ...)
3. Wbudowane wartości domyślne (np. model Qwen/Qwen2.5-7B-Instruct, LIMIT=100, SINCE_DAYS=7, TEMPERATURE=0.7, MAX_TOKENS=500)

Jeśli nie podasz wymaganych danych logowania w CLI i nie będą one dostępne w .env, skrypt zakończy się komunikatem o brakujących zmiennych.

Parametry kategoryzacji w .env

Możesz globalnie ustawić progi grupowania (używane przez email_organizer.py):

SIMILARITY_THRESHOLD=0.25
MIN_CLUSTER_SIZE=2
MIN_CLUSTER_FRACTION=0.10

🛡️ Online Spam Detection w .env (NEW!)

# Enable/disable online spam database checks (SpamHaus, SURBL, URIBL)
SPAM_ONLINE_CHECK=true   # Default: true

Cross-folder spam w .env

CROSS_SPAM_SIMILARITY=0.6
CROSS_SPAM_SAMPLE_LIMIT=200

Dopasowanie do istniejących kategorii w .env

CATEGORY_MATCH_SIMILARITY=0.5
CATEGORY_SENDER_WEIGHT=0.2
CATEGORY_SAMPLE_LIMIT=50

Sprzątanie pustych kategorii

CLEANUP_EMPTY_CATEGORY_FOLDERS=true

Vectorizer (TF‑IDF) i Stopwords

TFIDF_MAX_FEATURES=100
STOPWORDS=none   # none|english

Progi minimalnej treści (pomijanie maili zbyt ubogich w tekst)

CONTENT_MIN_CHARS=40
CONTENT_MIN_TOKENS=6

Email Responder - podpis i historia konwersacji

DRAFTS_FOLDER=INBOX.Drafts            # Folder dla wersji roboczych (auto-detect jeśli brak)
SENDER_NAME=Jan Kowalski               # Imię i nazwisko w podpisie
SENDER_TITLE=Asystent AI               # Tytuł/stanowisko (opcjonalnie)
SENDER_COMPANY=Twoja Firma             # Nazwa firmy (opcjonalnie)
CONVERSATION_HISTORY_LIMIT=3           # Liczba wcześniejszych wiadomości w kontekście (domyślnie: 3)

Logowanie i tryb testowy

LOG_LEVEL=INFO   # DEBUG|INFO|WARNING|ERROR
DRY_RUN=false

W Docker Compose możesz je nadpisać na poziomie usług lub w .env.

🤖 Rekomendowane modele LLM (do 8B)

Domyślnie używamy: Qwen 2.5 7B Instruct.

1. Qwen 2.5 7B Instruct - Domyślny, bardzo wszechstronny
2. Mistral 7B Instruct - Bardzo dobra wydajność
3. Llama 3.2 8B Instruct - Dobra jakość odpowiedzi
4. Gemma 2 9B - Lekko ponad limit, ale bardzo wydajny

⚙️ Konfiguracja dla popularnych dostawców

Gmail

1. Włącz weryfikację dwuetapową
2. Wygeneruj hasło aplikacji: https://myaccount.google.com/apppasswords
3. Użyj hasła aplikacji zamiast zwykłego hasła

Outlook/Hotmail

1. Włącz dostęp IMAP w ustawieniach
2. Może wymagać hasła aplikacji

🔒 Bezpieczeństwo

• Nigdy nie przechowuj haseł w kodzie
• Użyj zmiennych środowiskowych dla wrażliwych danych:

  export EMAIL_PASSWORD="twoje_haslo"
  python email_organizer.py --email [e-mail] --password $EMAIL_PASSWORD
  

• Rozważ użycie menedżera haseł lub keyring

📊 Parametry

Email Organizer

• --email: Adres email (wymagany)
• --password: Hasło (wymagany)
• --server: Serwer IMAP (opcjonalny)
• --dry-run: Tylko analiza, bez zmian
• --limit: Limit emaili do analizy (domyślnie: 100)
• --since-days: Okno czasowe w dniach (domyślnie: 7)
• --since-date: Najstarsza data w formacie YYYY-MM-DD
• --similarity-threshold: Próg podobieństwa (0-1) dla grupowania, domyślnie 0.25
• --min-cluster-size: Minimalna liczba emaili w klastrze, domyślnie 2
• --min-cluster-fraction: Minimalny udział wiadomości w klastrze (0-1), domyślnie 0.10
• --folder: Folder do przetworzenia (domyślnie: INBOX)
• --include-subfolders: Włącz przetwarzanie podfolderów (eksperymentalne)
• CROSS_SPAM_SIMILARITY (ENV): Próg podobieństwa INBOX do SPAM/Kosz (0-1), domyślnie 0.6
• CROSS_SPAM_SAMPLE_LIMIT (ENV): Limit próby maili referencyjnych z SPAM/Kosz, domyślnie 200
• CATEGORY_MATCH_SIMILARITY (ENV): Próg dopasowania klastra do istniejącej kategorii, domyślnie 0.5
• CATEGORY_SENDER_WEIGHT (ENV): Waga zgodności nadawców w dopasowaniu, domyślnie 0.2
• CATEGORY_SAMPLE_LIMIT (ENV): Limit maili referencyjnych z folderów kategorii, domyślnie 50
• CLEANUP_EMPTY_CATEGORY_FOLDERS (ENV): Usuwaj puste Category* przy starcie, domyślnie true
• TFIDF_MAX_FEATURES (ENV): Liczba cech TF‑IDF, domyślnie 100
• STOPWORDS (ENV): Zbiór stopwords dla TF‑IDF (none|english), domyślnie none
• LOG_LEVEL (ENV): Poziom logowania (DEBUG|INFO|WARNING|ERROR), domyślnie INFO
• DRY_RUN (ENV): Tryb bez skutków ubocznych (true|false)

