你每天按了多少次 ENTER？一家 AI 公司盯上了这个信号
真正值得被 AI 理解的，也许不是你说了什么，而是你在哪个瞬间做出了决定
每一次 ENTER，都是人类说了“我决定了”的时刻。发送一条消息、确认一个操作、提交一段代码。这是全天工作里信息密度最高的那一帧，也是一个人意图最清晰的瞬间。
你今天按了多少次 ENTER 键？
不知道。没人知道。但有一家产品在认真数这个。
他们的逻辑是：每一次 ENTER，都是人类说了“我决定了”的时刻——发送一条消息、确认一个操作、提交一段代码。这是全天工作里信息密度最高的那一帧，也是一个人意图最清晰的瞬间。
AirJelly 做的，就是在这些瞬间悄悄出现，记住你做了什么，然后在该提醒你的时候，轻轻推你一把。
宋子文（Ziwen）是 AirJelly 的联合创始人。我们聊了大概一个半小时，他说过最让我印象深的一句话不是什么宏大叙事，而是这个：
“我们的设计同学现在用 AirJelly 去修改 AirJelly 的代码。”
产品用自己的产品重构自己，听起来像在绕口令，但这恰恰是一家 AI 公司最诚实的证明。
ChatGPT 很强，但对你的工作一无所知
先说一个很多人忽略的真相。
今天市面上的 AI 工具，几乎都有一个共同的致命缺陷：它们不认识你。
ChatGPT 很强，但每次对话从零开始。Notion AI 只看得到 Notion 里的东西。Cursor 只知道你当前这个代码仓库。
你每天同时推进三五个项目，在 Slack、Figma、邮件、Notion、Terminal 之间来回横跳——没有任何一个 AI 知道你整体在做什么。
Ziwen 把这个现象叫做“上下文散落”。
“你在 Slack 里答应了一件事，在邮件里收到了 deadline 变更，在代码里改了三个文件——这些信息分散在不同工具里，你的大脑是唯一的粘合剂。”
但人脑会忘、会遗漏、会在切换间丢失上下文。
这就是 AirJelly 的起点：不是要做一个回答更快的 AI，而是要做一个记得你昨天在忙什么的 AI。
它不是 Copilot，而是一直在的那种搭子
Copilot 是你叫它才来。Companion 是它一直在。
这两个词的差异，比表面看起来要大得多。
Ziwen 解释：Copilot 假设用户知道什么时候该去问它。但现实里，真正需要帮助的时刻——一个被遗忘的承诺、一个快到期的 deadline、一个被打断后没回来的工作线程——用户往往根本意识不到。
“被动式 AI 有一个致命盲点：它等你开口。但你忘了的事，你不会开口问。”
AirJelly 的打法完全相反：它通过屏幕持续感知你在做什么，自己判断什么时候该介入，什么时候该闭嘴。
技术上，它的工作流程大概长这样：
定时截屏 → VLM 理解屏幕内容 → 触发记忆提取 → 情景记忆 + 语义记忆 → 与任务库做向量匹配 → LLM 判断是否新建任务
每一帧截屏不是随机的，而是在用户按下 ENTER 的时刻精准触发——那是决策最清晰的瞬间，信息密度最高。
“这样，当你很忙的时候，它截得勤；你发呆的时候，它不截；你每次截的，都是‘已完成一个动作’之后的状态，不是你打字打一半的中间态。”
主动提醒怎么做到“有用但不烦人”？
几乎每一个做主动通知的产品，最后都死在同一个问题上：打扰太多。
AirJelly 为了解决这个问题，把提醒系统拆成了四层：
信号检测 → 信号累积 → 场景匹配 → 推送决策
不是看到一个信号就推，而是信号要先累积到阈值，再匹配已知场景（比如“承诺未兑现”、“高优任务长时间未推进”），最后还要过一道推送决策：冷却时间、全局频率限制、任务级防重复。
我问 Ziwen，这个边界怎么定的？
他停顿了一秒，然后说：
“真正有效的主动支持，和瞎提醒之间的边界，是它是否比你更早知道你需要它。 如果用户已经想起来了，它再来提醒，就是打扰。如果用户还没想起来，它来了，就是价值。”
Event 是事实，Task 才是理解
很多人对 AirJelly 的第一个担心是：它会不会抓错？
Ziwen 把这个问题拆得很细。
AirJelly 内部有两个层次的概念：Event（事件） 和 Task（任务）。
Event 是原始观察：「用户在 Slack 里跟张三讨论了 API 设计方案」。这个一定记，有截屏就有记录。
Task 是目标级抽象：「完成 API 接口重构」。这个只有 LLM 判断这个事件代表了一个可操作的工作目标时，才会被创建。
更关键的是，任务创建不是简单提取关键词。LLM 会做一个“升维”动作：把具体事件抽象成一个能容纳未来更多相关事件的工作目标。
举个例子，你跟人讨论了 API 方案，它不会只记一条 API 方案的备忘，而是理解这是“重构接口”这个任务的一部分，把后续相关的截屏都归进来。
