经纬青年图鉴|龚子涵:经思驭AI,逐梦黑客松

龚子涵：黑客松全称“黑客马拉松”，最早在美国出现，就是在短时间内集中开发软件项目，2024年这一比赛引入到了中国；近年来，在成熟的ai工具出现后，这一比赛的受众更广、参与门槛也变低了，于是我和同学组队报名了。团队是一支由复旦大学和南京大学同学组成的跨校团队。我负责一部分的开发和后续的宣传工作。

Vesti获得“最受观众欢迎”前三名

龚子涵：我们的项目叫 Vesti，它是一个 Local-first（本地优先）的 AI 记忆中枢和浏览器插件。它的核心功能是捕获和总结 AI 对话，支持一键提取关键信息，并且配备了强大的 Library（个人库）支持功能。它解决的核心问题是知识工作者在与众多 AI 工具交互时产生的信息碎片化问题，通过构建本地化的数字主权工具，帮助用户更高效地管理和沉淀数字记忆。

Spotlight展台

龚子涵：我们在日常的开发和学习中，会频繁跨平台使用各种大模型，因为不同的平台具有不同的能力，长线任务会散落在各个地方。但每当开启一个新对话，过去的上下文就轻易丢失了，信息变得高度碎片化，这是我们团队共同的一个痛点，所以希望有一个把散落在云端的对话沉淀到本地的方式，我们就萌生了打造一个 Local-first AI 记忆中枢的想法。

Spotlight演讲提示

龚子涵：做过。我们发现很多知识工作者最大的痛点除了“找不到过去聊过的好内容”之外，还有就是不知道如何回顾自己曾经的对话。所以，捕获完数据之后，我们希望给用户提供一些方式对自己的ai对话进行一些后处理。比如library里面的分类和做笔记，explore里面的继续某些对话，以及network里面看到对话之间的关联。

龚子涵：最直观的体验就是“随时唤醒，无缝衔接”。用户在浏览器里与大模型交互产生的高价值结论和代码片段，可以在未来形成一个启发，其实这样就不仅仅是与ai交流，也是与过去的自己交流。

龚子涵：在ai工具的加持下，在产品初步问世的阶段，学科界限已经不那么清晰。但未来，我们需要做技术，需要有人管理团队方向，需要做用户访谈，需要做商业计划，于是需要成员们发挥各自的专业所长，继续学习各种知识。抽象地说，目前为止，我们大概既要考虑需求，也要考虑技术实现，供给和需求匹配很重要。

GOSIM大会主会场

龚子涵：可能是关于为什么做“插件”的疑问吧。当前有很多人在做记忆的捕获和处理，在与他们产品的对比中，我们发现我们的方向是：做纯粹的C端，去提升用户关于“记忆”的体验。

龚子涵：插件的绝对优势在于“边际使用成本极低”。目前大多数 C 端用户获取 AI 服务的首选入口依然是浏览器网页端；并且使用Agent的同伴们也会发现，很多时候采用网页端去做一些规划和分析以节省token也是很划算的。如果做一个独立客户端，用户必须打断现有的工作流去回溯记忆，这增加了阻力。插件能够像影子一样贴合在用户现有的阅读和对话场景中。局限性在于插件受限于浏览器的沙盒环境，在调用底层算力时不如独立客户端自由，但对于捕获和轻量化处理记忆这一核心诉求来说，插件是最好的解法。

龚子涵：随着用户数据累积，下一步我们要解决“规模”和“环境漂移”的问题。一是检索规模化，当会话达到数千条时，我们需要引入 Web Worker 配合多轮检索（Conversational RAG）来保证本地性能 。二是跨设备同步，为了坚持本地优先，我们计划在预留架构中通过端到端加密（E2E加密）来实现多端的数据互通和重播 。三是应对各平台前端更新导致的 DOM 漂移，我们会使用主备方案结合 Playwright 与 AST 解析来提高系统鲁棒性，确保捕获引擎持续稳定 。

