撰文：Leo
你有没有发现，现在的 AI 助手其实都挺"笨"的？每次打开 ChatGPT 或 Claude，你都得把背景重新解释一遍。"我在做一个项目，关于......"，"我们团队刚开了个会，讨论了......"，"上周我发了封邮件，内容是......"。你花了五分钟写提示词，才能得到一个勉强有用的回答。这不对劲。AI 不是应该让工作变简单吗？为什么反而增加了我们的工作量？
我最近体验了一个叫Littlebird的产品，它刚刚完成了 1100 万美元的种子轮融资，由 Lotus Studio 领投。这个产品让我重新思考了一个问题：AI 助手到底应该是什么样子？它不应该是一个需要你不断"投喂"信息的工具，而应该是一个已经了解你工作和生活的助手。就像一个真正的助理，不需要你每次都从头解释项目背景、团队情况和工作进度。
Littlebird 的创始人 Alexander Green 在宣布融资时说了一句话，我觉得特别准确："使用电脑的感觉越来越像是一种对抗。"每次打开电脑，我们都会感受到多巴胺和恐惧的双重刺激。电脑本应该是"思维的自行车"，但互联网的商业模式把一切都重新连接了：如果产品免费，那你就是产品；如果你是产品，目标就是收割你的注意力。自行车开始反过来蹬我们。这个比喻太精准了。我们本应该控制工具，但现在工具在控制我们。
为什么 AI 助手总是"健忘"
我用了大半年各种 AI 工具，从 ChatGPT 到 Claude，从 Notion AI 到各种专门的 AI 写作助手。每个工具都很强大，但每个工具都有同一个问题：它们完全不知道我是谁，我在做什么，我关心什么。每次对话都像是第一次见面，我得重新介绍自己、解释背景、提供上下文。
举个具体例子。上周我在准备一个产品发布会，涉及多个部门协作。我和设计团队开了会讨论视觉方案，和市场团队开会敲定传播策略，和技术团队讨论产品演示的技术细节。这些会议的笔记分散在不同地方：有的在 Notion，有的在邮件，有的只是口头讨论。当我想用 AI 帮我整理一份完整的发布会方案时，我得做什么？我得把所有这些信息都复制粘贴到 AI 工具里，写一个超长的提示词，详细说明每个会议的内容和决定。光是准备这个提示词，我就花了二十分钟。
更荒谬的是，第二天我想修改方案时，我得重新做一遍。因为 AI 不记得昨天的对话，或者即使记得，也不知道昨天下午我又和 CEO 讨论了新的方向调整。这种体验让我觉得，AI 助手不是在帮我，而是在给我增加额外的工作负担。我不仅要做原本的工作，还得花时间"教"AI 理解我的工作。
Littlebird 的创始团队在思考这个问题时有一个关键洞察：AI 模型本身其实很强大，限制它们效用的不是模型能力，而是缺乏关于用户的数据。大语言模型对你一无所知，这从根本上限制了它们的实用性。这个观点听起来简单，但却直指问题核心。我们一直在讨论如何让模型更聪明，却忽略了一个更基本的问题：如何让模型了解用户。
现在市场上有很多 AI 工具试图解决上下文问题。有的专注于搜索你的文档，有的专注于会议记录，有的专注于邮件整理。但这些工具都有一个共同限制：它们只能看到你主动给它们的信息。你得把文档上传到它们的平台，或者授权它们访问你的 Gmail，或者在开会时打开它们的会议记录功能。这仍然需要用户做大量的设置和维护工作。而且更关键的是，这些工具看不到你工作的全貌。它们可能知道你的会议内容，但不知道会后你在 Slack 上的讨论；它们可能知道你的邮件，但不知道你在浏览器里研究了什么竞品信息。
Littlebird 的不同之处：屏幕阅读技术
Littlebird 采用了一个完全不同的方法，他们叫它"screenreading"（屏幕阅读）。这个技术让我想起了人类助理是怎么工作的。一个真正优秀的助理不需要你事无巨细地告诉她发生了什么，她会观察你的工作，记住重要的事情，在需要的时候提醒你。Littlebird 就是在做类似的事情。
具体来说，Littlebird 是一个 Mac 桌面应用，它会持续读取你屏幕上的所有文本内容。注意，是"读取"，不是"截图"。这个区别非常重要。之前有一些类似的产品，比如Rewind（后来改名为 Limitless 并被 Meta 收购）和微软的 Recall，它们的做法是不断截图保存你的屏幕。这种方法有几个问题：数据量巨大，因为图片文件很大；隐私性差，因为截图会捕获所有视觉信息；搜索体验不好，因为从图片中提取信息比从文本中提取要困难得多。
