Hansel：本地加密的AI工作记忆助手，自动记录你做过的一切

你还记得上周三在忙什么吗？

对于知识工作者来说，一天的工作往往在多个应用、文档、网页和会议之间来回切换。当项目经理问起「上周那个功能的进展如何」，或者你自己想回顾某个决策的来龙去脉时，大脑常常一片空白，只能翻遍聊天记录、浏览器历史和文件夹去拼凑碎片。

这并非个人能力的缺陷，而是人类认知系统的固有局限。心理学家 George Miller 在 1956 年发表在《心理学评论》上的经典论文《The Magical Number Seven, Plus or Minus Two》中提出的「7±2」法则指出，人类短期记忆一次只能处理约 7 个信息块。这一法则后来被认知负荷理论（Cognitive Load Theory）进一步发展——该理论由 John Sweller 在 1988 年提出，区分了内在认知负荷（任务本身的复杂度）、外在认知负荷（信息呈现方式造成的额外负担）和关联认知负荷（用于建立知识结构的有效认知投入）。现代知识工作者面临的核心问题正是外在认知负荷的爆炸式增长——研究显示，办公环境中人们平均每 3 分钟就会被打断一次，而每次打断后重新进入深度工作状态平均需要 23 分钟。频繁的应用切换不仅消耗工作记忆容量，还需要额外的认知资源来重建上下文，这被称为「切换成本」（switching cost）。

值得注意的是，2023年加州大学欧文分校 Gloria Mark 教授出版的《Attention Span》一书基于20年的实证研究发现，人们在屏幕上的平均注意力持续时间已从2004年的2.5分钟缩短至2020年的47秒。这一趋势与应用数量的增长呈正相关。此外，认知心理学中的 Zeigarnik 效应表明，未完成的任务会持续占据工作记忆资源，而现代知识工作者通常同时有20-30个未完成任务处于不同阶段，这些「认知残留」累积起来极大地侵蚀了可用的认知带宽。在现代知识工作中，一个人每天可能接触数十个应用、上百个文档和数千条信息，远超大脑的自然处理能力。我们的工作记忆系统从未被设计来应对如此高密度的信息切换。

近期登上 Product Hunt 的新工具 Hansel 正是瞄准了这一痛点。它的口号简洁明了——「Remember everything you've worked on（记住你做过的一切）」。上线后获得 82 个投票，位列当日榜单第 16 名，被归入生产力与人工智能双分类。

Hansel 是什么：一款自动化的AI记忆工具

Hansel 是一款面向 Mac 用户的 AI 记忆工具。根据官方介绍，它主要解决三件事：

• 记住你工作过的内容：自动记录你的工作轨迹，无需手动整理笔记；
• 找回过往上下文：当你需要某个项目的历史信息时，可以快速检索；
• 回答关于工作日的问题：你可以直接向它提问，比如「我今天主要在处理什么」，由 AI 归纳作答。

从产品定位看，Hansel 属于近来兴起的「个人记忆层（personal memory layer）」类产品。这一概念源自认知科学中对人类记忆系统的类比——这类工具试图在操作系统之上、应用之下建立一个统一的信息捕捉与检索层，充当用户数字活动的「海马体」（大脑中负责将短期记忆转化为长期记忆的关键结构）。

「个人记忆层」这一产品品类的兴起可追溯至2012年前后 Evernote 提出的「第二大脑」概念，但当时的技术限制使其本质上仍是手动笔记工具。2020年后，GPT-3的发布和 Transformer 架构的成熟让自动化理解和组织信息成为可能。投资市场也对此给予了关注——2023-2024年间，记忆类 AI 工具获得了显著的风险投资，a16z 等顶级 VC 明确将「个人 AI」列为核心投资方向。这反映了一个更大的行业判断：在通用大模型竞争白热化的背景下，个性化、私有化的 AI 应用可能成为下一个价值创造的前沿。

从技术架构上看，这类产品通常包含三个核心组件：数据捕捉层（通过系统 API 或屏幕录制获取用户活动）、索引层（将非结构化数据转换为可检索的向量表示）、以及交互层（通过自然语言接口让用户查询历史活动）。认知科学中，海马体不仅负责记忆的编码和存储，还参与记忆的「重新整合」——即在回忆时将碎片化信息重新组织为连贯叙事。这正是 AI 记忆工具试图模拟的能力：不只是存储原始数据，还能理解数据之间的关联，并在用户需要时以有意义的方式呈现。

