ShogunAI 的巧思：让 AI 先记住证据，再按后果决定能做什么

如果一个 AI 助手每天都在接触邮件、聊天、文档和日历，它要解决的就不只是一次问答。产品还要记住工作是怎样形成的，并在合适的时机把答案变成下一步动作。

ShogunAI 是一款面向 macOS 的本地优先 AI 工作助手。产品把跨应用的工作上下文整理成可检索记忆，再用这些记忆起草回复、整理承诺和推进后续工作；官方页面把它描述成一层围绕现有工具运行的执行层，当前以 early access 形式开放。12

ShogunAI 在 2026 年 8 月 21 日的 Product Hunt 日榜中出现。它值得拆解的地方，不在于又增加了一个聊天入口，而在于把「记住什么」和「允许做什么」分别做成了两套有边界的机制。3

ShogunAI 的记忆单位不是一串聊天记录。官方页面把它描述成由人物、项目、承诺和未闭环事项组成的工作状态，每个对象都连接到产生它的证据，并带有置信度。1

这个对象模型解决了一个很具体的使用痛点：工作上下文往往散落在不同应用里。用户记得自己「周二讨论过价格」，却未必记得决定写在哪份文档、由谁提出、后来有没有被改过。ShogunAI 的记忆页面要求每条记录保留来源和时间，让检索结果能够回到原始事件；低置信度的推断也会被挡在发送动作之外。4

这里的设计判断是：记忆只有成为可核验的工作对象，才有资格参与后续行动。 如果系统只给出一个听起来合理的答案，用户仍然要重新翻邮件、文档和会议记录；如果系统把答案连同来源、时间和置信度一起交回来，用户才有机会判断这条记忆能不能支撑下一步动作。

ShogunAI 还把「持续捕获」的边界提前放进了记忆层。产品优先读取 macOS 无障碍层已经暴露的文本；被排除的应用、私人窗口和密码字段会在写入前避开。只有在文本读取失败、并且用户打开视觉回忆后，产品才会针对相关窗口保存截图。记忆默认在 Mac 上加密保存，用户可以暂停捕获、删除记录，并设置截图保留时间。45

本地优先的取舍也很清楚：捕获、索引和搜索可以留在设备上，产品减少了保存一份完整工作日云端副本的需要；用户连接外部模型处理请求时，相关上下文仍可能发送给所选服务商。持续记忆换来了权限管理、设备限制和模型调用时的数据外发判断，产品把这些成本放在了用户可以查看的边界里。5

ShogunAI 没有用一个总开关决定 AI 是否「自动执行」。官方执行层把动作分成三层：可逆、留在设备上的工作直接运行；需要用户检查的内容先生成草稿；凡是会发送给他人、发布出去或影响他人的动作，都停在审批处。产品把这三层写成「L1 runs、L2 drafts、L3 asks」，同一套分类和审批闸门也作用于 MCP、CLI 和 REST 调用。6

这个分级把确认动作放在副作用发生之前，而不是把所有步骤都交给用户逐个点击。比如，用户在文本框里按下 Option，ShogunAI 可以把结合当前字段和工作记忆的续写直接写入光标位置；写入属于本地、可继续编辑的草稿，发送仍由用户完成。6

设计上的好处是，低风险自动化和高风险行动拥有不同的节奏。用户无需为每次整理承诺、提取信息或生成草稿暂停工作，也无需先把邮件发送权整体交给 AI。审批对象变成「这一次具体要发什么、发给谁、依据是什么」，而不是一个抽象的「我是否信任这个 agent」。

ShogunAI 还要求每次行动留下记录：运行了什么、依据了哪些证据、哪些内容离开了设备，以及请求是否经过第三方。产品把这份记录作为自动运行的条件之一，因为用户可以在事后核对低风险动作，也可以在发送前审查高风险动作。6

代价是，产品必须持续判断一个动作的后果。权限分级、审批提示和执行记录都需要产品端维护；分类过于谨慎，用户会频繁被打断，分类过于宽松，审批闸门又失去意义。ShogunAI 选择把规则固定在执行层，并明确写出「任何提示都不能改变动作所属层级」，换来的控制力依赖于产品对动作边界的持续维护。6

ShogunAI 的巧思可以合并成一个判断：持续读取工作上下文的 AI，需要同时设计记忆的证据边界和行动的副作用边界。

第一道边界回答「系统凭什么记住这件事」：对象要带来源、时间和置信度，用户要能合并、删除或回到原始记录。第二道边界回答「系统凭什么做这件事」：可逆动作可以自动运行，草稿留给人检查，影响他人的动作必须在闸门前停下。

这让 ShogunAI 的本地优先、跨应用记忆和 agent 执行形成了同一套产品逻辑。产品把 AI 从「回答问题的窗口」推进成「围绕工作状态行动的助手」，同时把证据和审批保留在用户仍然看得见、接得住的位置上。