公司概况与团队 - 公司发布桌面端AI助手AirJelly内测版本，该产品通过屏幕截图捕捉工作上下文，理解用户意图并主动执行任务 [2][3] - 开发团队名为“持续低熵”（Low Entropy AI），创始人为00后柏特，其曾在字节主导上下文工程产品MineContext，后离职创业并迅速获得五源资本首轮融资 [3] - 团队规模为11人，均为全职员工与实习生，集中在北京线下办公，团队特点可概括为高度自驱（Agency）、雄心勃勃（Ambitious）和AI原生（AI Native） [11][12][13] - 团队正在积极招聘，需求岗位包括Agent开发工程师、算法工程师（涉及VLM后训练、记忆系统等）以及市场营销人才 [14] 产品理念与演进 - 产品核心理念是不追求全量记录用户行为，而是以Enter键为锚点，捕捉用户表达意图的瞬间，基于意图将行为建模为任务，并主动推送建议或直接完成 [4] - 从“回答你的问题”升级到“预测你的下一步”，产品口号为“Next Enter Prediction” [5] - AirJelly是MineContext的演进，MineContext是其“脚手架”，但两者有本质不同，AirJelly更侧重于交付结果而非单纯记录 [15] - 产品方向于2025年2月初确定，关键转折点是接入了OpenClaw背后的Pi框架，与自身屏幕理解能力结合产生“1+1大于2”的效果 [17] - 放弃纯记录工具形态，因为该模式用户付费意愿低且使用频率低，AI时代需消耗Token的商业模式不成立，转而决定打造能交付结果的Proactive Agent [18][19] 核心技术：上下文捕捉与记忆系统 - 捕捉上下文的关键机制从“全量记录截图”改为“仅在按Enter时截图”，此举将每日截图量从约1500张降至平均300张，成本降为原来的五分之一，同时减少了错误推送 [20][21] - 通过辅助功能权限，能精确获取Enter键按下时的应用、输入框类型及上下文，而非简单截图OCR [30][31] - 记忆系统分为两部分：静态信息建模为实体，动态信息建模为任务，召回时结合向量检索、关键词检索及Agentic RAG机制，并采用时间衰减权重 [34] - 记忆组织方式从MineContext的“平铺直叙”升级为AirJelly的层级化加工，将截图和行为组织成任务与事件的层级结构，认为任务比按时间线记录更有价值 [35][38] - 任务包含标题、摘要、创建时间、进度、下一步建议、关键词以及下属的事件列表，均由AI自动判断和写入 [36] 产品功能与关键指标 - 产品核心功能链路为：截图 → 分析 → 建模为事件 → 归纳为任务 → 推断下一步 → 触发主动建议 → Agent执行 → 推送给用户 [22] - 判断产品功能设计是否达预期的两个核心指标是：用户使用Agent执行任务时的Token消耗量，以及主动建议的接收率 [22] - 产品内置了多种模板，并计划根据不同职业或行为习惯探索更多用例，旨在提供全面的上下文捕获、记忆和强大的Agent执行能力 [24][25] - 产品设计原则是相信AI和用户，不预设死板的工作流，鼓励用户探索，前提是提供优秀的上下文收集和Agent能力 [26] - 设计了“养水母”的互动概念，用户按Enter时会以喂食动画给予反馈，增强感知与趣味性 [43][44] 市场定位与竞争分析 - 核心目标用户画像包括三类：超级个体、ADHD人群以及初创公司团队 [48] - 在PC端的屏幕记忆领域，认为当前是一个“空白地带”，Rewind等早期产品因技术限制价值有限，而当前节点因Agent能力足够强，使得记忆价值得以更好体现 [64][65] - 不担心大厂竞争，认为大厂流程长、对隐私产品决策谨慎，而公司产品具有先发优势，且用户积累的记忆数据会形成天然护城河 [66][67][68] - 长期目标是成为入口级产品，并计划推出团队版，实现不同用户的AI Agent之间的信息交流与协作 [69] 未来愿景与发展方向 - 下一步重要功能是“Next Enter Prediction”，即基于用户行为轨迹和上下文，预测其下一次按Enter可能回复的内容，并提供选项供用户快速确认发送 [32][39] - 未来希望实现多线程的主动式人机协作，即Agent能基于用户行为建模出多个潜在任务，并并行执行，从而大幅提升效率 [45][46] - 从更长期看，认为每个人都将拥有自己的Agent，Agent之间通过开放协议互联互通形成网络，而拥有最多、最有效记忆的助手将具备核心壁垒 [70][71] - 公司名“持续低熵”寓意在产品层面为用户带来有序，在团队层面保持活力，在AI层面通过人机协作帮助用户更深刻地认识自身行为与工作本质 [52][54] - 公司口号为“Context, not control”和“Clarity, from chaos”，强调提供更多上下文而非控制，并从混乱中建立秩序 [54][56]