桌面Agent破局,Violoop拿下亿元级融资

让AI在真实工作场景里学会读懂一个人。

一台可接入现有电脑的桌面Agent，正在把"持续自我迭代"从实验室课题转化为普通人触手可及的产品。

近日，Violoop正式完成亿元级天使轮与Pre-A轮融资。本轮由联想创投、中金保时捷、蓝驰创投、元生资本、启赋资本及清科控股共同参投，向阳资本担任长期独家财务顾问。

目前，Violoop已收获全球约1.2万人的订金预订，产品计划于9月正式上线。相比亿元融资本身，更值得关注的是Violoop与全球PC巨头联想之间正在形成的深度产业协同关系。

过去三年间，AI行业始终在回答同一个命题：如何让模型变得更聪明。

模型参数持续膨胀，推理时间不断延长，在问答、写代码与任务规划方面的能力日益精进。然而当这些能力真正落地到具体个人身边时，另一个问题浮出水面：模型虽博学，却不了解这个人。

它无从知晓一项工作此前是如何推进的，不知道用户为何在上一次任务中对某项决定作出修改，也无法稳定继承跨越多软件、多会话乃至数周时间所积累的工作经验。即便完成过类似任务，下一次仍可能从零开始摸索。

它更像一位能力出众、却无法完整传承工作经验的临时员工。

Violoop所试图破解的，正是AI交付给用户之后，如何继续成长这一核心难题。

"基础模型正在学习世界，但它还没有真正学会一个人。Violoop要做的，是让Agent在与你协作的过程中持续成长。"创始人何佳霖如是说。

Violoop的首款产品是一台巴掌大小的桌面设备，建议零售价699美元，Kickstarter首发与国内首发阶段售价为399美元。

它借助HDMI获取电脑输出画面，通过USB接管键盘和鼠标操作，接入现有电脑即可投入使用，既不要求用户更换操作系统，也无需各类软件逐一为其开放新接口。

这背后是一项看似朴素、实则至关重要的技术选择。

五十年的个人计算史沉淀了数以百万计的软件、界面与工作流，它们统统是为人的眼睛与双手设计的。让AI融入这些软件，行业通行的路径是等待软件开放API，再逐一完成适配与集成。

然而软件世界日新月异，大量专业软件、企业内部系统与长尾工具从未为Agent预留接口。

Violoop选择让AI率先学会人类的接口：看见用户所能看见的界面，使用人所使用的键盘与鼠标，在大量既有软件之间完成被授权的工作。

因此，Violoop并非另一台需要用户迁移工作的电脑，而是让个人Agent直接进驻用户已有的电脑，在原有软件和工作环境中长期伴随。

用户在电脑前时，它能理解正在进行的工作；用户离开后，它仍可继续筹备和执行已获授权的任务。

这种长期在场所创造的价值，远不止远程控制或自动点击那么简单。

当一个系统能够跨应用、跨会话、跨时间观察工作的发生全过程，它才有机会获取让个人Agent持续成长所必需的、更连续且更高密度的上下文：一个任务从何起步，经过了哪些判断，在何处失败，最终又是如何被用户修正的。

