静域信驿（Tranquil Inbox Ward），专为 pmail 设计的AI垃圾邮件分类服务。 过滤效果图：

https://github.com/AXFOX/Tranquil-Inbox-Ward

• 本项目使用本地 Ollama 模型服务进行 LLM 推理，默认模型：mollysama/rwkv-7-g1d:1.5b-nothink
• 对于部署在Nas/HomeServer等具备核显且支持Vulkan的环境，推荐开启Ollama的Vulkan推理以获得预期的最佳体验。
• 如有足够的内存尽可能通过如下方案保持模型驻留内存，减少不必要的读取操作缓解非MLC SSD磨损。

sudo systemctl edit ollama.service 

Environment="OLLAMA_VULKAN=1"       #开启Vulkan推理
Environment="OLLAMA_KEEP_ALIVE=-1"  # 驻留内存

• 请先参考 Ollama 官方文档安装 Ollama 并运行服务。
• 下载/拉取模型（示例）：

ollama pull mollysama/rwkv-7-g1d:1.5b-nothink

• 启动 Ollama 服务（示例）：

ollama serve

• 默认应用连接地址（可通过~~.env或~~环境变量覆盖）：http://127.0.0.1:11434/api/generate
• 项目的正式版将永久弃用项目路径下的.env文件改用config.py以降低复杂度提升可靠性。

export OLLAMA_MODEL="mollysama/rwkv-7-g1d:1.5b-nothink"
export OLLAMA_API_URL="http://127.0.0.1:11434/api/generate"
export SERVER_HOST="0.0.0.0"
export SERVER_PORT="8501"

# 开发或调试
python app.py

确保已安装：

• Python 3.8+
• Ollama（用于RWKV模型推理）
• 已拉取模型：mollysama/rwkv-7-g1d:1.5b-nothink

git clone https://github.com/AXFOX/Tranquil-Inbox-Ward.git
cd Tranquil-Inbox-Ward

# 给脚本执行权限
chmod +x deploy-systemd.sh

# 运行部署脚本（需要sudo权限）
sudo ./deploy-systemd.sh

# 查看服务状态
sudo systemctl status tranquil-inbox-ward

# 启动服务
sudo systemctl start tranquil-inbox-ward

# 停止服务
sudo systemctl stop tranquil-inbox-ward

# 重启服务
sudo systemctl restart tranquil-inbox-ward

# 查看日志
sudo journalctl -u tranquil-inbox-ward -f

• 服务文件: /etc/systemd/system/tranquil-inbox-ward.service
• 安装目录: 当前克隆的目录
• 虚拟环境: .Tranquil-Inbox-Ward/（项目根目录下相同文件名的隐藏文件）
• 日志目录: /var/log/tranquil-inbox-ward/

1. 部署脚本会在当前目录创建Python虚拟环境
2. 服务使用当前用户运行，无需创建专用系统用户
3. 确保Ollama服务已启动：systemctl status ollama
4. 如需修改服务配置，编辑服务文件后运行：sudo systemctl daemon-reload && sudo systemctl restart tranquil-inbox-ward

项目提供了 api_test.sh 脚本，用于上线前测试API可用性。 用法:

./api_test.sh "测试内容"
./api_test.sh -f filename.txt
./api_test.sh -i (交互模式)

$ ./api_test.sh "今天天气真好"
测试内容: 今天天气真好
API URL: http://localhost:8501/v1/models/emotion_model:predict
----------------------------------------
{
  "predictions": [
    [
      0.9860662453108814,
      0.00696687734455927,
      0.00696687734455927
    ]
  ]
}

• 源代码主文件：app.py
• 已提供systemd部署脚本和模板文件
• 如需额外的容器化部署示例，可在仓库中补充 Dockerfile
• =-= So，欢迎PR

感谢 MollySophia 姐姐提供的RWKV小参数模型和Ollama下的RWKV推理实现，该系列模型实测在不经过针对性预训练的情况下通过简单的prompt也能达到良好的分类效果（甚至不用开思考）。 感谢DeepSeek作为必要的信息检索帮助我选择合适的实现方案。 感谢Pmail和伟大的开源与自由软件社区开发者们！