AI Agent 反垃圾邮件实战：用规则引擎过滤自动化 Spam

AI Agent 反垃圾邮件实战：用规则引擎过滤自动化 Spam

AI Agent 生成式 spam 泛滥，单纯靠关键词黑名单已失效。本文分享如何用轻量规则引擎结合元数据置信度模型，在入口处拦截 95% 以上的自动化垃圾邮件。

我最近在处理一个企业内部邮件系统的清洗项目，发现一个现象：用大模型写钓鱼邮件的成本已经趋近于零。攻击者不需要精通社交工程，只需要一个 Prompt 就能批量生成以假乱真的“发票通知”、“会议邀请”或“密码重置”。这些邮件往往在语法、逻辑甚至情感上都很完美，传统的基于正则或关键词的过滤系统基本形同虚设。

我的解法是放弃“理解内容”，转而“验证行为”。通过一个可插拔的规则引擎，在邮件进入核心业务逻辑前，根据发送方元数据、行为模式和统计特征进行分层过滤。这种做法不需要部署昂贵的 NLP 模型，维护成本极低，且误判率可控。

核心思路：元数据置信度评分

与其试图判断邮件内容是否有害，不如先判断这封邮件的来源是否可信。我设计了一个简单的打分机制，每个字段命中异常都会扣分，低于阈值则直接进入隔离区。

主要考察三个维度：

1. 链路验证：SPF、DKIM、DMARC 是否全部通过。
2. 行为一致性：发件人与域名注册信息、历史发送记录是否匹配。
3. 内容熵值：AI 生成的文本往往具有较高的逻辑连贯性但缺乏“人味”的随机性，可以通过字符分布熵值辅助判断。

规则引擎实现示例

我使用 Node.js 编写了一个轻量级的规则处理器，它可以作为 Postfix 或自定义网关的一个中间件运行。每个规则都是一个独立的函数，返回 pass 或 fail，并附带一条原因说明。

class SpamRuleEngine {
  constructor(rules) {
    this.rules = rules;
  }

  // 评分上限为100，低于40分则视为高概率 spam
  async analyze(emailData) {
    let score = 100;
    const reasons = [];

    for (const rule of this.rules) {
      const result = await rule.check(emailData);
      if (result.isViolation) {
        score -= result.penalty;
        reasons.push(result.reason);
      }
    }

    return {
      isSpam: score < 40,
      confidence: score,
      reasons
    };
  }
}

// 示例规则：检查 SPF 记录
const spfCheck = {
  name: 'spf_check',
  penalty: 40,
  check: async (email) => {
    // 实际场景中这里会查询 DNS
    const isValid = await verifySPF(email.fromDomain, email.sendingIP);
    return {
      isViolation: !isValid,
      reason: 'SPF 验证失败，疑似伪造发件人'
    };
  }
};

常见误区：过度依赖内容分析

很多团队在遇到 spam 问题时，第一反应是训练一个分类模型去识别“诈骗词汇”。但在 AI Agent 时代，这种方法失效得很快。因为攻击者可以随时更换 Prompt 模板，绕过静态词库。

我更倾向于将内容分析作为最后的手段，且仅用于高置信度的案件复审。对于绝大多数情况，严格的元数据校验和速率限制（Rate Limiting）能挡掉 99% 的自动化攻击。

另外，不要忽略“内部账户被盗”的情况。如果你的企业邮箱允许任何员工向外部发送无限制邮件，那么内部 compromised 账号也是 spam 的主要来源。因此，规则的最后一道防线应该是“异常发送行为检测”，比如某个平时只发简短报告的账号突然发送了大量长文本邮件。

下一步建议

如果你正在构建类似的过滤系统，建议先从 SPF/DKIM/DMARC 的强校验开始，逐步叠加行为分析模块。可以参考 Postfix 过滤器文档 了解如何将上述 JS 代码集成到现有的邮件传输代理中。