在学术研究领域，递归自我改进、持续学习与AI for AI正受到日益广泛的关注。大量研究致力于让AI自动生成代码、优化算法、设计实验，乃至迭代下一代AI系统。

Violoop并不打算在一台桌面设备上攻克模型架构层面的自我进化，也不把"自进化"描述成一个脱离人类目标、可无限扩张的黑盒过程。

它选择的是一条范围清晰的个性化路径：围绕单一用户的真实工作，让Agent记住经验、修正执行，并将反复得到验证的做法逐步沉淀为更稳定的个人能力。

这条路径被划分为三个递进阶段。

第一阶段：先记住与你相关的事实

Violoop已交付的第一层能力，是多模态长期记忆。

设备获得用户授权后，可从日常屏幕活动中萃取与工作相关的信息，构建图文交织的个人知识库。

它不仅保存截图或对话记录，还会周期性重整记忆：归并重复信息、修正过时内容，并重建人物、项目、文件与事件之间的关联。

更关键的是，这一层成长对用户完全透明。

用户可随时打开记忆库，审视系统当前对自己的理解，发现错误时即时纠正，也能删除不愿继续保留的内容。

在Violoop创始团队的内部测试中，系统曾在未被主动告知的情况下，通过长期观察，逐步建立起对产品上线时间、项目进度及多项公司指标的系统性理解。

与仅在云端调用通用模型不同，Violoop已训练并部署了专司记忆萃取与重整的专用模型，使个人记忆的形成与管理能够在更本地、更可控的环境中运行。

然而记住一个人，并不等同于会替这个人工作。

记忆回答的是"曾发生过什么"，真正的个人Agent还需学会"这项工作应当如何完成"。

第二阶段：开始学会你的工作方式

Violoop的第二层成长，发生在执行框架（Agent Harness）之中。

传统自动化通常保存固定脚本：打开某页面，点击某按钮，填写某字段。一旦软件界面变更、任务条件改变或出现异常，脚本便极易失效。

Violoop希望积累的并非某次任务的点击录像，而是完成这类工作的可复用方法：用户通常从哪里获取信息，如何在多个软件间传递内容，遇到冲突时优先采信什么，哪些步骤可提前完成，哪些决定必须等待用户确认。

这些经验会以工作流记忆、Skills与执行路径的形式被保存。

下一次遇到类似任务时，系统不再完全从零规划，而是调用已形成的能力，并根据新的任务条件灵活调整。

目前，Violoop的工作流记忆与Skills积累已上线运行；系统依据任务结果与用户纠正自动修订执行方法的反馈闭环，正在持续工程化推进。

这一层决定了Violoop能否从"知晓用户诸多事情"，迈入"真正越来越擅长替用户工作"。

第三阶段：把经过验证的经验转化为工作本能

第三层成长发生在模型权重之中。

一个Agent可将经验保存在外部记忆里，每次遇任务时再进行检索与推理。但若某些判断已被某一用户反复采用、验证与修正，系统便无需永远以同等高昂的成本从头思考。

Violoop正在将记忆库中积累的真实工作轨迹——包括操作序列、决策过程、任务结果与用户修正——用于个性化后训练，使一部分稳定经验从外部记忆迁移至模型参数。

这可被理解为一种个性化的"慢思考蒸馏为快思考"：系统最初需经较长推理方能作出的判断，在被反复验证后，逐渐演变为更快、更自然的反应。

Violoop已在内部训练与测试中跑通"捕捉工作轨迹—形成长期记忆—用于个性化训练—更新模型参数"的完整链路，并进入量产工程化阶段。

当前重心已从"这条链路能否跑通"，转向"如何稳定、可评估、可回滚地交付给用户"：包括自动生成训练数据、筛选真正值得进入参数的经验、控制更新频率，以及避免新经验破坏模型已有能力。

26 TOPS端侧算力，为持续感知、记忆、本地推理与个性化计算提供底座；更复杂的推理任务则通过模型路由调用云端大模型。

云端提供公共智能的能力上限，端侧负责沉淀围绕个体的长期经验。

这是Violoop自进化路线最具决定性的跨越：从"外部记忆更懂你"，迈入"模型本身也开始更懂你"。

公司首先聚焦最具用户价值、商业化条件也最成熟的个人领域，把一个人在真实工作中反复验证的经验，稳定蒸馏进个人模型。

它不是在端侧重新训练一个通用基础模型，而是在基础模型之上，构建任何公共模型天然不具备的个人经验层。

三层成长最终指向同一个结果：系统不仅保存用户做过什么，也逐渐理解用户通常会怎么做。

当记忆、工作流与个性化模型相互连通，Agent的行为将发生一个重要转变：它开始在用户开口之前就做好准备工作。

这种主动性并非多发几条提醒，也非基于日历设置几条固定规则。

真正有价值的主动行为，要求系统同时洞悉此刻正在发生的事、此人过去如何处理类似情境、哪些准备工作是可逆的，以及在什么时机介入才不会造成打扰。

Violoop将这种能力命名为artificial intuition——人工直觉。

人的直觉并非神秘的天赋，而是大量经验被压缩后的快速判断。对Agent同样如此：当它经历足够多真实任务，理解一个人的偏好与边界，并持续获取任务结果与纠正，它才可能在恰当时机，提前完成恰当的准备。

例如，当一项新的工作请求到来时，Violoop可根据用户过往的项目材料和处理方式，先整理相关信息、起草回复、更新表格或完成其他可逆步骤，用户只需在最后进行检查与决策。

主动性也理应可以被验证。

Violoop将通过主动准备结果的采纳率、人工修改次数、重复任务完成时间，以及用户愿意委托的任务深度，来判断系统是否真正形成了更精准的个人判断，而不仅仅是堆砌了更多数据。

