最近，我们一直在思考一个问题：Personal Agent，要怎样才能成为一个真正有效的个人助手。
海外最新的前沿探索，正在尝试给出答案。
Meta 发布了 Muse，希望让 Agent 持续帮助用户推进日常任务和长期目标；Instinct 让用户通过发消息、打电话的方式，把订票、采购和安排生活中的事情交给个人助手。
Town、Hark、Underdog 也在将持续记忆、跨工具协作和任务执行结合起来：了解用户的项目、关系和优先级，记住此前发生过什么，再据此提出建议、采取行动。
在投资 Town 时，a16z 强调，助手逐渐积累的表达方式、人际关系、偏好和习惯，本身就是产品的一部分，也很难被竞争对手在短时间内复制。个人助手需要赢得用户信任，才能持续承接他们的上下文和实际工作。
这些探索都指向同一个问题：AI 能否在与你相处的过程中，持续积累对你的理解，并把这些理解用到下一件事里？
把这个问题放回国内，场景又有所不同。
许多重要信息散落在微信、飞书、文档和各种软件里。人们知道 AI 很强，却未必知道一项任务该调用什么能力；也未必有时间研究连接器、拆解工作流。
这就是国内 Perosnal Agent 最根本的困境：AI 原本有机会缩小人与人之间的能力差距。但在使用门槛仍然存在的情况下，熟悉工具的人往往能更快地借助 AI 放大能力，其他人却可能被挡在门外。
一支由前 Manus 成员创立的团队，决定从这里切入。
他们做了一个运行在电脑上的 Personal Agent，主动把分散的工作和生活 Context 整理成属于你的 Personal Database，给本地类似 Workbuddy、Codex 这样的通用 Agent 调用，进而帮助用户增强大多数任务的执行效果。
一个生长出来的 Personal Agent
Persom 创始人之一 Cecilia 此前在 Manus 工作。
离开 Manus 后，她曾担任另一家公司的合伙人和产品负责人，负责 Vida 产品；六月离开后，她开始围绕 Personal Agent 创业。
而她对 Personal Agent 这个方向的思考，可以追溯到一年前。
2025 年十月，她曾在黑板上画下关于一款个人助手的设想：
到了十一月，一个方向逐渐清晰：下一代 Agent 应该从用户的上下文出发，主动理解信息、识别意图，并在合适的时候提出建议、推进任务。
这个想法，一部分来自她在 Manus 的工作经历。
当时，Cecilia 负责红人营销。她尝试连接 Gmail 和 Slack，让 Agent 每天推送有哪些待办可以代劳；后来，她又录下自己的操作过程，一边讲解工作方法，一边把视频交给 Agent，再连接 n8n 搭建工作流。
这些尝试让她意识到，一个人的工作过程里，本来就藏着大量关于背景、方法和判断的线索。如果 AI 能从真实的工作过程中理解这些线索，用户或许就不必每次都从头整理、解释。
后来负责 Vida 时，Cecilia 也从桌面端入手，继续探索工作流和主动式 Agent。
但继续往下做，他们发现一个不了解项目进度的 Agent，即使每天准时推送建议，也可能只是给用户增加更多工作负担：让 Agent 理解用户的意图，比执行一项明确任务更难。它或许能按指令完成操作，却未必知道当前任务最需要做什么，为什么要这样做，以及做到什么程度才算完成。
这些经历让 Cecilia 逐渐形成了一个判断：主动服务的前提，是准确的 Context。
于是，六月创业后，她继续尝试 Personal Agent 的不同形态：为移动端产品配上电话、邮箱、钱包和云电脑，探索让 Agent 围绕邮箱等场景推进任务。
到了七月，产品已经有些像今天大家理解的 Personal Agent。
也是七月的一个晚上，Cecilia 和合伙人 Tianyi 在 Epark 对着白板聊了一整晚。
他们讨论云电脑的成本、当时 Computer Use 的成熟度，也重新审视用户真正需要什么，以及一个创业团队有限的资源应该投向哪里。
最后，他们决定不再优先扩展执行能力，而是回到此前反复遇到的问题：如何让 Agent 更好地理解用户。
Persom 由此诞生。
