夜雨聆风上周发布的启文v1.1，表面上是增加了模板库和AI历史对话两个功能。但对我而言，这是产品哲学的一次重要转折：工具不再只是执行命令，开始具备「上下文感知」和「记忆能力」。
如果你也在做生产力工具，尤其是面向科研、教育这类专业场景的软件，这篇文章可能会让你重新思考「工具」的定义。
1. 模板库：不是功能，而是「认知卸载」
大多数写作软件的设计哲学，都建立在「用户知道怎么写」的假设上。这听起来合理，却忽略了一个关键事实：写作的难点，往往不是「写什么」，而是「怎么写」。
写一篇学术论文，你要回忆：
期刊要求的格式结构 章节之间的逻辑关系 参考文献的标注方式 图表编号的规范
这些都属于「程序性知识」——你知道怎么做，但每次都要重新回忆和执行。认知心理学称之为「认知负荷」。
模板库的本质，是「认知卸载」。
我们不是简单地提供一堆模板文件，而是构建了一个「结构化写作框架」：
每个模板都按照该领域的专业规范预先设计 占位符提示用户该写什么内容 结构本身引导写作的逻辑流程
但真正有趣的是用户自定义模板这个功能。
当一位生物信息学的研究员把「学术论文」模板改成自己实验室的特定格式（比如增加「数据预处理」和「算法参数」章节），然后保存为个人模板时，发生了一件重要的事：工具开始学习用户的专业习惯。
这不是机器学习意义上的学习，而是工具与用户工作流程的深度耦合。用户不再需要每次从零开始，工具记住了ta的写作习惯。
2. AI历史对话：从「单次交互」到「持续对话」
上一个版本的AI助手，存在一个根本性缺陷：它没有记忆。
这导致了一个奇怪的现象：用户和AI的每次交互都是孤立的。你让AI润色了一段文字，下一轮问它“刚才那段你改成什么样了？”，它只能看到你当前的原始文本。
从技术角度看，这是典型的「无状态服务」设计。但从用户体验看，这就像每次都在和一个失忆的助手合作。
2.1 技术实现：本地记忆的权衡
实现AI历史对话，我们面临几个关键决策：
存储位置：云端 vs 本地
云端：实现简单，可以跨设备同步 本地：数据隐私，离线可用
我们选择了本地。原因很简单：写作是高度隐私的行为。用户可能正在写未发表的论文、敏感的医疗记录、机密的商业计划。这些数据不应该离开ta的设备。
存储结构：对话树 vs 线性列表
对话树：能记录复杂的多轮对话分支 线性列表：实现简单，检索高效
我们选择了线性列表+会话ID的方式。每个编辑会话生成一个唯一ID，同一会话内的所有AI交互都关联到这个ID。这样既保持了对话的连贯性，又避免了过度复杂的存储结构。
检索效率：全文搜索 vs 向量检索
全文搜索：实现简单，对硬件要求低 向量检索：语义相似度匹配，更智能但更重
考虑到启文要能在低配设备上运行，我们选择了基于关键词的全文搜索。但未来如果用户需求强烈，可能会增加向量检索作为可选功能。
2.2 用户体验：从「工具」到「伙伴」
有了历史记忆，AI助手的行为发生了质的变化：
场景一：渐进式优化
用户：把这段改得更学术一些 AI：本研究取得了显著成果... （半小时后） 用户：再正式一点，像论文结论那样 AI：本研究获得的成果具有显著统计意义...AI知道用户是在第一次改写的基础上继续优化，而不是从原始版本重新开始。
场景二：风格一致性
用户：把这段话改成鲁迅风格 AI：（鲁迅风格改写） （后续） 用户：这段也改成类似风格 AI：基于之前的鲁迅风格理解，保持一致性AI记住了用户的风格偏好，在后续交互中保持一致性。
场景三：错误回溯
用户：刚才你改的那段，我觉得太啰嗦了 AI：我看看历史记录...哦，我确实加了太多修饰词。我重新改一下。用户可以指出AI之前的错误，AI能回溯到具体的历史记录进行修正。
这种体验，让工具从「执行命令的机器」变成了「有记忆的合作伙伴」。
3. 本地优先的哲学困境
启文从第一天起就坚持「本地优先、可离线」。这在2026年的AI时代，显得有些「反潮流」。
