你的提示词被切成了五份：跨应用捕获难在哪里
「跨应用」四个字听起来像营销词，实际是一堆具体的工程问题。
先看看你的提示词散在哪
一个典型的知识工作者，AI 使用现场至少有五个：
- 浏览器的 AI 网页
- 桌面 AI 客户端
- 代码编辑器里的 AI 插件
- 办公软件里的 AI 输入框
- 各类工具软件内置的 AI 助手
每个现场都有自己的输入组件实现、自己的历史记录、自己的保留策略。你要「统一归档」，就必须用一套机制穿透这五种情况。
难点一：怎么判断「这段是提示词」
这才是最核心的问题。系统能看到的是密密麻麻的输入框，但绝大多数内容不是你要归档的：
- 搜索框里输入的两个字
- 登录表单里的账号密码
- 聊天软件里的一句「在吗」
- 代码里改了一个变量名
所以需要一个可配置的长度门槛。词盾的做法是让用户自己定，范围 30–2000 字：
- 门槛设低了，短句、搜索词会被大量误收，库很快变成垃圾场
- 门槛设高了，真正的好提示词（有时就五十来字）反而漏掉
- 所以只能让用户按自己的习惯调，默认值只是一个起点
难点二：中文输入的特殊性
中文捕获有一个经典陷阱：不能按键拼字。
在 Chromium / Electron 类应用里，中文输入是「拼音上屏 → 候选选字」的过程。如果你通过监听按键去拼内容，得到的会是拼音，而不是最终文字。必须直接读取控件里的实际文本值，才能在中文环境得到正确结果。
这一点在英文环境下测试是发现不了的——很多同类工具的中文体验问题就出在这里。
难点三：哪些应用必须排除
这是责任问题，不是技术问题。一个能读全局输入的程序，必须主动划出禁区，而且禁区要足够宽：
- 聊天类：微信等即时通讯工具，装的是私人对话与商务往来
- 密码类：密码管理器、网银、各类凭据输入界面
- 办公类高敏感项：涉及身份信息、财务数据的界面
词盾默认排除 74 个应用（29 聊天 + 20 办公 + 25 隐私），微信排在第一位。清单可见、可改，用户也可以自行往里面加。
难点四：重复与近似
跨应用捕获带来一个新问题：同一件事你可能在三个地方各写一遍。直接入库的结果是库里全是近亲。
所以需要两层处理：
- 完全重复：直接去重
- 近似重复：识别同一段文字的多次微调版本，自动合并
这里有个容易踩的坑：去重规则必须在「所有写入路径」上保持同源。如果批量导入用的门槛是 8、实时捕获用的门槛是 12，那短片段就会从缝隙里漏过去，长期积累成噪声。
难点五：中文检索
英文的全文检索方案在中文环境下经常失效——常见的分词索引对中文不切词，搜「提示词」可能什么都搜不到。
务实的选择是放弃分词，改用子串匹配。代价是索引效率略低，收益是中文搜索真的能用。对一个本地小数据库而言，这个取舍很划算。
把五件事合起来看
「跨应用捕获」这句口号，实际是由判断门槛、中文读取、排除清单、去重合并、中文检索五件事共同支撑的。少了任何一件，体验都会在某个具体场景里断掉。
判断一个工具是否真的做到，有个简单办法：在你的实际工作流里跑一周，看它有没有漏、有没有误收、有没有把不该记的记下来。
← 返回全部文章