OpenClaw 之后，谁将定义主动式 AI 的新战场？｜对谈 AirJelly 黄柏特

概览

本期围绕 AirJelly 创始人黄柏特的主动式 AI 产品展开：相比传统 Chatbot 依赖用户主动输入，AirJelly 试图通过捕捉用户在电脑上的关键意图与上下文，在合适时机主动提供帮助。

讨论的核心线索是“上下文”如何成为新一代 AI 应用的战场。黄柏特认为，真正的主动式 AI 不能只是定时提醒或泛化推送，而要理解用户当前任务、进展和下一步，并结合执行能力形成闭环。

节目也大量讨论了创业判断：OpenClaw/Cloud Code 等产品给 AirJelly 带来的冲击，反而让团队从“简易化执行工具”转向“上下文获取、记忆与召回”。投资人一豪则从主动式 AI、agent infra、AI-native 组织等角度补充了对 2026 年 AI 创业窗口的判断。

分段落总结

[00:32] 开场与嘉宾介绍

[事实] 主持人提出一个判断：今天人们与 ChatGPT、OpenClaw、Manus、Cloud Code 等 AI 产品互动的方式，可能还不是最高效的方式。 [事实] 本期嘉宾黄柏特是 AirJelly 创始人，一豪是其天使投资人。 [事实] 黄柏特介绍 AirJelly 是“主动式上下文感知伙伴”，能够记住用户在不同地方做的事，并在合适时机主动帮忙。

[01:02] 黄柏特与 AirJelly 的基本信息

[事实] 黄柏特 24 岁，毕业于西安电子科技大学，MBTI 为 ENTP，星座为摩羯座。 [事实] AirJelly 已完成天使轮融资，第二轮正在推进中。 [事实] 团队规模为 8 人。 [事实] 创业前，黄柏特在字节做过开源项目 Mycontext 的产品经理，该项目通过周期性屏幕截图捕获上下文，在 GitHub 上有 5000 多个 Star。

[01:53] 从 Mycontext 到 AirJelly

[事实] Mycontext 的早期思路是通过周期性截图和分析来记录用户上下文。 [事实] AirJelly 与 Mycontext 的关键区别在于，不再只是按固定周期分析，而是围绕具体事件理解任务和意图。 [事实] AirJelly 还加入了执行能力，能够调用 skill、操作电脑、使用浏览器，并结合过去获取的记忆。 [推测] 这意味着 AirJelly 的定位从“记录工具”转向“具备记忆和执行能力的主动 agent”。

[03:52] Enter 作为意图触发器

[事实] 黄柏特提出，Cursor 重新定义了 Tab，而 AirJelly 想重新定义 Enter。 [事实] 他认为人与人通过 IM、人与 AI 通过 Chatbot、人和外界信息通过浏览器搜索交互时，表达意图的动作都常常落在 Enter 上。 [事实] AirJelly 会在用户按下 Enter 的时刻截图，以捕捉当下意图和相关上下文。 [事实] 相比每 5 秒或 15 秒截图，Enter 触发能减少无序浏览带来的噪音。

[05:44] 投资人如何看见 AirJelly 的价值

[事实] 一豪认为 AirJelly 的“魔法时刻”是像有人看着你工作一样，能感知跨 IM、Facebook、不同工具之间连续的上下文。 [事实] 一豪最早在去年 9 月底左右注意到 Mycontext，并与黄柏特见面交流。 [事实] 他被黄柏特对问题的长期思考、主动性、独立判断和对人才的渴望打动。 [推测] 投资决策不只来自产品原型，也来自创始人是否持续围绕同一核心问题迭代。

[07:27] OpenClaw 冲击后的产品重定义

[事实] AirJelly 早期曾尝试围绕 task engineering 做任务建模，并做 Cloud Code 的简易化。 [事实] 后来相关方向被更大的产品或框架快速覆盖，让团队意识到简易化和多进程人机协作编排都缺少长期壁垒。 [事实] 团队最终回到 Mycontext 积累的上下文获取、存储和召回能力，并叠加执行能力，形成当前产品定义。 [事实] 黄柏特提出一个判断：如果一个产品能靠 vibe coding 做到 60 分或 80 分，就可能不值得创业；AirJelly 的上下文理解用 vibe coding 只能做到约 30 分，反而说明还有壁垒。

[10:40] 对开源的理解

[事实] 黄柏特曾参与多个开源项目，包括本科期间参与的开源项目、工作室里的模型训练监测项目，以及 Mycontext。 [事实] 他把开源分为面向普惠化、面向框架和面向应用等形态。 [事实] 他现在更倾向认为，开源最适合做框架，因为框架能让社区不断完善，也能让大家适配生态。 [推测] AirJelly 未来若有基础设施或生态层能力，可能会考虑以开源方式扩大影响。

