成立不到一年，明星AI公司 Violoop 正式完成亿元级天使轮及Pre-A轮融资。
据我们了解，在最近的融资中，投资方汇聚了VC及知名产投：联想创投、中金保时捷、蓝驰创投、元生资本、启赋资本、zero2ipo ventures联合出资。这个组合也很有意思，比如，它获得了PC巨头的押注，是联想目前对个人端侧Agent硬件的第一笔投资，Violoop也和联想签署了战略合作协议。
而更重要的节点即将到来，它的硬件产品即将正式亮相。
这是一只手掌大小的盒子，通过一根数据线连接到你的电脑上。它看起来也不像一台传统意义上的电脑，Violoop形容它是一个给Agent用的电脑。它可以读懂屏幕上正在发生的事，判断什么需要处理，找到文件、操作软件、回复消息，再在获得允许之后替人完成任务。过去几个月，产品测试已经覆盖来自全球多个国家和地区的200多名内测用户。
而在它正式发布前，我们有机会看了Violoop 创始人兼CEO何佳霖给我们做的demo演示，并和他深入聊了聊。
与外界看起来会第一时间想到的“龙虾外挂”不同，它有很多更有意思的思路和想象空间。
其中，最吸引我们的是它代表着一种每个人拥有一个自己的模型的可能。
杀死Prompt
Violoop“卖”给你的是一个 Agent 硬件，但它首先是一个 Agent。
一个你自己的 Agent。
我们已经习惯把ChatGPT、Claude或者某个本地模型称为“我的AI”。
但这里的“我的”更多是一种账号关系。用户购买订阅，写入Custom Instructions，积累一些对话和Memory。模型偶尔能记住用户的职业、口味和表达习惯，却仍然很难进入一个人真实而连续的工作现场。
它不知道你三分钟前在微信里答应了谁，也不知道刚刚打开的PDF对应哪个项目。它看不见邮箱里那封等待回复的询价，更不理解桌面上“最终版2”和“最终版3”究竟哪一个才是最终版。
每一次使用，用户都要把现实重新翻译一遍。摸索给模型的“黑话”Prompt到底该怎么讲。
“帮我回复这封邮件。”“这是之前的聊天记录。”“语气再委婉一点。”“附件在这里，结合这个文档一起看。”
Prompt本质上是人类替AI做的一次上下文打包。模型负责推理，人负责发现任务、收集材料、解释背景、挑选工具，再把这一切压缩成几段AI能够理解的文字。模型越来越强，调用模型的准备工作却依然落在人身上。
Violoop觉得这对于更广大的用户群体是一种负担，而他们想替大家先拿掉这一步。
在何佳霖的演示中，接入你的电脑后，Violoop就“活”在你的桌面里，你的电脑光标附近悬着一个不起眼的绿色标记，代表Violoop正在感知用户此刻关注的内容。比如，当微信里，一位同事发来消息：“把那位候选人的简历发我一下。”没有人打开对话框写Prompt，Violoop会自己先判断这句话构成了一个真实请求，随后在后台找到对应的简历，很快在屏幕一侧提示文件就已经准备好。
用户只需要按下快捷键确认，文件就到了当前对话中。最后的发送动作仍然留给人完成。
另一个场景里，用户打开一份候选人简历。Violoop根据文档内容和既有工作习惯，主动给出两个选项：生成一页候选人摘要，或者做一份岗位匹配分析。用户选中其中一个，任务开始执行。
再复杂一点，它可以收到客户的报价需求，打开一套没有为AI提供接口的旧软件，生成报价单，按照习惯命名并导出文件，回到邮箱起草回复，再把附件装进去，停在发送之前等待确认。
这些演示最值得注意的地方，不在于AI会不会找文件、写邮件或者控制鼠标。类似的Computer Use能力已经越来越常见。更重要的变化发生在任务的起点。
过去，人先发现任务，再把任务交给AI。Violoop要让AI先发现任务，然后告诉人：我已经知道该做什么了。
这背后Violoop做了诸多创新。