Littlebird 的方法更聪明。它使用复杂的屏幕阅读技术来理解所有应用中的文本内容，不需要任何繁琐的设置。它能理解谁说了什么、什么时候说的，详细追踪你的项目进展。通过这种方式，它能建立起对你生活的丰富理解：谁对你重要、你在做什么项目、你这周和今年关心什么。创始人 Green 在接受采访时说，这种方法让数据轻量化很多，而且侵入性更低。
我特别欣赏这个设计的一点是，它尊重了软件的本质。屏幕上显示的内容本来就是文本和结构化数据，为什么要把它转换成图片再转回文本呢？直接读取结构化内容不仅更高效，也更准确。而且从隐私角度看，文本数据比视觉数据敏感性要低得多。你的密码可能显示为星号，你的信用卡号可能被遮挡，但截图会把这些视觉信息都保存下来。
Littlebird 会自动忽略密码管理器和网页表单中的敏感字段，比如密码和信用卡详细信息。你也可以自定义让它忽略哪些应用。这给了用户很大的控制权。如果你不希望 Littlebird 看到你在某个应用中的工作，比如私人聊天软件或财务软件，你可以轻松地将其排除。
除了被动读取屏幕内容，Littlebird 还可以主动连接其他应用。你可以选择连接 Gmail、Google Calendar、Apple Calendar 和 Reminders 等。这让它能够更全面地理解你的工作和生活。它不仅知道你屏幕上发生了什么，还知道你的日程安排、待办事项和邮件往来。
全上下文 AI 意味着什么
当 AI 真正拥有了关于你的完整上下文，使用体验会发生质的变化。我看到 Littlebird 提供的一些使用场景，让我意识到这不只是渐进式改进，而是一种全新的交互模式。
最基础的功能是回答问题。但和其他 AI 工具不同，Littlebird 的回答基于对你工作的深入理解。你可以问"我今天都做了什么？"或者"哪些邮件对我重要？"。在使用几天后，这些预设的提示会变得越来越个性化。这很有意思，因为 AI 开始学习你关心什么、你的工作模式是什么。
创始人 Green 分享了他的使用体验，我觉得特别能说明全上下文 AI 的价值。他每天都会问 Littlebird"这周什么是重要的"或者"我应该专注于什么"，经常会收到令人惊讶且深思熟虑的答案。他用它来获取专业建议和指导，填补自己技术知识的空白，甚至用来规划晚宴。这些使用场景跨度很大，但共同点是：AI 能给出有洞察力的答案，因为它深入了解你的生活。
Littlebird 内置了一个类似Granola的会议记录功能，使用系统音频在后台运行，捕获会议转录并根据内容创建笔记和行动项。这本身不算新奇，市面上有很多会议记录工具。但 Littlebird 的独特之处在于，它能够连接会议与你其他工作的上下文。
我最感兴趣的是"Prep for meeting"（会议准备）功能。当你打开一个会议的详细视图时，有一个选项可以让 Littlebird 为你准备这个会议。它会考虑过往会议的上下文、相关邮件和公司历史，为你提供更多细节。这个功能甚至会从 Reddit 等来源获取信息，告诉你用户对特定产品或公司的看法。想象一下，你要和一个客户开会，Littlebird 会自动整理出：你们上次讨论了什么、这段时间有什么邮件往来、这个客户的公司最近有什么动态、用户对他们产品的反馈是什么。这就像有一个真正优秀的助理在帮你做会前准备。
还有一个叫Routines（例行程序）的功能让我觉得很实用。它允许你创建详细的提示，让 Littlebird 按固定间隔运行，比如每天、每周或每月。公司列出了一些现成的例行程序，像每日简报、每周活动总结、昨日工作总结。用户也可以创建自己的例行程序，配合自定义指令。我觉得这个功能解决了一个很实际的问题：我们都知道应该定期回顾和总结工作，但很少有人能坚持做。有了 Routines，AI 会主动帮你做这件事。
Littlebird 团队进行的内部调查显示了这种全上下文 AI 的实际价值：84%的用户报告每周至少节省半天时间，80%的用户表示产品减少了他们日常工作的焦虑。这两个数据都很有意思。节省时间容易理解，因为你不需要花时间整理信息、寻找文档、回忆细节。但减少焦虑这个效果，我觉得更深刻。很多工作焦虑来自于担心遗漏重要信息、忘记重要事项、无法及时响应。当你知道有一个 AI 在帮你追踪所有这些，焦虑自然会减轻。
隐私与控制的平衡
当我了解到 Littlebird 能持续读取屏幕上的所有内容时，我的第一反应是：这安全吗？会不会泄露我的隐私？这种担忧完全合理。如果一个应用要观察你的整个数字工作日，信任就是一切。