[11:51] AirJelly 的内部使用场景

[事实] 黄柏特提到，团队已经用 AirJelly 开发 AirJelly：询问某个功能如何实现、让它读取文档和代码、提出改进并提交 PR。 [事实] 团队曾让 AirJelly 给桌面水母加帽子，相关 demo 打动了设计同学加入团队。 [事实] 在招聘场景中，AirJelly 曾通过跨应用记忆，从 Boss 直聘、微信聊天记录和本地文件中找回候选人简历图片。 [推测] 这些案例展示的重点不是单点搜索，而是跨应用事件线索的连续推理。

[15:23] 主动式 AI 的定义与产品分野

[事实] 黄柏特认为，广义主动式 AI 包括定时任务、提醒、ChatGPT Pulse、以及某些按固定频率扫描的机制。 [事实] 他认为真正的主动式 AI 需要同时获得用户在某一场景下的明确意图和上下文。 [事实] 市面上已有会议、游戏等垂直场景的主动式 AI，但它们通常受限于上下文获取范围。 [事实] AirJelly 试图通过 Enter 捕捉 IM、Chatbot、搜索等通用生产力场景中的前沿意图。

[18:00] 上下文的价值与组织方式

[事实] 黄柏特认为，不同类型的 context 价值不同，其中意图 context 对主动式 AI 最有帮助。 [事实] 他认为 coding agent 率先发展得好，不只是因为能读取代码文件，还因为代码目录提供了额外结构信息。 [事实] AirJelly 会把获取到的上下文加工成 event 和 entity：event 记录事件与任务进展，entity 记录人、事、物等关键对象。 [事实] 团队围绕 event 做了召回、合并和随时间衰减等记忆机制。

[20:14] 全量记录不等于高质量记忆

[事实] 主持人提出，电脑、手机、眼镜、耳机等设备可能拥有更多上下文。 [事实] 黄柏特回应说，并不是发生的每件事都会成为历史，历史记录的是关键节点和有影响的事件。 [事实] 他认为全量录音、录屏包含大量噪音，而且会让所有 context 权重相同。 [推测] AirJelly 的核心假设是“捕捉高光意图”比“无差别记录一切”更适合个人 agent。

[21:45] 与 Chatbot、系统厂商和大公司的竞争

[事实] 黄柏特认为 Manus、ChatGPT 等本质仍是 Chatbot，主要通过对话获取上下文。 [事实] 他强调视觉是人获取周围上下文的重要方式，因此单一对话模态获得的信息有限。 [事实] 他承认 Mac、手机等系统级入口可能有源头优势，但大公司在激进获取隐私数据时会面临更大顾虑。 [事实] 他认为创业公司可以先服务一小部分愿意用隐私换效率的死忠用户。

[23:18] AirJelly 的壁垒：记忆与工程实践

[事实] 黄柏特认为所有 2C agent 应用最核心的壁垒是记忆。 [事实] 如果用户已经在 AirJelly 中积累一个月或三个月记忆，这部分记忆迁移会比较困难。 [事实] 他还认为屏幕截图记录听起来简单，但要做好上下文理解、召回和边界 case，需要大量工程调试。 [推测] AirJelly 的防守点不是单一功能，而是用户长期使用后的记忆沉淀和细节工程。

[25:24] 主动式 AI 不应只做发散推送

[事实] 黄柏特认为很多主动式 AI 做的是发散：基于已有信息猜用户还想了解什么。 [事实] 他认为这类推送可能增加用户认知负担。 [事实] AirJelly 的主动式围绕用户当前意图和下一步，顺着任务延长线推动，而不是额外制造信息。 [事实] 在提醒频率上，团队会结合用户工作状态、应用切换、dismiss 等反馈信号来调整主动出现的时机。

[28:14] 投资人眼中的 2026 AI 创业方向

[事实] 一豪表示，QuickStone 去年八九月已投资两个 proactive 方向团队，其中包括 AirJelly。 [事实] 他看好 continuous learning 和 right timing，即在正确时间把结果递到用户面前。 [事实] 他提到 2026 年重点关注三类方向：垂直但激进的 agent 应用、agent infra、以及为 agent 获取更多 context 的硬件。 [推测] 在投资视角中，主动式 AI 不只是前端体验问题，也依赖底层身份、安全、数据库、云端与本地协同等基础设施。