Email Responder

• --email: Adres email (wymagany)
• --password: Hasło (wymagany)
• --model: Model LLM do użycia
• --folder: Folder do przetworzenia (domyślnie: INBOX)
• --limit: Limit emaili (domyślnie: 100)
• --all-emails: Przetwarzaj wszystkie, nie tylko nieprzeczytane
• --dry-run: Nie zapisuj draftów
• --temperature: Kreatywność odpowiedzi (0.0-1.0)
• --max-tokens: Maksymalna długość odpowiedzi (auto-clamp do 1024 na GPU)
• --offline: Tryb offline (mock responses)
• --since-days: Okno czasowe w dniach (domyślnie: 7)
• --since-date: Najstarsza data w formacie YYYY-MM-DD
• DRAFTS_FOLDER (ENV): Folder dla draftów, domyślnie INBOX.Drafts (auto-detect)
• SENDER_NAME (ENV): Imię i nazwisko w podpisie, domyślnie login email
• SENDER_TITLE (ENV): Tytuł/stanowisko w podpisie (opcjonalny)
• SENDER_COMPANY (ENV): Nazwa firmy w podpisie (opcjonalny)
• CONVERSATION_HISTORY_LIMIT (ENV): Liczba wcześniejszych wiadomości w kontekście, domyślnie 3

🧪 Funkcje testowania

Pokrycie testów

• Walidacja konfiguracji środowiska
• Generowanie emaili (wiele kategorii + spam)
• Łączność SMTP/IMAP
• Dokładność wykrywania spamu
• Kategoryzacja emaili
• Organizacja folderów
• Ładowanie modelu LLM
• Generowanie odpowiedzi
• Tworzenie drafts
• Pełna integracja workflow
• Metryki wydajności

Raporty z testów

Po uruchomieniu testów znajdziesz raporty w:

• test-results/report.html - Raport HTML testów
• test-results/coverage/index.html - Pokrycie kodu
• test-results/junit.xml - Format JUnit
• test-results/performance_metrics.json - Dane wydajności

🐛 Rozwiązywanie problemów

Błąd połączenia

• Sprawdź czy IMAP jest włączony
• Dla Gmail użyj hasła aplikacji
• Sprawdź firewall/antywirus

Brak pamięci przy ładowaniu modelu

• Użyj mniejszego modelu
• Włącz tryb CPU: usuń CUDA
• Użyj tryb --offline dla testów

Wolne działanie

• Użyj GPU (NVIDIA z CUDA)
• Zmniejsz --max-tokens
• Użyj mniejszego modelu

Konflikty portów (Docker)

# Zmień porty w docker-compose.yml
ports:
  - "8026:8025"  # MailHog UI
  - "1026:1025"  # SMTP

Czysty restart (Docker)

make clean
make build
make test

📈 Wydajność

Typowe czasy wykonania testów:

• Konfiguracja środowiska: ~10s
• Generowanie emaili: ~5s
• Organizacja: ~10s
• Generowanie odpowiedzi: ~15s
• Pełny pakiet: ~60s

🔒 Uwagi bezpieczeństwa

⚠️ Środowisko Docker jest tylko do TESTÓW!

• Używa haseł w postaci zwykłego tekstu
• Brak szyfrowania SSL/TLS
• Mockowe adresy email
• Uproszczona autentykacja

Nigdy nie używaj w produkcji!

👨‍💻 Dla Deweloperów

Lokalna instalacja (dev mode)

git clone https://github.com/dobyemail/llmail.git
cd llmail
python3 -m venv venv
source venv/bin/activate
pip install -e ".[dev]"

Uruchom testy

# Przez CLI
llmail test --verbose

# Lub bezpośrednio
pytest -v

# Z pokryciem kodu
pytest --cov=. --cov-report=html

Test instalacji lokalnej

./test_install.sh

Publikacja na PyPI

# 1. Zaktualizuj wersję w llmail_cli.py i setup.py
# 2. Zaktualizuj CHANGELOG.md
# 3. Zbuduj paczkę
./publish.sh

# 4. (Opcjonalnie) Test na TestPyPI
python3 -m twine upload --repository testpypi dist/*

# 5. Publikuj na PyPI
python3 -m twine upload dist/*

Zobacz PUBLISHING.md dla szczegółowych instrukcji.

Struktura projektu

llmail/
├── llmail_cli.py          # Główny CLI wrapper (llmail clean/write/test)
├── email_organizer.py     # Bot organizujący (llmail clean)
├── email_responder.py     # Bot odpowiadający (llmail write)
├── email_generator.py     # Generator testowych emaili
├── test_suite.py          # Testy jednostkowe i integracyjne
├── setup.py               # Konfiguracja setuptools
├── pyproject.toml         # Nowoczesna konfiguracja buildu
├── MANIFEST.in            # Pliki do pakowania
├── docker_compose.yml     # Środowisko testowe Docker
└── dovecot/               # Konfiguracja Dovecot dla testów

Konwencje kodu

• Python 3.8+ (kompatybilność wsteczna)
• Docstringi dla publicznych funkcji
• Type hints dla nowych kodu
• Black dla formatowania (80-100 znaków)
• Testy dla nowych funkcji

Zgłaszanie błędów

https://github.com/dobyemail/llmail/issues

📝 Licencja

Apache License 2.0