这要求设备时刻分辨两类看起来很接近的信息。“明天天气不错”只是一句话。而“帮我把明天的会议挪到下午”则包含一个尚未完成的承诺。
为此，Violoop在本地放置了一个持续运行的小模型，用来理解当前焦点，判断屏幕上的信息是否构成请求、待办或者承诺。只有越过这层判断，系统才会主动出现；所有执行均需用户授权；发送、支付、删除、提交等不可逆操作，需要物理按键完成最终确认。
因此，“主动”并不等于随时插话。一个真正有用的主动式AI，需要知道什么时候出现，也需要知道什么时候保持沉默。
何佳霖形容这个设计的出发点是，要让Violoop帮你“杀掉Prompt”：让AI自己获得上下文，让用户只保留选择和确认。
个人专属模型，自动训练的那种
杀掉Prompt只是第一步。
如果一台设备今天看懂了你的屏幕，明天重新开机后一切归零，它充其量仍然是一位反应更快的屏幕观察者。
Violoop要做的更像是一个持续构建的个人模型。
何佳霖对“自己的模型”有一个比个性化头像、角色设定和长期记忆更严格的定义。它首先要看见用户此时此刻正在做什么，然后记住一段时间内反复出现的人、事和动作，最后把其中最重要的部分逐渐写进模型。
这件事发生在三个不同的时间尺度上。
第一层是当下的上下文。Violoop读取屏幕、光标焦点和当前应用，理解眼前正在发生的事。这一层解决的是“现在”：用户在看哪份文档，这条消息是谁发来的，它与哪个项目有关，屏幕上刚刚出现了什么新的请求。
第二层是长期记忆。今天很多AI产品已经开始提供Memory，但多数仍接近一组被保存下来的用户事实，或者一套可以被语义检索的历史对话。Violoop采用了更重的处理方式：它在本地维护一个Graph Database，把用户工作中不断出现的人物、组织、项目、事件和状态组织成一张持续变化的关系图。
一张屏幕截图首先在本地被提取出文字和结构关系，再由边缘侧模型识别其中的关键人、事、物，写入图数据库中对应的节点。人物与公司之间是任职关系，人物与人物之间可能是朋友关系，一封邮件对应某个项目，项目下面又挂着会议、报价、合同以及“等待回复”这样的状态。新的信息进入后，系统不只是多保存一条笔记，也会更新这张图里的关系和状态。
Violoop在软件层面也提供了一个“后台”，这里除了很多agent类产品都有的交互和模块外，用户还可以直接看到、编辑这张图。
不过，Violoop不希望人们真的花时间去手动维护它。何佳霖本人是各种图谱笔记工具的重度用户，他清楚手动建立关系数据库需要多么严格的记录习惯。Violoop试图把这部分劳动交给AI：用户照常工作，图谱在后台自己生长。
图数据库的价值，在问题开始跨越多个人和多段历史时会显现的更清楚。比如，“那家由张总介绍、上个月见过的公司，现在谈到哪一步了？”这句话里同时包含人物、介绍关系、公司、会议时间和项目状态。普通的语义检索可能找到几段相似文本，图数据库则可以沿着“张总—介绍—公司—会议—项目状态”的关系链向前寻找，重新拼出一段更完整的上下文。
Violoop想保存的也不只是用户说过什么，而是这些事情彼此之间有什么关系。
图数据库的第三个作用，是给Skill和模型后训练提供一套更结构化的原料。
如果用户每次收到简历，都会先生成一页摘要，再对照岗位要求进行匹配，最后把结果发给同一位同事，那么Violoop最终需要学会的就不只是“总结简历”。它要识别这串动作与“招聘”这个项目、与相关人物和文件之间的关系，再把它折叠成一个可以复用的Skill。
反复发生的操作被整理成Skills，更稳定的行为则会进一步影响Harness，也就是模型调用工具、安排步骤和执行任务的方式。记忆保存“发生过什么”，图数据库连接“这些事情有什么关系”，Skills和Harness记录“你通常怎么做”。
