實戰

iLands 怎麼用 AI Agent 把垃圾信洗成「1 對 1 私訊」

iLands 創辦人 Kaixin Tang 用 Agent 自動產出個人化推銷信,規模上看數十萬封,在 Hacker News 拿下 43 分。本文拆解三段式 pipeline,分析 Gmail 為何沒擋下來,以及平台遲遲不動作的原因。

字級

9 月 11 日,Tedium 刊登了一篇報導,主角是 iLands 創辦人 Kaixin Tang。他用 AI Agent 自動產出並大量寄送高度個人化的推銷信,對象可能是數萬到數十萬等級的潛在客戶。

當天這篇文章衝上 Hacker News 首頁,43 分、19 則留言。留言區大致兩種聲音:「這根本就是垃圾信吧?」以及「技術上確實很厲害」。

看完全文,我在意的是另一件事:這套流水線門檻低到離譜。任何會寫 Python 的人,花一個週末就能複製出來。

iLands 在做什麼:用 Agent 把「大量寄送」喬裝成「1 對 1 私訊」

傳統的群發信長這樣:

尊敬的客戶,我們的產品可以幫助您……

一眼 spam。

iLands 的 Agent 產出來的東西長這樣:

看了你去年那篇關於 Postgres 索引最佳化的文章,特別是 BRIN 那段——我們最近幫一個電商客戶做的方案裡正好用類似的思路,把寫入效能拉高了 4 倍。如果你有興趣,我可以把詳細的 case study 寄給你。

收到這種信,第一反應通常是:「這個人真的有看我的部落格。」

但實際上:Agent 在寄出前 3 秒,才剛爬完你的個人網站 / GitHub / LinkedIn / Twitter,把所有公開資訊塞進 prompt,讓 LLM 生成「看起來像手寫」的內文。整個過程完全沒人介入。

這就是 Tedium 報導的核心:Agent 把垃圾信做到「擬人級」。

拆解它的 Agent 流水線:三步全自動

整個外聯 (outreach) 流程拆開來就是三段:research → draft → send。每段對應一個 Agent 能力。

第一步:Research(目標調研)

Agent 拿到一個域名或 LinkedIn URL,自動執行下列動作:

  • 擷取個人網站 / 部落格 / GitHub profile
  • 抽出最近 3–5 篇文章的標題與摘要
  • 抓 LinkedIn 工作經歷、教育背景
  • 抓 Twitter / X 近期發文

技術棧大概是 Playwright 或 headless Chrome 跑爬蟲,搭配一個簡單的 LLM 呼叫做資訊萃取。下面這段是簡化版:

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"從以下 HTML 提取這個人的職業背景、最近關注的主題、技術棧偏好:\n\n{html[:50000]}"
        }]
    )
    return msg.content[0].text

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

就這樣。整個爬蟲加萃取流程不超過 80 行。

第二步:Draft(文案生成)

把上一步抽出的 profile 餵給 LLM,prompt 大概長這樣:

你是一名 SaaS 業務,下面這個人寫一封陌生開發信:
姓名:{name}
職業背景:{profile['background']}
最近關注的主題:{profile['topics']}

要求:
- 200 字以內
- 引用他最近一篇文章或一個觀點(具體到細節)
- 不要使用「尊敬的」「我們公司」這類套路詞
- 語氣像同行在交流,而不是業務在推銷
- 結尾留一個低門檻的 CTA(例如「如果你有興趣可以參考這個案例」)

Claude Sonnet 4.5 或 GPT-5 跑這種任務,單封成本 2–3 美分。

第三步:Send(投遞)

技術含量最低的一段,但也最容易出包:

  • 多個 SMTP 帳號輪換(避免單一 IP 被標記)
  • 寄送節奏隨機化(每封間隔 30–180 秒)
  • DKIM / SPF / DMARC 設定齊全(很多廉價 ESP 都能處理)
  • 域名分散(10 個域名 × 50 個信箱 = 500 個寄件身份)

為什麼 Gmail 的垃圾信過濾器沒擋下來

Gmail 的 spam 模型是基於內容特徵 + 行為特徵聯合判斷。

內容維度:老式 spam 都是罐頭語句、誇張承諾、連結農場。iLands 的 Agent 生成的文案每封都不同,命中 spam 規則的機率極低。

行為維度:傳統 spam 是「一波流」——一個 IP、一個域名、幾千封同時寄。Agent pipeline 做了三件事來繞過:

