实战

AI Agent 群发垃圾邮件实操拆解:iLands 流水线怎么跑通的

Tedium 报道 iLands 用 Agent 自动生成并批量发送高度个性化推销邮件,HN 43 分上首页。拆解三步流水线,聊聊为什么 Gmail 没拦住、平台为什么不动。

字号

9 月 11 日,Tedium 发了一篇报道,主角是 iLands 的创始人 Kaixin Tang。他用 AI Agent 自动生成并批量发送高度个性化的推销邮件,目标可能是几万、几十万级别的潜在客户。

当天这篇稿子冲到 Hacker News 首页,43 分、19 条评论。评论区基本两种声音:"这不就是 spam 吗?"和"技术上确实挺厉害"。

我看完原文,更关心另一件事:这套流水线门槛低到离谱。任何会写 Python 的人,花一个周末就能复刻。


iLands 在做什么:用 Agent 把"群发"伪装成"1v1"

传统群发邮件长这样:

尊敬的客户,我们的产品可以帮助您...

一眼 spam。

iLands 的 Agent 做出来的东西长这样:

看了你去年那篇关于 Postgres 索引优化的文章,特别是 BRIN 那段——我们最近给一个电商客户做的方案里正好用到了类似的思路,把写入性能提了 4 倍。如果你感兴趣,我可以发详细 case study 给你。

收到这种邮件,你的第一反应通常是:"这人真的读了我的博客。"

但实际上:Agent 在发送前 3 秒,刚刚爬完你的个人网站 / GitHub / LinkedIn / Twitter,把所有公开信息塞进 prompt,让 LLM 生成"看起来像手写"的回复。整个过程没人参与。

这就是 Tedium 报道的核心:Agent 把 spam 做到了"拟人级"。


拆解它的 Agent 流水线:三步全自动

整个外联(outreach)流程拆开,就是三段:research → draft → send。每段对应一个 Agent 能力。

第一步:Research(目标调研)

Agent 拿到一个域名或 LinkedIn URL,自动跑下面这些事:

  • 抓取个人网站 / 博客 / GitHub profile
  • 提取最近 3-5 篇文章的标题和摘要
  • 抓 LinkedIn 工作经历、教育背景
  • 抓 Twitter / X 近期发言

技术栈大概是 Playwright 或者 headless Chrome 跑爬虫,加一个简单的 LLM 调用做信息抽取。下面这段是简化版:

from playwright.sync_api import sync_playwright
import anthropic

def scrape_target(url: str) -> dict:
    with sync_playwright() as p:
        browser = p.chromium.launch(headless=True)
        page = browser.new_page()
        page.goto(url, wait_until="networkidle")
        html = page.content()
        browser.close()

    client = anthropic.Anthropic()
    msg = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": f"从以下 HTML 提取这个人的职业背景、最近写的主题、技术栈偏好:\n\n{html[:50000]}"
        }]
    )
    return msg.content[0].text

profile = scrape_target("https://example.com/blog")

这就是全部。整个爬虫 + 抽取流程不超过 80 行。

第二步:Draft(文案生成)

把上一步抽出来的 profile 喂给 LLM,prompt 大概长这样:

你是一名 SaaS 销售,要给下面这个人写一封冷邮件:
姓名:{name}
职业背景:{profile['background']}
最近关注的话题:{profile['topics']}

要求:
- 200 字以内
- 引用他最近一篇文章或一个观点(具体到细节)
- 不要使用"尊敬的"、"我们公司"这种套路词
- 口吻像一个同行在交流,不是销售在推销
- 结尾留一个低门槛的 CTA(比如"如果你有兴趣可以看看这个 case")

Claude Sonnet 4.5 或者 GPT-5 跑这种任务,单封成本 2-3 美分。

第三步:Send(投递)

最没技术含量的一段,但最容易翻车:

  • 多个 SMTP 账号轮换(防止单一 IP 被标记)
  • 发送节奏随机化(每封间隔 30-180 秒)
  • DKIM / SPF / DMARC 配齐(很多廉价 ESP 都能搞定)
  • 域名分散(10 个域名 × 50 个邮箱 = 500 个发件身份)

为什么 Gmail 的垃圾邮件过滤器没拦住

Gmail 的 spam 模型是基于内容特征 + 行为特征联合判断的。

内容维度: 老式 spam 都是模板化语句、夸张承诺、链接农场。iLands 的 Agent 生成的文案每封都不一样,关键词命中 spam 规则的概率极低。

行为维度: 传统 spam 是"一波流"——一个 IP、一个域名、几千封同时发。Agent pipeline 做了三件事来绕过:

