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]

行业趋势：AI Agent向桌面端与本地化发展 - 基于本地的AI Agent产品成为关注重点，例如Anthropic的Claude Cowork和阶跃星辰的“阶跃AI桌面伙伴” [2][3] - 行业参与者选择桌面端Agent的共同原因在于探索更大的场景拓展空间和上下文可能性，尽管存在关机无法执行和安装渗透率低于网页应用的缺点 [10][11] - 未来发展方向被认为是端云协同，同时具备本地和云端能力，但出于成本考虑，当前厂商优先选择其中一边进行探索 [10] 产品定位与战略：阶跃AI桌面伙伴的探索 - 该产品被公司定义为“探索型”产品，是其在“AI+终端”战略下的一次创新尝试，旨在验证用户场景与技术假设，并为长期目标积累底层能力 [15][16] - 产品的核心构想是在现有的Web、App和数据库之上，叠加一层以用户为中心的“Agent加工层”，旨在围绕用户需求构建“新结果”和“新状态” [17] - “新结果”包括新信息、新媒介和新操作界面；“新状态”则指能改变用户与世界关系的行为，如自动填表、发送消息等 [18][19] - 产品当前更聚焦于“任务执行”场景，因公司认为AI对“浏览操作”体验的提升尚不够痛 [20] 场景选择与切入逻辑 - 公司选择从电脑端切入，因其能深度集成浏览器和本地工具，并安全获取用户资产；车机方向也被视为有潜力的领域，因其数据开放度高且语音交互自然 [22] - 办公场景被优先选择，因为其任务复杂、手动成本高，即便AI Agent成功率只有60%-70%，用户也愿意尝试；相比之下，生活场景对失败率的容忍度更低 [23] - 产品最初瞄准的两个核心场景是文件处理和批量信息获取，这源于对非技术人员真实痛点的观察，如数据分析、格式转换、以及运营人员手动更新数据表等 [24][26][27] - 从终端选择与场景交叉的逻辑看，在电脑端探索办公场景是一个顺理成章的中间路径，最终愿景是让Agent取代电脑，用户只需做决策 [23] 核心功能与用户反馈 - “妙计”功能是关键探索，它类似于给模型使用的workflow或技能，能简化操作、降低使用门槛、沉淀脚本资产，并探索自主学习的可能性 [12][29][30] - 用户最高频的任务分布约为：文件处理占40%，信息获取占30%，其余30%为长尾需求（如快问快答） [43] - 在文件处理场景中，出现了多样化的用例，包括HR自动汇总出勤表、算法工程师自动下载并重命名论文文件，以及家长创建可自动更新的错题本等 [43][44] - “主动服务”被认为是所有Agent应有的能力，公司正从预设场景和开放用户自定义规则两方面进行探索，以解决用户教育和使用门槛问题 [33][35][36] 产品发展现状与挑战 - Agent的整体渗透率仍处于早期阶段，许多用户并未意识到其可用场景，需要产品进行引导和教育 [12][34] - 产品开发周期紧凑，从开发到上线不到一个半月，通过不断调整优先级和根据用户反馈补充能力来推进 [41] - 当前面临的关键问题包括：提升Agent能力（更稳、更快、成本更低），以及提高Agent在用户中的渗透率 [12] - “妙计”功能的用户引导目前不够强，公司计划通过加强功能露出、增加预设推荐和优化引导路径进行改进 [32] 模型与产品的协同关系 - 模型能力依然非常重要，强模型自带流量和势能；但同时，模型之外的因素如个人数据接入、场景教育、工具细节设计等的重要性也在提升 [45][46] - 产品可以反哺模型研发，例如“妙计”可以作为衡量模型能力的benchmark，产品也能帮助积累高质量的合成数据和环境反馈信号 [49] - 行业趋势从做单一的“功能点”转向整合能力，即如何串联功能并嵌入用户工作流 [47] 交互设计与行业观察 - 用自然对话的形式解决任务对用户来说成本最低，优于让用户去应用商店寻找和学习独立工具 [56][59] - 行业内在交互上有创新尝试，例如Hero AI在输入过程中自动判断需求维度，以及Sky.app对悬浮窗形态的探索 [50][51][53] - 类似于MineContext的产品也在探索全局记忆和上下文理解，表明该方向仍有很大空间 [54] - 对于Agent工具商店类产品，核心仍需回归解决用户实际问题，难点在于许多用户连自己的需求都难以描述 [55]