Hansel 通过持续捕捉用户在电脑上的活动，构建一个可被 AI 查询的私人知识库。与传统笔记软件不同，Hansel 的核心卖点在于自动化捕捉——它不依赖用户主动记录，而是在后台运行，减少认知负担。

本地加密：Hansel 最大的隐私差异化设计

这类持续记录用户行为的工具，最容易引发的质疑就是隐私安全。Hansel 对此给出的答案是：你的数据以加密形式保留在你自己的 Mac 上（Your data stays encrypted on your Mac）。

这一设计在当下不能忽视。回想微软推出的 Recall 功能，因会截取并存储用户屏幕内容而引发轩然大波，最终被迫延期并加强加密和本地化处理。具体来说，2024 年 5 月微软在发布 Copilot+ PC 时宣布 Recall 功能，该功能每隔几秒对用户屏幕进行截图，并利用本地 AI 模型建立可搜索的视觉记忆。然而安全研究人员很快发现，Recall 将截图以未加密的 SQLite 数据库形式存储在本地，任何能访问该设备的人或恶意软件都可轻松读取用户的全部屏幕历史——包括密码、银行信息和私人对话。这一发现引发了全球性的隐私恐慌，英国信息专员办公室（ICO）随即展开调查。微软被迫将 Recall 从默认开启改为需用户主动启用（opt-in），并增加了 Windows Hello 生物识别验证、即时加密和敏感内容自动过滤等安全机制。

Recall 事件不仅是一次产品安全事故，更深刻影响了整个「屏幕记录」类产品的设计哲学。事件发生后，安全社区围绕「持续监控」类工具形成了几项共识性原则：第一，数据必须在静态和传输状态下均保持加密；第二，用户必须拥有细粒度的控制权，能够排除特定应用或时间段的记录；第三，敏感内容（如密码输入、金融信息）应有自动识别和过滤机制；第四，产品架构应遵循「数据最小化」原则，只保留实现功能所必需的最少信息。这些原则实质上提高了该赛道的准入门槛，但也为能够满足这些要求的产品创造了更高的信任壁垒。Hansel 从产品诞生之初就将「本地加密」作为核心承诺，显然吸取了这一行业教训。

对用户而言，本地化处理意味着：

• 敏感的工作内容不会上传到第三方云端服务器；
• 数据主权掌握在自己手中，降低了泄露和滥用风险；
• 更符合企业环境对数据合规的要求。

值得补充的是，Apple 在 macOS Mojave（2018年）之后逐步收紧了隐私权限模型，引入了 TCC（Transparency, Consent, and Control）框架。任何应用要访问 Accessibility API、屏幕录制、磁盘完全访问等敏感权限，必须获得用户在系统偏好设置中的明确授权，且这些授权可随时撤销。这种设计哲学与 Apple 在2024年 WWDC 上提出的「Private Cloud Compute」理念一脉相承——即便需要云端算力，数据也应在加密飞地中处理，Apple 自身也无法访问。这为 Hansel 这类工具在 Mac 上运行提供了系统级的隐私保障基础设施。

不过说一下，「本地加密」与「AI 能力」之间往往存在权衡。强大的语义检索和自然语言问答通常依赖大模型，而完全本地运行的模型在能力上仍与云端大模型有差距。当前本地运行的大语言模型（如基于 Llama、Mistral、Phi 等开源模型的量化版本）通常在 7B 到 13B 参数规模，通过 4-bit 或 8-bit 量化可以在消费级硬件上运行。主流的本地推理框架包括 llama.cpp（跨平台 C++ 实现）、MLX（Apple 专为自家芯片优化的机器学习框架）和 Ollama（提供简洁的模型管理和 API 服务）。以 Apple M3 Pro 芯片为例，运行一个 4-bit 量化的 7B 模型可实现约 30-50 tokens/秒的生成速度，基本满足交互式对话需求。