  1. 域名池:报道里提到,Tang 用了一组域名轮发,每个域名每天只发 20-50 封
  2. 节奏拟人:发送间隔随机化,工作时间内发送,模拟"上午 10 点到下午 4 点"的高峰
  3. 回复率优化:被打开 / 回复的邮箱会被标记,后续对未打开的邮箱降低频率

这三点加起来,Gmail 看到的信号就是"一个普通销售在用邮件正常开发客户"。

也不是完全没破绽。HN 评论里有人指出:反查发件人域名 WHOIS,注册时间 < 6 个月、没网站、纯邮件用途,基本就是 spam 基础设施。但普通收件人不会去查。


类似的 Agent 滥用已经在批量复制

iLands 不是孤例。HN 评论区列了一堆类似案例:

  • SEO 外链 Agent:自动爬博客列表、AI 生成评论、批量留链接
  • LinkedIn 加好友 Agent:用 Browser Use 跑 headless Chrome,模拟真人点击,一天加 200 个
  • 评论灌水 Agent:在 Hacker News、Reddit、Product Hunt 下面自动回复,带产品链接
  • JD 投放 Agent:HR 拿来批量给候选人发"我们看了你的简历"的模板消息

每个场景的技术链路都差不多:爬取 → LLM 改写 → 拟人投递。


平台侧为什么按兵不动

为什么 Gmail / Outlook / LinkedIn 不直接封掉?三个原因,一个比一个难听。

第一,误杀成本。 正常销售确实会群发——只是没 AI 帮忙写而已。封太狠,合法 B2B 销售也死了。Google 不敢赌。

第二,判别难度。 Agent 生成的邮件和真人写的邮件,在文本层面已经分不开了。要识别,只能看"行为链路"——但这需要 Gmail 监控你的浏览器活动、滚动鼠标的方式,这是另一种灾难。

第三,商业激励。 Gmail 靠企业版赚钱,B2B 销售邮件打开率是 KPI。LinkedIn Premium 卖的就是"无限 InMail"。平台从 spam 里赚钱。

我的判断:指望平台治理是错的。 他们没有动机,也没有能力(至少不愿意用监控手段来实现能力)。


编辑思考

iLands 这件事最有意思的地方,不是"又一个 spam 故事"。

它证明了一件事:Agent 把单人作恶产能拉到了机构级。 以前做大规模个性化 spam,需要雇 10 个销售每人每天写 50 封。现在一个人 + 一套 Agent pipeline,产能超过 10 个销售。

更关键的是,这套打法的边际成本接近零。多一个目标地址,就多花几美分的 LLM 调用费。规模化没有天花板。

未来 12 个月,我赌会出现专门的 anti-agent 检测服务。形态可能是:

  • 浏览器插件:实时分析你正在读的这封邮件,标注"AI 生成概率"
  • 企业网关:对收到的邮件跑反 LLM 检测 + 发件人行为画像
  • 反向爬虫服务:帮你查对方域名 / 邮箱的 WHOIS、注册时间、关联账户

第一波可能还是基于 GLTR / DetectGPT 那种文本统计特征。但很快会升级到行为链路上——查发件人是不是在用节奏化发送、域名是不是新注册、IP 段是不是邮件服务商常见出口。

不确定的部分:这些工具的误杀率会怎么演化。如果误杀 1% 的合法 B2B 邮件,企业不会用。如果能压到 0.1% 以下,有可能成为 SaaS 标准件。

另一个开放问题:法律上怎么定义? GDPR 把"自动化决策"管得很严,但美国这边没有对应的联邦法律。州层面,加州 CCPA 给了"opt-out of automated processing"的权利,但执行几乎为零。短期内,法律追不上技术。

和过去不同的是:这次的 spam 不是"发得多",而是"看着像人写的"。以前所有 anti-spam 系统都在围绕"量"和"模板特征"建防线。Agent 把这两个维度都绕过去了。这是一场规则层面的失效,不是技术细节的失效。

引用来源:
- Tedium 原文: iLands 用 AI Agent 做个性化邮件外联
- Hacker News 讨论帖(item 49671159)

来源: https://tedium.co/2026/09/11/ilands-agents-email-spam-kaixin-tang/