Littlebird 的设计理念是"默认私密、安全和用户可控"。从技术角度看，他们做了几件事来保障隐私。所有数据使用 AES-256 加密存储，传输使用TLS 1.3。用户数据永远不会被用来训练 AI 模型。这些是基本的安全措施，但对于这种产品来说非常关键。
更重要的是用户控制权。你可以随时暂停数据收集，可以排除特定应用或网站，可以一键删除任何数据。这种设计让用户始终掌控自己的信息。如果你要处理特别敏感的内容，可以临时暂停 Littlebird；如果某些应用永远不想被监控，可以把它们加入黑名单。
Green 在采访中解释了为什么选择云端存储而非本地存储。原因是要运行强大的模型来处理不同的 AI 工作流程，这在本地是无法实现的。这是个有趣的权衡。本地存储显然更安全，因为数据不会离开你的设备。但云端存储能够使用更强大的 AI 模型，提供更好的功能。Littlebird 选择了后者，但通过强加密和严格的隐私政策来弥补安全风险。
我注意到 Littlebird 获得了 SOC 2 认证，完全符合 GDPR 和 CCPA 规定。这些认证和合规不是小事，特别是对一个初创公司来说。这表明团队从一开始就把安全和隐私当作核心要求，而不是事后补充。
还有一个细节我觉得很重要：Littlebird 不存储任何视觉信息，只存储文本。这让数据轻量化很多，也大大降低了侵入性。Green 说这可能是 Recall 和 Rewind 遇到困难的原因之一，截图的数据量太大了。而且截图确实更侵入性。想象一下，你在浏览一些个人照片或者在看一些视频内容，截图会把所有这些视觉细节都保存下来。但文本记录只会记录描述性的内容，不会保存图像本身。
这种设计让我想起了一个更宏观的问题：我们到底希望 AI 了解我们到什么程度？完全的透明可以带来最大的便利，但也意味着最大的风险。Littlebird 的方法是让用户自己决定这个边界。你可以让它看到一切，也可以严格限制它的访问范围。这种灵活性很重要，因为不同的人、不同的使用场景，对隐私的要求完全不同。
这对 AI 产品意味着什么
Littlebird 的故事让我重新思考 AI 产品应该怎么做。在我看来，这个产品体现了几个重要的产品理念，值得所有 AI 产品开发者思考。
第一个是上下文的重要性。Littlebird 的投资人 Lenny Rachitsky 说了一句话我特别认同："AI 的好坏取决于它拥有的上下文，而它对你的一天了解得太少了。"这句话点出了当前 AI 产品的核心问题。我们一直在优化模型、改进算法，但忽略了一个基本事实：再聪明的 AI，如果不了解用户的具体情况，也给不出真正有用的答案。
这让我想起之前 AI 产品的一个误区。很多团队在构建复杂的 RAG（检索增强生成）系统，试图让 AI 能够访问各种数据源。这个方向没错，但方法可能不对。与其让用户主动上传文档、授权访问各种应用，为什么不让 AI 主动观察用户的工作呢？Littlebird 的 screenreading 技术本质上是一种被动但全面的上下文收集方式，比主动但零散的连接更有效。
第二个是找到 killer use case 的重要性。Rachitsky 在谈到 Littlebird 的长期成功时说，关键是找到那个必不可少的使用场景。他说很多人已经为自己找到了这个场景，团队正在关注这些新兴的使用案例。这个观点很实际。做 AI 产品的团队经常陷入一个陷阱：试图打造一个"万能"的工具，结果什么都做但什么都不精。
Rachitsky 还分享了一个有意思的产品开发理念："你不会真正知道人们如何使用你的产品，直到你把它推出去。策略是尽早推出产品，看人们如何使用，然后加倍投入那些使用场景，而不是等到把所有东西都想清楚了再推出。"这和传统软件开发理念很不同。传统开发强调计划、设计、完善，然后发布。但 AI 产品更像是一个持续的实验，因为 AI 的能力边界是模糊的，用户会发现你意想不到的使用方式。
从投资人的使用反馈可以看出，不同的人确实找到了非常不同的使用场景。DocSend 的联合创始人兼 CEO Russ Heddleston 说，他用这个工具重写了公司的营销网站，使用了来自会议、邮件、Notion 等的上下文。Google 和 Facebook 前产品负责人 Gokul Rajaram 说，这个产品消除了记忆、检索和重新解释自己工作的摩擦。Rachitsky 说他会询问工具如何提高生产力工作流程以及如何变得更快乐。