Apple Silicon 芯片（M1/M2/M3/M4 系列）凭借统一内存架构（Unified Memory Architecture），为本地大模型推理提供了较好的硬件基础——与传统 PC 架构中 CPU 内存和 GPU 显存分离不同，Apple Silicon 的统一内存允许 GPU 直接访问全部系统内存，消除了数据在 CPU 和 GPU 之间来回复制的瓶颈。这意味着 16GB 内存的 Mac 可以流畅运行 7B 模型，32GB 以上则可运行更大规模模型。然而，本地模型的瓶颈不仅在于参数规模，更在于上下文窗口限制——当需要同时理解数天甚至数周的工作历史时，有限的上下文长度（本地模型通常支持 4K-32K tokens）成为关键制约。即便是本地运行的 13B 模型，在复杂推理、长上下文理解和多步骤任务规划方面，仍与 GPT-4、Claude 等数百亿甚至万亿参数的云端模型存在明显差距。

一些产品采用混合架构作为折中——本地完成数据索引和简单查询，而将需要深度推理的复杂问答以脱敏方式发送至云端处理。Hansel 具体采用何种技术路线——是完全本地推理，还是加密数据后有限调用云端——目前公开信息尚不明确，这是潜在用户在选择时值得关注的关键点。

Hansel 填补了哪些工具空白

工作记忆工具赛道并不算新，从 Rewind.ai 到各种笔记应用，都在尝试帮人们「记住」。值得一提的是，Rewind.ai（后更名为 Limitless）是这一赛道的先驱产品，于 2022 年底推出，通过持续录制屏幕内容并利用 OCR 和 AI 进行索引，让用户可以搜索「在电脑上看到过的一切」，一度估值超过 3.5 亿美元。但 Rewind 后来将重心转向了会议记录和可穿戴设备方向（推出了一款名为 Limitless Pendant 的挂坠式录音设备），为后来者留下了空间。其他同类工具还包括 Screenapp（侧重视频会议回放）、Mem（AI 驱动的自组织笔记），以及 Apple 自身在 macOS 中逐步增强的 Spotlight 和 Siri 智能搜索能力。

Hansel 的机会在于几个方面：

自动化捕捉 vs 手动记录

传统的 Notion、Obsidian 等笔记工具功能强大，但都需要用户主动投入时间整理。而现实是，大多数人在忙碌时根本无暇记录。Hansel 的自动捕捉模式，理论上能覆盖那些「本该记录却没记」的场景。这里存在一个产品设计上的深层矛盾：笔记工具的价值不仅在于存储信息，还在于记录过程本身促进了理解和内化（即「费曼学习法」的核心原理）。自动捕捉虽然降低了信息遗漏的风险，但用户与信息之间的主动交互减少了，可能影响对工作内容的深度理解。最理想的状态或许是二者的结合——自动捕捉作为安全网，同时在适当时机提示用户进行主动总结和反思。

自然语言问答式检索

相比关键词搜索，用自然语言直接提问「我这周在 X 项目上花了多少时间」显然更符合人的直觉。这正是大模型时代记忆工具的核心体验升级。

这一能力的底层技术依赖于向量嵌入（Vector Embedding）和语义搜索。传统关键词搜索通过精确匹配字符串工作，用户必须记住确切的词汇才能找到信息。而语义检索首先将文本（或屏幕内容）通过嵌入模型转换为高维向量——通常是 768 维或 1536 维的数字数组，这些向量在数学空间中的距离反映了语义相似度。当用户提出自然语言问题时，系统将问题同样转换为向量，然后在向量数据库中进行最近邻搜索（如使用 HNSW 算法或 IVF 索引），找出语义最相关的历史记录片段，再将这些片段作为上下文提供给大语言模型生成回答。这一流程被称为 RAG（Retrieval-Augmented Generation，检索增强生成），是当前 AI 知识库产品的主流技术架构。

RAG 在个人记忆工具中的实现比标准文档问答更为复杂，因为需要处理多模态、时序性和隐含关联三重挑战。多模态意味着数据来源包括文本、应用元数据、甚至截图中的 OCR 文字，需要统一的嵌入表示；时序性意味着同一主题的信息分散在不同时间点，检索时需要考虑时间维度的相关性（例如「上周」这个限定词需要被正确理解为时间过滤条件）；隐含关联则指用户可能用不同措辞提及同一项目或任务。