团队继续探索 Personal Agent 的基础设施，将其中的采集层做成开源项目，并围绕电脑上的上下文采集、Personal Database 搭建和工作流提取迭代产品。后来，他们又加入轻量的主动推送和意图识别，尝试让其他 Agent 调用这些上下文，完成具体任务。
对用户来说，这意味着，即使不会写 Markdown、不懂自动化，也可以从日常使用电脑的过程开始，逐步积累属于自己的上下文。
这也是 Persom 想做的事：让人的数据成为 Agent 能够理解和调用的上下文，帮助 Agent 更好地为人服务。
Make something agents want，帮每个 AI 使用者搭建 Personal Database
Persom 是一个运行在用户自己电脑上的 Personal Agent。
在用户授权的范围内，它积累和整理日常工作与生活中的上下文，将其中的记忆、工作方法和流程，逐渐沉淀为属于用户的 Personal Database，供不同的 Agent 按需调用。
为什么需要一个 Personal Database？
YC 总裁最近在播客《What Happens When Everyone Can Build Software》中，探讨过这样一种基础设施：
随着 Personal Agent 普及，用户需要一个独立于具体应用和模型、由自己掌控的长期数据底座——Personal Database。
我们的财务、健康、日历、邮件和社交信息，通常散落在不同软件里。Personal Database 尝试将它们连接起来，成为个人数字生活里一份可以持续更新的个人记录。
这样，不同的应用和 Agent 获得授权后，都可以使用其中的数据。此外，当用户更换 Agent、模型或应用时，过去积累的数据和上下文不必跟着从零开始。
于是，Agent 可以是用户交互和执行任务的入口，而 Personal Database 则让用户的上下文和操作习惯有机会延续。
而 Persom，希望把这个面向 Personal Agent 的核心概念，带进每个人的日常工作与生活。
Use case 1：使用 Persom，每个人都能搭建自己的 Personal Database
面对同一份信息，人和 Agent 的需求并不完全一样。
人需要的是简洁、准确的概括，能够快速抓住重点；Agent 则需要更完整的记录、细节和来源，才能在执行任务时理解结论背后的背景。
Persom 尝试同时满足这两种需求：为人整理易于阅读的内容，也为 Agent 保留进一步查找和理解上下文的依据。
当原本分散在不同软件里的信息被连接起来，你就可以用自然语言提问，让 Agent 在看似无关的记录之间寻找关联。
比如在健康场景中，如果经过授权，Agent 能同时参考你的体重、训练记录和日历，它或许会发现：最近体重上涨的那段时间，你恰好频繁出差。原本孤立的数字，就有机会被放回真实的生活节奏里理解。
Persom 希望让这样的能力变得触手可及。它在用户授权的范围内采集屏幕上下文，将你在微信、飞书等软件中接触到的信息，以及日常工作的过程，逐渐整理成可供 Agent 调用的个人数据。
接入 Persom，就像为 Agent 增加了一双观察你工作与生活的眼睛：
它不仅能理解眼前正在发生什么，也有机会参考此前的记录。这些积累可以持续服务于不同的 Agent；随着模型能力增强，同一份上下文也可能帮助你完成更多事情。
persom 根据历史信息，一键精细化复盘工作
对于 Codex 这样的产品，Persom 可以让他们的生成效果进行进一步的增强：
使用 Codex 连接 persom 直接生成每日 auto - list
Persom 提取微信群聊信息，用 Codex 直接整理成目录
Use case 2：Persom 能更好地按照用户习惯实现场景，沉淀工作能力与工作流，由本地 Agent 执行
除了记住发生过什么，Persom 也尝试理解：你通常是怎么把一件事做完的。
日常工作中，有许多看似琐碎、却反复出现的任务。它们往往有自己的步骤、工具和判断依据，只是很少被专门整理下来。
Persom 希望从这些真实的工作过程中，提取可复用的 Workflow。下一次面对类似任务时，Agent 不必只依赖一条简单的指令，而可以参考用户此前的做法。