[30:45] 水母与“龙虾”的产品差异

[事实] 黄柏特用“龙虾”比喻执行能力强但感知有限的产品形态，认为其核心仍较依赖 Chat。 [事实] AirJelly 通过更多模态和更智能的意图获取，试图获得几何级增加的 context。 [事实] AirJelly 也参考了“龙虾”背后的 agent 框架，并结合自己的 context 和 memory 能力。 [推测] 这里的竞争关键从“谁更能执行”转向“谁更能看见用户正在做什么”。

[32:06] 记忆膨胀与效率问题

[事实] 黄柏特认为，企业级知识库能处理大量文档，而 AirJelly 个人数据量相对较小。 [事实] 他提到 AirJelly 一天可能记录 200 多张截图及对应 chunk。 [事实] 为避免信息污染，AirJelly 会对 entity、event、task 做 merge，保持状态更新。 [事实] 召回层面会使用时间衰减、向量检索和重排等方式保证效果。

[33:32] 从工具到可养成的个人 agent

[事实] OpenClaw/“龙虾”给 AirJelly 的启发包括 agent 框架，以及“养成”式产品心智。 [事实] 黄柏特认为，如果产品被用户理解为可养成的对象，用户对短期效果不完美的耐心会更高。 [事实] 一豪补充说，具备主动性、陪伴和记忆的产品，可能不再只是工具，而是长程陪伴关系。 [事实] 黄柏特认为动物形象会让 personal/proactive agent 更亲切，并能延展更多可能性。

[36:04] 为什么先做通用而不是垂直

[事实] 黄柏特提到 Manus 对他这一代创业者有很大启发：用前沿模型能力和产品组合先制造 magic，让大量用户涌入，再由使用行为收敛具体场景。 [事实] 他认为做通用产品体现了对用户创造力的尊重，也体现了对 AI 能力的信任。 [事实] 一豪认为，走通用路线需要极大雄心、资源驾驭能力、新框架定义能力和全球宣发能力。 [事实] 一豪也表示，对更多创业者来说，用新框架解决垂直行业里的高价值问题可能更适合。

[40:02] 招聘与团队需求

[事实] 黄柏特表示公司第一轮已融资，第二轮推进顺利。 [事实] 团队正在招聘 marketing、开发和 research 三类人才。 [事实] 开发岗位不局限于过去的产品经理、后端或前端，只要能熟练使用 AI 工具都可加入。 [事实] Research 方向包括 agent RL、skill RL、GUI agent、computer use、VLM 相关模型微调和后训练。

[42:05] 不开会的 AI-native 公司

[事实] 黄柏特认为会议本质是信息的批次处理和统一对齐。 [事实] AirJelly 团队日常线下办公，简单问题通过流式沟通解决。 [事实] 团队在内部实验 AirJelly team 版本，让不同成员的 AirJelly 在同一 group 中对话，提醒 feature 冲突或同步进展。 [事实] 他强调 team 分享由成员自主选择，反对把 AirJelly 做成监控软件。

[44:18] “持续低商”的公司名含义

[事实] 黄柏特解释，“商”来自热力学第二定律，衡量系统混乱程度，低商意味着有序。 [事实] 他提到薛定谔“生命以负商为食”的观点，认为生命需要不断输入能量以维持有序。 [事实] 公司希望通过产品和硅基 token 增强碳基人的有序性和活力。 [事实] 他还从信息学和 AI 的交叉商角度解释，希望人机协作越来越接近某种真相和更高级的知识形态。

[46:00] 隐私、信任与早期用户

[事实] 主持人提出，AirJelly 需要获取大量屏幕截图，这会带来信任问题。 [事实] 黄柏特回应说，团队会遵守当地法规，采用端到端加密，并让图片和 virtual context 等信息存储在本地。 [事实] 团队还会设计 PII 系统，对人名和机密信息进行脱敏。 [事实] 他认为，早期可能只有几十万量级用户愿意用隐私换效率，但这对创业公司已经足够有价值。

[47:42] PC、移动端与硬件上下文

[事实] AirJelly 当前先做 PC，因为 PC 最贴近生产力场景。 [事实] 黄柏特认为，PC 已能覆盖足够多生产力上下文，使产品效果足够好。 [事实] 未来团队会逐步扩展 context 获取途径，包括手机上的悬浮工具、按键触发，以及与硬件厂商合作。 [事实] 他认为硬件获取的信息和屏幕截图都可通过 VLM 理解，因此天然有打通可能。

[50:05] 微信上下文与主动喂养水母

[事实] 主持人指出，微信是重要上下文来源，但无法通过 API 或 hack 方式稳定获取。 [事实] 黄柏特承认 Enter 能捕捉用户意图，但不一定拿到所有反馈信息。 [事实] 团队会通过 event 合并，把一问一答和短对话中的截图联系起来。 [事实] 对长对话或遗漏信息，用户可主动按 Enter 补充捕捉，未来还可能通过组合键和语音备注补充上下文。