“它不是在抓关键词，是在读懂语境。”
真正可用的记忆，需要满足一个条件
AI Memory 这个功能，几乎每家大模型都在做。但用过的人都知道，大部分时候感觉不靠谱。
Ziwen 对这件事有自己的判断：传统搜索是你知道要找什么，AI 记忆要解决的是你不知道该用什么词来找的那种需求。
“上周跟谁讨论过那个 API 方案来着？”
你其实不记得当时叫什么名字，不知道在哪个工具里，也想不起来具体日期——但 AirJelly 知道。你直接问，它秒回：上周三 Slack，你和李明聊了 API gateway，他建议用 Kong 不是自研。
这就是 Contextual Memory Recall 和传统搜索的本质差别：它的索引维度是你的工作语境，不是关键词。
他们把这部分叫做 Full Traceability（全程可追溯），所有记忆都能找到来源——是哪次截屏、哪个时间点提取的。
“可追溯性对于主动型 Agent 特别重要。因为你需要能够验证它没有理解错你。如果它说了什么但你不知道它从哪来的，信任就断了。”
隐私做到什么程度，用户才敢用？
AirJelly 做的这些事——持续截屏、理解你的工作活动、提取记忆——如果数据不在本地，大多数人根本不会碰。
Ziwen 说他们内部有一个原则：能力边界必须小于用户信任边界。
意思是，即使技术上能做更多，但如果超出了用户的心理舒适区，就不做。
所有活动记录、记忆、任务都存在本地（SQLite + LanceDB）。AI 模型调用通过他们自己的 AI Gateway 走，但传给模型的只是当下需要处理的文本片段，不是整份用户数据。不做云端备份记忆，不做跨设备同步记忆——除非用户主动选择。
“因为这些能力会触碰信任红线。用户不是怕 AI 看到，而是怕 AI 乱说、乱传、乱用。”
护城河不在功能里，在你半年的工作记忆里
我最后问了 Ziwen 一个比较直的问题：大模型能力这么快，创业公司的护城河到底在哪？
他的回答分了两层。
短期：工程化能力。VLM 截屏理解、记忆提取、任务归因、主动推送——每个环节做准确可靠，这需要大量打磨，不是大厂随随便便拿个通用模型就能做好的。
长期：你的工作记忆本身。
“当 AirJelly 积累了你半年的工作记忆，迁移成本不是功能层面的，是上下文层面的。你换一个工具，你的工作记忆就没了。”
大厂做通用平台，创业公司做深度场景。最不该卷的是模型能力，最该守住的是“对用户工作过程的深度理解”。
Ziwen 认为，现在更像“PC 刚有图形界面”的阶段——方向确定了，但交互范式还没定型。AI Companion 应该是悬浮头像？侧边栏？还是无形的后台进程？这都还在探索。
但有一件事他非常确定：
“AI 会从‘你去找它’，变成‘它在你身边’。就像今天每个人桌面上都有浏览器一样，未来每个人桌面上都会有一个持续运行的 AI Companion。”
访谈精选 Q&A
Q1：AirJelly 怎么把散落在不同工具里的信号，理解成一个连续的工作流，而不是一堆零散事件？
宋子文（AirJelly 联合创始人）：技术管线是：定时截屏 → VLM 理解屏幕内容 → 触发记忆提取 → 情景记忆 + 语义记忆，然后每个事件还要经过任务关联——通过向量搜索找到候选任务，再用 LLM 判断该归入已有任务还是新建。这样碎片化的屏幕截图就变成了连续的工作流叙事。最难的工程挑战是：VLM 理解的噪声过滤、跨窗口的上下文衔接，以及任务归因的准确率。
Q2：ENTER 键为什么能成为理解用户意图的关键切口？
宋子文：ENTER 最特殊——它几乎总是代表“完成了一个意图”：发送消息、提交搜索、确认操作、执行代码。通过在这个时刻触发截屏，我们捕获到的不是打字打一半的中间态，而是用户做出决策之后的最终状态。这带来两个不一样的体验：截屏频率跟用户活跃度自适应（你忙的时候截得多，发呆的时候不截）；以及每一帧都包含“已完成动作”的高密度信息。
Q3：你们最看重的留存指标是什么，怎么判断用户真的“跑起来了”？
宋子文：我们最看重的不是日活，而是用户在 AirJelly 里问回过去工作的频率——也就是“找回一条自己忘了的信息”这个动作发生的次数。这件事发生得越多，说明用户对它的记忆越依赖。一旦有人开始问“我上周跟谁讨论了什么”，而不是自己翻Slack、翻邮件——这个产品对他就真的跑起来了。从“新鲜感”变成“离不开”的标志，就是搜索行为的迁移发生了。
Q4：未来多模态、Agent、记忆、端侧、主动性这五个变量，哪个最先变成决定性变量？
宋子文：我认为是记忆。因为它是其他所有能力的基础——没有记忆的 Agent 每次都从零开始，没有记忆的主动性就是瞎猜，没有记忆的多模态就是一次性理解。记忆，才是让 AI 从“强大工具”变成“可信搭子”的那个转折点。
排版版本：非凡产研-A排版（全文原文）