  1. 域名池:報導中提到,Tang 用一組域名輪流寄,每個域名每天只發 20–50 封
  2. 節奏擬人:寄送間隔隨機化,只在工作時間寄送,模擬「上午 10 點到下午 4 點」的高峰
  3. 回信率最佳化:被開啟 / 回信的信箱會被標記,後續對未開啟的信箱降低頻率

這三點加起來,Gmail 看到的訊號就是「一個普通業務在用 email 正常開發客戶」。

也不是完全沒破綻。HN 留言區有人指出:反查寄件者域名的 WHOIS,註冊時間 < 6 個月、沒架站、純粹當郵件用途,基本上就是 spam 基礎設施。但一般收件人不會去查。

類似的 Agent 濫用已經在大量複製

iLands 不是個案。HN 留言區列了一堆類似案例:

  • SEO 外連 Agent:自動爬部落格列表、AI 生成留言、批量留連結
  • LinkedIn 加好友 Agent:用 Browser Use 跑 headless Chrome,模擬真人點擊,一天加 200 個人
  • 留言灌水 Agent:在 Hacker News、Reddit、Product Hunt 下面自動回覆,夾帶產品連結
  • JD 投放 Agent:HR 拿來批量寄「我們看了你的履歷」的罐頭訊息

每個場景的技術鏈路都差不多:爬取 → LLM 改寫 → 擬人投遞。

平台端為什麼按兵不動

為什麼 Gmail / Outlook / LinkedIn 不直接封死?三個原因,一個比一個難聽。

第一,誤殺成本。正常業務本來就會群發——只是沒 AI 幫忙寫而已。封太兇,合法 B2B 業務也跟著陪葬。Google 不敢賭。

第二,判別難度。Agent 生成的信和真人寫的信,在文字層面已經分不出來了。要辨識,只能看「行為鏈路」——但這需要 Gmail 監控你的瀏覽器活動、滑鼠捲動方式,那是另一種災難。

第三,商業誘因。Gmail 靠企業版賺錢,B2B 業務信的開信率是 KPI。LinkedIn Premium 賣的就是「無限 InMail」。平台從 spam 裡抽成。

我的判斷:指望平台治理是錯的。他們沒有動機,也沒有能力(或至少不願意用監控手段換取能力)。

編輯思考

iLands 這件事最值得玩味的地方,不是「又多一個 spam 故事」。

它證明了一件事:Agent 把單人作惡的產能拉到了機構級。以前要做大規模個人化 spam,得雇 10 個業務,每人每天寫 50 封。現在一個人加一套 Agent pipeline,產能就超過 10 個業務。

更關鍵的是,這套打法的邊際成本接近零。多一個目標地址,就多花幾美分的 LLM 呼叫費。規模化沒有天花板。

未來 12 個月,我賭會出現專門的 anti-agent 檢測服務。型態可能是:

  • 瀏覽器外掛:即時分析你正在讀的這封信,標註「AI 生成機率」
  • 企業閘道器:對收到的信件跑反 LLM 偵測 + 寄件者行為畫像
  • 反向爬蟲服務:幫你查對方域名 / 信箱的 WHOIS、註冊時間、關聯帳號

第一波可能還是基於 GLTR / DetectGPT 這類文字統計特徵。但很快就會升級到行為鏈路——查寄件者是不是在用節奏化寄送、域名是不是新註冊、IP 段是不是郵件服務商常見出口。

不確定的部分:這些工具的誤殺率會怎麼演進。如果誤殺 1% 的合法 B2B 信,企業不會買單。如果能壓到 0.1% 以下,有機會成為 SaaS 標準配備。

另一個開放問題:法律上怎麼定義?GDPR 把「自動化決策」管得很嚴,但美國這邊沒有對應的聯邦法律。州層級,加州 CCPA 給了「opt-out of automated processing」的權利,但執行幾乎是零。短期內,法律追不上技術。

和過去不同的是:這次的 spam 不是「寄得多」,而是「看起來像人寫的」。以前所有 anti-spam 系統都在圍繞「量」和「模板特徵」建防線。Agent 把這兩個維度都繞過了。這是一場規則層次的失靈,不是技術細節的失靈。

引用來源:

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