3.1 技术上的自我限制
选择本地优先，意味着我们主动放弃了很多「捷径」：
模型大小受限
云端：可以用千亿参数的大模型 本地：受限于用户设备，只能用中小模型
功能实现更复杂
云端：所有计算在服务器完成 本地：要考虑不同设备的性能差异
更新部署更慢
云端：随时更新模型，用户无感知 本地：用户需要手动更新客户端
3.2 商业模式的挑战
更现实的是商业模式问题：
无法数据变现
云端软件：收集用户数据训练模型，形成护城河 本地软件：数据都在用户设备上，无法用于改进产品
难以建立网络效应
云端：用户越多，数据越多，模型越好 本地：每个用户都是孤岛，没有规模效应
盈利压力更大
云端：可以SaaS订阅 本地：我们选择了免费，靠什么生存？
3.3 为什么还要坚持？
因为信任是数字时代最稀缺的资源。
当用户知道：
自己的论文草稿不会上传到任何服务器 AI的对话记录只存在于自己的电脑 即使断网，所有功能依然可用
这种安全感，是云端软件无法提供的。
特别是对于科研、教育、医疗、法律这些领域，数据隐私不是可选项，而是必选项。
4. 行业观察：工具进化的三个阶段
回顾生产力工具的发展，我看到了三个阶段：
阶段一：自动化工具（1990-2010）
核心：把重复劳动自动化 例子：Word的模板、Excel的公式 局限：只能执行预设规则
阶段二：智能助手（2010-2025）
核心：AI辅助决策 例子：Grammarly、Copilot 局限：无记忆，每次交互都是孤立的
阶段三：认知伙伴（2025-）
核心：有记忆的AI，理解用户的工作流 例子：启文的AI历史对话 特征：工具开始「理解」而不仅仅是「执行」
我们正处在从第二阶段向第三阶段过渡的时期。工具不再只是被动响应指令，开始主动理解用户的意图、记住用户的历史、适应用户的习惯。
5. 未来展望：工具即延伸
启文接下来的规划，都围绕一个核心思想：工具应该是用户的认知延伸。
模板市场 不只是模板分享，而是工作流共享。一位资深研究员可以把整个论文写作流程（从文献综述到结论）打包成模板，新手可以直接套用这个「认知框架」。
AI自定义角色 让用户用自然语言定义AI的角色：「你是我的论文导师，擅长指出逻辑漏洞」「你是我的合作者，擅长补充实验细节」。AI不再是一个通用助手，而是专业角色的数字化身。
工作流引擎 把多个操作（查找文献→整理笔记→生成大纲→写作→润色）串联成自动化工作流。用户只需要触发一次，工具就能完成整个流程。
6. 写给同行的话
如果你也在做生产力工具，尤其是面向专业场景的软件，我想分享几点感受：
1. 深度比广度重要 与其做100个浅功能，不如做10个深功能。用户需要的是能真正解决他们痛点的工具，而不是功能列表很长的玩具。
2. 理解比执行重要 工具要理解用户的工作场景、思维习惯、专业规范。这需要深入行业，和用户一起工作。
3. 信任比功能重要 在数据敏感的场景，用户对工具的信任，比任何炫酷功能都重要。建立信任需要时间，但一旦建立，就是最深的护城河。
4. 克制比堆砌重要 每个新功能都要问：这真的解决了用户的核心问题吗？还是只是让我们自己感觉良好？
最后
做启文这两年，我最大的感受是：我们不是在写代码，而是在构建「认知基础设施」。
每一行代码，每一个功能，都在影响用户如何思考、如何工作、如何创造。
当一位研究生因为模板库节省了格式调整的时间，当一位教师因为AI助手更顺畅地完成了教案，当一位研究员因为历史对话功能找回了三周前的写作思路……
这些瞬间让我相信：工具的价值，不是让事情变得更容易，而是让人变得更有力量。
BitWool 数字毛织｜ bitwool.cn启文｜启于思，行于文免费 · 本地优先 · 可离线的写作伙伴
如果你也在工具设计的道路上探索，或者对「认知工具」有自己的思考，欢迎来信交流。我们不是竞争对手，而是这个时代的同行者。