然后，第三层才真正进入模型权重。
何佳霖把这条正在工程化的路径称为“睡眠机制”：Violoop的系统白天积累经过用户授权和真实任务验证的记忆与行为轨迹，在空闲阶段整理训练数据，并尝试将其中稳定、重复的个人经验用于端侧模型的增量适配。
用户不需要理解训练集、学习率或后训练框架，但可以决定是否开启个人化训练，并查看、纠正或撤回用于训练的内容。
就相当于，一个AI，白天它做笔记，晚上它学习这些笔记。
这个技术设计很关键。数据库里的长期记忆与模型权重有一个细微却重要的差别：记忆让模型在需要时把一件事找回来。权重则能让模型逐渐形成习惯，不必每次都从头寻找。
随着图谱从一万条记录增长到一百万条，任何检索系统都会面临速度和精度的压力。Violoop的解决思路，可以把高频、稳定和重要的信息逐步内化进端侧模型。人物、项目和实时状态仍保留在可查看、可修改的记忆库中；更适合进入参数的，是经过长期验证的偏好、判断方式和工作习惯。
这种模型“训练”是一种增量适配。通用端侧模型提供基础能力，本地图数据库沉淀个人事实和关系，Skills与Harness记录做事方法，个人LoRA再把重要且稳定的经验逐渐写入权重。
你可以把它简化成一个公式：
你的模型 = 通用端侧模型 + 本地图数据库 + 自动生成的Skills/Harness + 个人LoRA
刚刚拆封时，每台Violoop里的基础模型大体相同。一个人使用半年之后，它们应当开始出现差异。
模型与一个人相处得越久，两个人的模型就应该越不一样。这也是我对Violoop最期待的地方：
它把过去属于模型公司和专业开发者的Post-training，包装成一种普通消费者几乎感知不到的日常行为。用户照常工作。数据在本地积累。AI自己整理经验，再选择合适的时间完成训练。
毕竟，今天谁不想有一个自己的模型，尤其当训练这件事已经不再需要自己做？
据了解，目前Violoop的长期记忆已经进入实际运行阶段；工作流记忆、Skills和Harness积累也已在产品中运行，而基于任务结果自动修正执行方式的反馈闭环也在完善中。
更深一层，据Violoop介绍，他们已经走通了“捕捉工作轨迹—形成长期记忆—用于个人化训练”的技术链路，目前正在对其进行工程化和测试。
如何自动生成训练数据、更新哪些个人化参数，以及训练发生的位置和频率，仍需经过大量评测，验证能力增益、稳定性、安全边界与可回滚性。相关能力只有通过这些测试后，才会以OTA的方式逐步开放给用户。
也就是说，Violoop现在展示的还不是一项已经全部交付的“自动进化”功能。在这个阶段，它带来的更重要的启发是一条尚未在消费级产品中得到充分验证但充满想象的技术路径，那就是如何把一个人的真实工作轨迹，转化为可持续、可评测、可纠正的个人端侧智能。最终目标是让端侧模型不再只是云端智能的缩小版，而成为一种围绕每个人持续生长的个人智能。
它必须长成一个硬件的样子
个人模型想要成立，还需要一个固定的“地址”。
它要在这里观察，在这里记忆，在这里运行，也在这里划定自己与外部模型、云端服务和其他设备的边界。
这解释了Violoop为什么最终长成了一台硬件。
电脑屏幕可能是今天信息密度最高的个人上下文来源。微信、邮箱、浏览器、Office、设计软件、企业内部系统，甚至一套十年前开发、从未提供过AI接口的旧软件，都会在这里留下痕迹。Violoop通过“物理方式”连接电脑读取屏幕输出，并可以让电脑把它识别为又一个“键盘和鼠标”，而Windows、macOS和Linux上的应用各有各的接口，但屏幕和键鼠却是它们共同使用的语言，Violoop没有等待所有软件逐一开放API。它把屏幕本身变成了一层共同的API。于是，人能够看见和点击的地方，它原则上也能够看见和点击。
这条路径显得粗暴，却很适合AI真正进入存量世界。