龚子涵：首先是问题导向。未来我们计划进一步完善商业计划，这个环节就需要很多经济学的思维和问题导向。其次是“有所为有所不为”的比较优势思维，我觉得目前从零开始有很多事情可以做，但是大部分事情其实已经有人做的很完善，这不会形成一种“比较优势”；但换句话说，如果去利用这些他人的优势以建立自己的东西，会是一种比较聪明的做法。例如，在做的过程中，我们强调“我们不是另一个AI平台”，而是依附于主流AI平台，所以我们并没有对模型能力做任何提升，只是在需要时去调用模型能力；其次就是浏览器插件，正如前文所说，我们觉得浏览器对话的捕获这种“劳动性密集”工作会是一种比较优势，不给用户创造使用成本，打开ai对话框即可使用。

龚子涵：能够帮助我们在经济学科知识之余，通过学习一些代码的基础知识和基本的编程工具/平台（例如python、github），从而更好地掌握AI工具和它在经济学领域的应用。对我来说，尽管现在AI工具（例如codex）写代码很强大，但为了更好使用和理解，这仍然需要一些基础的知识。

龚子涵：主专业的专业课中，我认为教授我微观经济学、宏观经济学的王弟海老师，概率论与数理统计的付中昊老师和计量经济学（H）的朱宏飞老师给了我很多的启发。在课程中学习的一些数理方法让我感觉到，学习一些先进的数学工具不是一种“小众”的供给，而是被发明出来依赖于一些框架去解决实际问题的。我感觉这和ai专业课学习中对于模型的搭建有着很大的相似之处：数学方法可能简单而有效，但是可解释性与可拓展性很强。

龚子涵：我觉得是一种“认知视野的拓展”吧，当前时代学什么其实都很快，但是如果不对一个领域有入门的认识，碰到问题时，自己的直觉是不会让我们主动去学习完全未知的领域的。所以我觉得在双学位的课程里学到一个导论性的知识框架的边际收益还是很高的。

龚子涵：对我来说，可能是学会使用AI工具理解原本不理解的专业事物。因为我完全不懂typescript，但是Vesti就是我们用这个写出来的。Codex和Claude code真的太强大了，能够了解它们的边界自然是最好的。

龚子涵：确实是这样的，AI工具在精准图像生成上依旧有很多的不确定性。对于输出结果，现阶段不太会碰到“出错”的情况，往往是“与需求不匹配”。我认为这里面的逻辑是，OpenAI致力于打造“通用智能体”，“通用”自然就意味着不专精，所以在碰到一些专业的问题的时候，往往有一些更加专业的工具可以去使用，他们也会提供一个连接接口，我们应当主动去找到这种专业工具，花一点时间学习，往往事半功倍。就比如做海报，让Codex直接生成就不太靠谱，但是可以通过MCP连接到Figma，在那里打下底稿，再进行编辑。

龚子涵：Agent提供了一个很强大的供给，并且其自身的框架其实就暗示了一套标准工作流。提出问题后先进行plan，主动与用户进行交流明确需求，并以markdown文档形式确认需求；随后是寻找工具，最早是MCP，后来是Skills；一切妥当之后再按照规划照做。我会感觉找工具很重要，这不仅是Agent需要做的，也是人应该做的。

龚子涵：我觉得比赛帮我确信了原先坚持和重视的知识是很有价值的。我一直在学一些我之前就认为重要的东西，例如统计学。

龚子涵：首先是统计学和我目前的专业方向比较相近，经济学里也需要一些数据处理的方法，AI方向也和统计与数据处理有关，所以我已经处于一个“入门”的阶段，并且我自身也对此有兴趣。其次涉及到产品的话，我认为在检测大模型输出正确性的时候，比如周回顾（Weekly Digest）中的语义漂移（Semantic drift）问题，底层与概率与统计的知识高度相关。

龚子涵：我想说：一个优秀的项目一定需要一个优秀的故事，所以讲好故事很重要，或许这是我们的专长。在AI项目中，产品经理是一个很酷的角色，通过给Codex派活的形式来实现目的。

文案｜龚子涵

经济学院团委宣传部供稿