[53:08] 巨头竞争下 VC 与创业者的应对

[事实] 一豪认为，在快速变化的 AI 时代，投资人要和创业者动态学习、共同成长。 [事实] 他认为 VC 的价值之一是理解市场水位、前沿方向，并帮助创业者判断自己是在守正还是出奇。 [事实] 他还强调早期创业公司最重要的是人才，投资人可以帮助引入互补型人才。 [事实] 另一类价值是拓展业务合作，包括 HR、视频制作和科技合作等服务。

[54:44] AI-native 基金的工作方式

[事实] 一豪提到，Cloud Code 和 Claude 等工具对新基金帮助很大。 [事实] 基金会用 AI 自动化、agent 化地扫描 GitHub 项目、小公司项目和复杂零散工具。 [事实] 他们希望把项目、人以及二者关系结构化沉淀下来，让团队成员对外输出时拥有更完整的知识。 [事实] 一豪表示，未来希望借助 AirJelly 沉淀会议和外部沟通，形成基金自己的“水母”。

[56:37] AirJelly 可能失败的原因

[事实] 黄柏特认为，在 AI 时代三五年太长，真正的失败窗口可能是一到两年。 [事实] 第一个风险是不够快：如果新范式被证明有效，但用户触达和记忆沉淀太慢，大厂可能会下场并吞掉机会。 [事实] 第二个风险是隐私与效率之间的火候：拿得太少效果不够，拿得太多又可能损害用户信任和团队声誉。 [事实] 节目中提到 AirJelly 预计在 3 月 18 日左右开放内测。

[58:48] 人机协作的未来图景

[事实] 黄柏特畅想未来每个人都会有自己的 personal agent，掌握与生产力相关的全量信息。 [事实] 这些 agent 之间可以形成 group 或网络，代表用户协作、携带 personal skill，并参与生产。 [事实] 他认为 personal agent 也会成为新型伙伴，既提升生产力，也提供情感陪伴。 [推测] 他的未来愿景是“一人一 agent”的长期共生关系，而不是用户同时控制许多无人格工具。

[61:19] 辩论训练与创业思维

[事实] 黄柏特曾打辩论，并自称是两届西电十佳辩手。 [事实] 他认为辩论不是简单地证明 A 或 B 对，而是在对抗中深化判断，找到观点成立的场景和边界。 [事实] 他把辩论和创业类比：创业也需要回答为什么别人没做、为什么现在做、在哪些人群和场景下成立。 [事实] 他认为产品不需要在所有人群、所有场景、所有时刻都好，只要找到当前或未来某一刻成立的切口即可。

[63:35] 为什么毕业半年就创业

[事实] 黄柏特认为，AI 时代不像和平年代那样给每个人按年龄阶段慢慢准备。 [事实] 他指出 ChatGPT 在 2022 年底出现，到 2025 年 AI 已发展得很快，创业窗口正在缩紧。 [事实] 他认为不管刚校招、工作几年、20 多岁还是 30 岁，都处在同一个 AI 时间窗口里。 [推测] 这是他选择尽早创业而不是继续在大厂积累的核心心理驱动。

[65:31] 对 2026 年的期待

[事实] 一豪认为应尽快越过 OpenClaw 的概念浪潮，真正关注 AI 原生、context、proactive 和前沿模型进展。 [事实] 他期待 computer use、行业 agent、更长程任务等方向继续突破。 [事实] 黄柏特回顾 2025 年从听 Manus 播客到自己创业，认为变化完全超出预期。 [事实] 他希望在 2026 年把公司、产品和文化打造成优秀年轻人愿意加入的地方。

播客点评/总结

[推测] 本期的价值在于，它不是泛泛讨论“主动式 AI 会不会来”，而是把问题拆到很具体的产品机制：何时捕捉意图、怎样组织记忆、如何触发提醒、如何处理隐私和用户耐心。

[推测] 节目最有亮点的部分，是 AirJelly 把 Enter 作为意图入口的产品判断，以及围绕 event、entity、merge、time decay 等机制建立个人上下文系统的思路。这让“主动式 AI”从概念变成了可讨论的工程问题。

[推测] 局限在于，很多效果仍来自团队内部 case 和创始人判断，尤其是隐私接受度、长期留存、与大厂竞争的壁垒，还需要产品开放后用真实用户数据验证。

[推测] 这期适合 AI 创业者、产品经理、投资人，以及正在思考 agent、context、personal AI 和 AI-native 组织方式的人收听。