比如报销发票：从整理材料到提交申请，一次次实际操作中包含的步骤和经验，都有机会被沉淀下来，成为之后可以参考的工作流。
再往前一步，工作经验也不必只服务于自己：
如果你信任的人愿意分享自己的方法，在获得授权的前提下，Agent 也可以参考这些经验，结合你的资料和需求，帮助你处理事情。
Use case 3: 记录一个人，与朋友之间的“shared moments”
除了效率场景，Persom 的一些时刻也让我们感受到：它想帮助人留住的，不只是信息，还有人类最珍贵的温情。
有时候，你正在寻找的答案，可能就藏在过去的自己写下的文字里。
Cecilia 分享了自己的一个体验，一个深夜，她问刚刚搭建好的 Persom 原型：“创业的意义是什么？”. Persom 找回了她四月底写在 Notion 里的文字，对她说：“请允许我带你回顾一下。”
Persom 会让你认真写下的想法，在未来需要的时候被重新找到：那些曾经留下的记录，或许会成为过去的自己，给今天的你的一份回应。
除了个人记忆，在获得授权的前提下，Persom 也可以通过朋友卡片留下共同经历，并根据日常记录，每周为在乎的人起草一封信：
这周发生了什么，有什么想分享，哪个瞬间想起了对方。你读过、修改，再决定是否分享。谁陪伴了你十年？你们一起经历过什么？最近读到的哪段文字，让你想起一个许久未见的朋友？
Persom 新版产品还有一个“订阅”功能，你可以让你最亲密的家人/朋友来订阅你的每一周，Persom 会整理你与朋友的 Shared moments，每周整理成一封信。
除此之外，Personal Agent 的另一个可能性，是帮助人整理那些不容易说出口的话。
例如在最近爆火的《后会友期》中，许飞和厉娜的表达方式并不相同：厉娜希望对方直接面对自己，解释当年的事情；许飞则觉得，真正的信任不需要解释。厉娜需要直接的言语表达，而这恰恰是许飞不擅长的。
如果有一个像 Persom 这样，能了解双方背景的 Personal Agent，它能充当中间人，帮助两位当事人梳理自己的感受、理解彼此的表达方式。
Persom 是怎么帮你管理数据的
看完这些案例，你可能很好奇：Persom 是怎么实现这么复杂又精准的效果和交付标准的？
一个能够长期帮助用户的 Personal Agent，不能只记住几段对话。它还需要知道信息从哪里来、事情后来怎样了，以及一个人通常如何完成工作。
为此，Persom 将看到的原始信息、整理后的记忆和进一步得出的判断分开处理，再把散落在不同应用中的人、项目和事件连接起来。
第一步，是理解电脑上正在发生什么。
电脑里的信息往往很嘈杂：一篇文章旁边有侧栏，窗口背后可能还有其他内容，输入框里的文字也可能只是尚未发送的草稿。如果只是把屏幕上的文字全部记录下来，AI 很容易分不清用户正在看什么，又做了什么。
Persom 没有简单地依靠持续截图，而是通过 MacOS 的 Accessibility API，读取界面中的内容、焦点和交互，同时记录信息来自哪个应用、窗口和网页。当这些信息无法提供正文时，再通过本地 OCR 补充识别屏幕文字。
这样留下的，不只是一段孤立的文本，还有它出现的场景，以及用户当时的操作。
第二步：为数据保留依据
看到信息，不等于理解信息。
一天的工作可能跨越多个应用、许多次对话。整理这些内容时，既要保留重要细节，也不能把不同时间、不同人说过的话混在一起。
Persom 先让模型判断哪些内容值得保留，再由代码找回对应的原文、应用、窗口、网页地址和操作记录。同一句话出现在两次不同的会话中，仍会被当作两段独立的上下文；别人说“已经合并”，也不会被直接记成“用户完成了合并”。
这套方式可以理解为：模型负责理解，代码负责找回依据。
当用户或 Agent 之后需要使用一条数据时，就有机会回到它对应的原句和场景。
第三步：连接人、项目和工作方法
有了这些依据，Persom 才开始整理用户的工作脉络。
同一个人可能在微信、飞书里使用不同的名字；同一个项目也可能出现在文档、聊天和会议记录中。Persom 会尝试识别不同称呼，把相关的人、项目和工具连接起来。