用 Tauri 2 撸一个 5MB 的 AI 邮件客户端是什么体验
很多 AI 邮件工具只是简单地给邮件正文挂载一个 RAG（检索增强生成）插件，但 Skim 的实现路径完全不同，它构建了一个真正的 Tool-calling 循环。当你使用“询问收件箱”功能时，AI 并不是在盲目地搜索关键词，而是会自主决定调用 search_emails 和 read_email 等工具。这意味着模型会经历“检索-阅读-再检索-总结”的多轮循环，最终给出的回答带有明确的引用来源。最关键的是，它不绑定任何特定的闭源服务，支持 Anthropic、OpenRouter 甚至本地部署的 Ollama，这种开放性对隐私敏感的用户非常友好。
作为一名开发者，我更在意它在工程实现上的几个硬核细节，这对于想做轻量级桌面应用的同学非常有参考价值。
首先是它对二进制体积的近乎偏执的控制。在目前的桌面应用环境下，5MB 以下的安装包几乎是不可思议的。通过分析其 Cargo.toml 可以发现，作者对每个依赖的 feature flag 都做了精细审计。例如，在引入 rustls 时，它明确设置了 default-features = false 并且仅开启 ["ring"]，通过禁用 aws-lc-rs 避免了编译重复的加密库，直接省掉了约 2MB 的冗余。此外，它还配置了 panic = "abort"，通过砍掉 unwind tables 进一步压低了体积。
其次是它对待 HTML 邮件的安全策略。邮件客户端最头疼的就是 HTML 注入攻击，Skim 采取了一种“敌对态度”的三层过滤机制。首先使用 Rust 的 ammonia 库对 HTML 进行初步清洗；然后将内容放入一个禁用了 allow-scripts 的沙箱 iframe 中进行渲染；最后在顶层覆盖一套严格的 App 级 CSP（内容安全策略）。这种多重防御机制确保了在读取未知来源邮件时，恶意脚本无法越权访问本地系统。
最后是它的离线优先架构。Skim 并没有采用传统的“请求-等待-响应”模式，而是将所有操作（如归档、删除、发送）首先在本地 SQLite 事务中完成并进入操作队列。这意味着 UI 能够瞬间更新，而后台则异步地与服务器同步。在搜索性能上，它利用了 SQLite 的 FTS5 扩展和 bm25 算法，即使在完全离线状态下，海量邮件的检索依然能秒级出结果。
这种放弃 Electron 转向 Tauri 2、利用系统原生 WebView2 的开发路径，证明了在追求极致性能和轻量化时，Rust 生态的组合拳确实能打。如果你厌倦了动辄几百 MB 的内存占用，这种以离线为核心、以工具调用为 AI 驱动的架构非常值得研究。
