ForthWrite：用编辑距离反馈学习用户文风的邮件 AI

ForthWrite 是一款面向 Gmail 的 Chrome 扩展，以 Show HN 形式发布。它试图解决当前 AI 邮件助手普遍存在的「不像你写」的问题：通过 RAG 检索用户真实发信历史，并以编辑距离作为反馈信号，让模型在每次发送后持续校准文风。

核心思路：RAG 检索 + 编辑距离反馈

作者指出，市面上大多数「学习你文风」的邮件 AI 实际上只是把系统提示当作风格说明书，模型并不会随用户写作习惯的变化而更新。ForthWrite 选择的是另一条路径：

• 首次连接 Gmail 时批量导入「已发送」文件夹中的邮件，经清洗（去除 HTML、转发内容、签名）后，用 OpenAI text-embedding-3-small 嵌入并存入 Postgres + pgvector。
• 每次起草时，对来信线程做嵌入，以余弦相似度在向量库中召回候选集，再用 MMR（最大边际相关性）重排序，避免返回高度雷同的样本导致风格覆盖过于集中。
• 用户编辑 AI 草稿后发送时，系统同时记录「生成版」与「发送版」，计算两者之间的归一化 Levenshtein 编辑距离：分数接近 1 表示近乎原文发送，分数接近 0 则意味着用户大幅重写。

低分对（重写较多）会送入异步优化器，用于分析差距并建议系统提示更新；高分对（近乎原样发送）则进入检索语料库，作为后续 RAG 召回的正向少样本。若召回结果未通过最低置信度阈值，系统宁可注入空样本也不强行加入无关示例。

「措辞矿工」：LCS 词级对齐

作者强调，编辑距离对「整段重写」很敏感，但对「只换两个词」的近错失草稿几乎无感。例如把「no worries at all」改成「no worries」，整体编辑距离依然很高，不会被标为「坏样本」，而用户实际偏好却未被捕获。

为解决这一盲区，ForthWrite 引入独立的「措辞矿工」步骤：

• 用词级最长公共子序列（LCS）对齐 AI 草稿与最终发送版；
• 统计所有删除与替换操作，记录哪些措辞在用户历史中反复被改动；
• 当某一替换的频率与一致性超过阈值时，写入系统提示，作为显式的「避免」或「偏好」规则。

该步骤不调用任何 LLM，仅做确定性 diff，目的是捕捉用户「手改但说不清」的细微习惯。

技术栈与成本控制

• 前端 Chrome 扩展，使用 esbuild 打包；
• 后端 Next.js 16 API；
• 存储使用 Supabase（Postgres + pgvector）；
• 主模型为 Anthropic Claude，配合系统块的 prompt caching，将用户画像、措辞规则与少样本在同一会话内缓存一小时复用；
• 检索使用 OpenAI text-embedding-3-small。

作者特别指出，prompt caching 对成本结构影响显著——系统块在同一会话多次起草中保持稳定，缓存命中后每小时只计费一次，是该产品能在消费级定价下盈利的关键。

一个待解的开放问题

这套设计带来一个悖论：模型越好，用户编辑越少，反馈信号随之稀疏，优化器最终会「因成功而饿死」。目前的应对是让措辞挖掘按时间周期独立运行，而非绑定编辑距离分数，使处于稳态（高准确率、少编辑）的用户依然能获得定期精炼。作者将这一稀疏正反馈下的收敛问题视为更普遍的开放议题，希望了解做 RLHF 或偏好建模的同行如何处理类似场景。

ForthWrite 提供 14 天免费试用，无需信用卡即可开始使用。