Show HN：Klorn – 我构建了一个邮件防火墙，因为每个AI收件箱让我的收件箱更嘈杂

Klorn 是一个全新的邮件防火墙工具，其核心理念与市面上大多数 AI 收件箱工具截然相反。当前许多工具在收件箱中添加建议卡片、AI 草稿或提示徽章，让收件箱变得更加嘈杂。Klorn 做的正好相反：每封入站邮件只得到一个分类——静默（SILENT）、队列（QUEUE）、推送（PUSH）或自动（AUTO）——并且这个分类绑定到生成它的确切字节数据。没有聊天界面，没有建议卡片，没有 60 种工具的代理。输出是一个单一决定，而且大部分时间这个决定是“你不需要看到这个”。

Klorn 的核心思想体现在其四层分类系统中。静默类邮件会被记录但永不呈现，适用于营销、收据等仅需留作反馈依据的内容。队列类邮件是默认状态，让你自己安排时间查看，没有推送或通知。推送类邮件值得打断你，会触发通知，可选 Telegram 或电话。自动类邮件可逆且无需人工干预，但操作侧（如发送邮件）受确定性楼层机制约束。

分类过程并非由 LLM 直接选择层级。相反，模型对每封邮件在四个维度（置信度、发件人信任度、可逆性、紧急程度）上分别打出 0 到 1 的分数，然后一个 deterministic 规则（位于 tier-policy.ts）将这些分数映射到具体层级。模型仅负责感知，而规则是可读且可单元测试的，无需模型介入即可审计。

这种分离带来了两个重要后果。首先，廉价模型即可胜任。当模型只需一致地读取四个信号时，无需前沿模型的推理深度。在 Klorn 的 50 封邮件评估集上，gemini-2.5-flash 获得了 88% 的准确率，对紧急邮件的召回率达到 100%，超越了 gpt-4o 和 gemini-2.5-pro（均为 82%），而成本仅为其一小部分。其次，系统能够安全地降级——如果 LLM 不可用或受限，关键词回退机制可在零模型调用下产生相同四维分数，确保紧急邮件依然能得到处理。

所有分类都与内容哈希绑定：评分器读取的确切字节（发件人、主题、片段、标签）在决策时经过 sha256 哈希并存储。读取路径会重新哈希，并在不匹配时抛出 AttentionHashMismatchError，防止后续的富化操作悄悄使层级失效。

Klorn 还设有一个确定性楼层机制，防止不可逆操作（如发送邮件、永久删除、外部转发）仅凭分类器置信度执行。这些操作需要一份在审批时铸造的 ActionReceipt，该收据固定了规范收件人/主题/正文的有效载荷字节（sha256），执行时任何漂移都会导致操作被拒绝。这一机制被强制执行：executeToolCall 中的中央守卫会在任何未经验证收据的楼层操作上关闭失败，即使自主路径也无法绕过审批来发送、转发或硬删除邮件。

需要明确的是，Klorn 并非成品。它目前是一个早期概念验证，只有一位真实用户（作者本人）。它也不是“与收件箱聊天”的工具，没有聊天界面。它不是多租户云服务，目前仅支持自托管。此外，其功能并不对开源版本进行限制：云版本将提供托管服务、已验证的 Gmail 作用域和团队工作空间，而防火墙原则和代码将在两个版本中保持开源。

项目的 CI 中有一个红色检查是故意为之的：作用域预算（Scope Budget）会在变更导致路由/页面/模式表面积超过固定预算时失败，强制开发者有意识地确认作用域价值，而非无节制扩展。其他检查（lint、类型、测试、构建、安全、评估）均为绿色。

Klorn 的托管演示 (klorn.ai) 当前运行在 Google OAuth 测试模式下，因为需要 gmail.modify 作用域且尚未通过 CASA Tier 2 验证。想试用而不自托管，需先被添加为测试用户（最多 100 个槽位）。最快的途径是提交 issue 或发送邮件。

产品本身的第一屏不是聊天或收件箱，而是一个决策队列。零散信号被收集并呈现为卡片，回答三个问题：看什么、为什么重要、什么操作已就绪。当前界面包括决策队列、邮件、日历、简报和设置。

技术栈方面，前端使用 Next.js 15、React 19、TypeScript 和 Tailwind CSS；API 使用 Fastify、TypeScript 和 Prisma；数据库为 PostgreSQL；身份验证采用 JWT、bcrypt 和 Google OAuth；AI 支持 OpenAI 兼容接口（本地优先），OpenRouter/Gemini 作为故障转移；实时通信使用 WebSocket 和 Web Push；计费集成 Stripe。

本地开发环境要求 Node.js 22+、pnpm 和 PostgreSQL 16。项目使用 pnpm 工作区管理，包含 api、web、core、docs 等包。克隆仓库后，需复制环境文件、生成加密密钥、配置 Google OAuth 凭证。若要本地运行 LLM，可将 Klorn 指向 Ollama 或 LM Studio 等兼容服务器，使邮件分类完全在本地运行，无需云密钥。数据库通过 docker-compose 启动 PostgreSQL 16，然后运行 Prisma 迁移和生成。最后分别在两个终端启动 API 和 Web 开发服务器。

总而言之，Klorn 通过将感知与决策分离、内容哈希绑定和确定性楼层机制，提供了一种比现有 AI 收件箱更安静、更可靠的邮件处理方式。它目前处于早期阶段，但设计理念清晰，代码开源，值得关注。