在个人记忆工具场景中，嵌入模型的选择尤为关键。通用文本嵌入模型（如 OpenAI 的 text-embedding-3-small 或开源的 BGE、E5 系列）在处理技术文档、代码片段和非正式聊天记录等混合内容时，语义表示的质量参差不齐。此外，随着时间推移，向量数据库的规模会持续膨胀——假设每天产生500-1000条记录，一年下来就是20-30万条向量，这对本地存储和检索效率提出了持续的工程挑战，需要定期进行索引优化和过期数据清理。

为应对这些挑战，先进的 RAG 实现通常采用多级检索策略：先通过向量相似度获取候选集，再通过重排序模型（reranker）根据查询意图精细排列结果，最后由 LLM 综合多个片段生成连贯回答。本地向量数据库如 Chroma、LanceDB、Qdrant 等可以在不依赖云服务的情况下完成这一流程。

专注 Mac 生态深度整合

Hansel 目前明确聚焦 Mac 生态。对开发者、设计师等 Mac 重度用户群体来说，深度整合往往比跨平台的浅层覆盖更有价值。macOS 提供了丰富的 Accessibility API 和系统级事件监听机制，允许应用在用户授权后获取当前活跃窗口、文档标题、URL 等上下文信息，而无需进行侵入性的屏幕截图。

具体来说，macOS 的 Accessibility API（辅助功能接口）原本设计目的是为视障等残障用户提供屏幕阅读器支持，但其能力远不止于此。通过 AXUIElement 接口，经用户授权的应用可以获取任何前台应用窗口的 UI 元素树，包括文本内容、按钮标签、输入框内容等结构化信息。这比屏幕截图+OCR 的方式更高效、更精确，且天然避免了捕获密码等敏感视觉内容的风险（因为密码字段在 UI 元素树中通常被标记为安全输入类型而被过滤）。此外，macOS 的 NSWorkspace 通知机制可以追踪应用切换事件，Core Graphics 的窗口列表 API 可获取所有窗口的标题信息，而 NSMetadataQuery 可以监控文件系统的变更。这些系统级接口的组合，使得 Mac 平台成为开发隐私友好型记忆工具的理想环境——开发者可以在不进行全屏录制的前提下，获取足够丰富的工作上下文信息。

值得观望，但仍有几个关键疑问

作为一款刚登陆 Product Hunt 的早期产品，Hansel 的理念清晰，切中了知识工作者的真实痛点，本地加密的隐私承诺也颇具吸引力。8 条评论和 82 票的成绩，说明它获得了一定认可，但离验证产品力还有距离。

对于考虑尝试的用户，建议关注以下几个问题：

1. 捕捉范围：它究竟记录哪些数据？是屏幕截图、应用活动，还是文档内容？不同的捕捉方式在信息丰富度和隐私侵入性之间有着本质区别——屏幕截图最全面但隐私风险最高，基于 Accessibility API 的结构化数据捕捉则在二者之间取得了较好平衡。
2. AI 能力边界：本地模型的问答质量如何，能否真正理解复杂的工作上下文？特别是涉及跨越多天的项目追踪、多任务交织的时间线梳理等场景，对模型的推理能力要求较高。
3. 性能开销：后台持续运行对 Mac 的电池和性能影响多大？持续的数据捕捉、向量索引构建和模型推理都是计算密集型任务，如何在不影响用户正常工作的前提下完成这些后台操作，是产品工程上的重要挑战。
4. 数据可携带性：如果停用，历史数据能否导出？这涉及用户对自身数据的长期控制权——避免被工具「锁定」是数据主权的重要维度。

结语

Hansel 代表了 AI 时代个人生产力工具的一个重要方向——让 AI 成为我们工作记忆的延伸，同时坚守数据本地化与隐私优先的底线。在「便利」与「隐私」这对长期矛盾中，它选择了一条更谨慎的路径。这条路能否走通，取决于本地化技术能否提供足够好的 AI 体验。随着 Apple Silicon 芯片算力的逐代提升（M4 系列的神经引擎已达到 38 TOPS 的算力）和开源模型能力的快速进步（Llama 3、Mistral、Phi-3 等模型在特定任务上已接近早期 GPT-4 水平），本地 AI 与云端 AI 之间的差距正在缩小——这一趋势对 Hansel 这类产品来说是重要的利好。对于饱受「记不住做过什么」困扰的知识工作者来说，它至少值得放进观察清单。