一个日益主动、能够操作真实软件的Agent，也会带来一个不容回避的问题：若系统理解有误，谁拥有最终决定权？

Violoop认为，能力边界与信任边界必须同步生长。

设备采用独立安全芯片管理执行侧，并将关键授权机制与感知、推理系统物理隔离。

对于发送、支付、删除、提交等不可逆操作，产品被设计为要求用户通过物理按键完成最终确认。系统可提前理解、整理和准备，但最后一次不可逆决定始终属于人。

此举并非为了限制Agent，而是为了让更主动的Agent能够被长期信赖。

当安全规则与Agent运行在同一套软件环境中时，它仍可能受配置变化、上下文丢失或模型误判的影响。

独立的物理确认，则将最后一次授权置于模型无法自行改写的执行链路之外。

"理解在生长，决定权始终不动。"何佳霖表示，"这是Violoop对个人Agent的基本产品哲学，也是硬件在感知与算力之外的另一重价值。"

传统消费硬件通常在交付给用户时即达到能力峰值，此后主要通过厂商更新追加功能。

Violoop希望颠倒这一关系：产品交付不是能力增长的终点，而是个性化真正开启的起点。

从商业视角看，这也意味着Violoop无意仅做一家销售桌面设备的公司。

设备是个人Agent进入真实工作环境的首个节点。在它之上，可持续生长个性化服务、可复用Skills、工作流生态，以及与PC厂商和企业环境的深度合作。

硬件销售证明用户愿为明确的产品付费；长期价值则源自系统能否随着使用持续提升，并逐渐成为用户工作中稳定而重要的一层。

Violoop的护城河亦非占有用户的私人屏幕数据。原始个人数据理应始终归属于用户。

公司真正需要长期积累的，是让经验形成能力的学习系统、对真实任务进行评价的机制、跨软件执行框架、端侧个性化效率、硬件级权限架构，以及在用户明确授权下不断扩展的Skills生态。

当基础模型能力越来越强、调用价格越来越低，越来越多公司都能以更低成本获得更强的公共智能，但它们不会因此自动获得一个人的历史、反馈、工作方式与信任。

基础模型提供公共智能，Violoop志在构建个人经验层。

模型越强、调用成本越低，个人经验层的价值反而越高。

Violoop对端云协同的理解，并非让端侧设备沦为云端模型的缩小版。

云端基础模型负责学习世界，提供不断增强的通用智能；端侧个人Agent则负责长期理解一个人，保存仅属于此人的记忆、工作方式与个性化能力。

云端决定智能的公共上限，端侧沉淀无法由公共模型替代的个人经验。

更长远来看，Violoop期望构建的并非一个将所有个人数据汇入中心的Hive Mind，而是一个由个人拥有的智能节点组成的分布式网络。

每个个人Agent首先且仅为其用户的利益工作。唯有在用户明确授权、个人隐私得到保护的前提下，经过验证、能够被泛化且不包含个人信息的能力，未来才可能在不同节点之间协同演进。

这意味着，未来智能的进步可能来自两条并行的路径：云端基础模型持续提升公共智力，每个端侧个人Agent则在真实工作中积累独特经验。

二者并非替代关系，而是一种相互增强的协作关系。

智能不应被少数云端平台独占。基础模型可成为公共基础设施，但每个人的记忆、经验与个人模型，理应始终归属于自己。

不是一个抹去个体差异的共同意识，而是每个人都拥有自己的智能。

当下，行业讨论自进化时，往往指向实验室中的代码生成、模型优化与自动科研。

这些工作或许将改变AI如何创造下一代AI，但距离普通用户的日常工作仍显遥远。

Violoop选择的是另一条路径：不争论自进化的终极学术边界，而是先把它变成每天能被用户切实感知的产品体验。

用户可打开记忆库，查看、纠正和删除系统对自己的理解；工作流与Skills是否真正成长，可通过重复任务的完成时间、人工修改次数与任务结果加以验证。

成长不应只是一句发生在后台的口号，而应是一条可观察、可评估、可干预的过程。

Violoop所选择的，是一个足够困难、回报也足够丰厚的问题：让AI在真实工作中持续成长，同时在能力增长的每一步，把最终权力留在人手中。

若这条路径成立，未来每个人都将能拥有一个长期在场、持续成长，并且只围绕自己利益工作的个人Agent。

它不会仅因厂商发布新版本才变得更聪明，而是在与你协作的过程中积累经验；它保存的不只是你做过什么，也会逐渐理解你通常会怎么做。

基础模型正在学习世界，Violoop让AI开始学会一个人。