这些使用场景跨度很大，从写营销文案到个人生产力优化，但都基于同一个核心能力：AI 对用户的深入理解。这验证了 Littlebird 的核心假设：当 AI 真正了解你的上下文时，它的应用场景会自然涌现，而不需要产品团队事先规划好所有功能。
第三个启示是产品定位的微妙之处。Littlebird 把自己定位为"安静的电脑"的未来。这个表述很有诗意，但也很准确。现在大部分 AI 产品都在争夺你的注意力，弹出通知、推送提醒、试图让你多用它们。但 Littlebird 的理念是在后台工作，只在你需要的时候出现。这种"安静"的特性可能是全上下文 AI 的必然选择。如果一个 AI 真的了解你，它就不需要不断打断你来获取信息，而可以默默地在后台学习和准备。
Littlebird 目前的商业模式是免费使用，但高级功能需要每月 20 美元起的订阅。这个定价我觉得挺合理的，考虑到它提供的价值。如果真的能每周节省半天时间，那么每月 20 美元绝对是划算的投资。但我更好奇的是，随着产品发展，商业模式会不会演变？比如企业版会是什么样子？团队协作功能会如何实现？
我对未来的思考
体验了 Littlebird 的概念后，我开始思考一个更大的问题：未来的 AI 助手应该是什么样子？
我觉得我们正在经历从"工具型 AI"到"伙伴型 AI"的转变。工具型 AI 就像现在的 ChatGPT，你需要它的时候打开，用完就关掉，每次都是新的开始。伙伴型 AI 则像 Littlebird 这样，始终在旁边，了解你的工作和生活，能够主动提供帮助。这不是能力的差异，而是关系的差异。
这种转变会带来一些有意思的变化。比如，我们可能不再需要那么多专门的 AI 工具。现在有各种各样的 AI 应用：写作助手、代码助手、数据分析助手、会议助手。但如果有一个 AI 真正了解你的所有工作，它可能可以在不同场景中提供一致的帮助，而不需要在多个工具之间切换。
另一个变化是提示词工程可能会变得不那么重要。现在我们花很多时间学习如何写好的提示词，如何提供足够的上下文，如何引导 AI 给出我们想要的答案。但如果 AI 已经有了足够的上下文，我们可能只需要简单地表达意图就够了。就像和人类助理沟通，你不需要每次都详细解释背景，因为她已经知道了。
但这种全上下文 AI 也会带来新的挑战。一个是心理适应。当你知道有个 AI 在持续观察你的工作时，即使你理性上知道它是安全的，情感上可能还是会感到不适。这种感觉类似于知道有个同事一直在看你的屏幕。我们需要时间来适应这种新的工作关系。
另一个挑战是依赖性。当你习惯了 AI 帮你记住所有事情、整理所有信息、准备所有会议，你自己的记忆力和组织能力会不会退化？这有点像 GPS 对方向感的影响。很多人现在完全依赖导航，自己找路的能力大大下降。AI 助手会不会带来类似的效果？
从行业角度看，我觉得 Littlebird 代表了一个新的产品类别的出现。不是会议记录工具，不是文档搜索工具，而是"全上下文 AI 助手"。这个类别的核心特征是：持续观察、全面理解、主动服务。我预测会有更多公司进入这个领域，竞争会围绕几个维度展开：谁的上下文收集更全面？谁的 AI 理解更准确？谁的隐私保护更可信？
Littlebird 的 1100 万美元融资只是开始。投资人阵容很有意思，包括了产品、设计和内容领域的知名人士。这些投资人不只是提供资金，他们本身就是重度用户，能够提供产品反馈和使用场景。这种投资人结构对于一个需要不断迭代和发现使用场景的 AI 产品来说，价值可能比纯粹的资金更大。
我很期待看到 Littlebird 接下来的发展。它会不会扩展到 Windows 和其他平台？会不会推出企业版本，让整个团队共享某些上下文？会不会开发出我们现在还想象不到的新功能？更重要的是，它能不能真正找到那个 killer use case，让人们觉得"没有它我无法工作"？
Green 在宣布融资时说："有可能构建一个真正理解你的 AI 吗？我们相信可以，我们很想展示给你看。"这句话既是承诺，也是挑战。Littlebird 还在早期，还在进行中，是一个持续的研究项目。它不会总是正确捕捉每个细节，有时会错过同事在休假，或者项目已经完成。但你会惊讶于它对你了解得有多深。
我相信全上下文 AI 是未来的方向。不是因为技术炫酷，而是因为这才是 AI 应该有的样子。AI 的承诺是让我们更高效、更专注、更有创造力。但如果 AI 本身需要大量的人工维护和输入，它就违背了这个承诺。只有当 AI 真正理解我们、适应我们，它才能真正成为"思维的自行车"，帮助我们骑得更快更远。
