北京
我爸记得那件事。他只是不总记得那件事是从哪来的，也不记得自己还需要对它做什么。
一笔物业费。一份空调报价。一份别人发来的PDF报价单。一份埋在家庭WhatsApp聊天记录某处的文件。信息是存在的，找不回来才是问题。
所以我给他做了FollowUp。它把埋起来的对话，变成你真正需要去处理的事情。
答案必须能追溯到源头
FollowUp是一个隐私优先的AI记忆助手，把散落的消息、笔记、文档和截图，变成你可以直接提问的东西。
但它不是只给你一个答案。它会把答案背后的来源一起摆出来。
如果FollowUp告诉你，物业维护费是₹4,800，到期日是10月7日，你可以打开这条结果，看到答案来自哪条原始消息、谁发的、发在哪个群、哪一天发的。
这让结果变得可追溯，而不是又一个AI回复。
最有意思的部分是"我忘了什么"
它不需要我爸先想清楚该问什么问题。FollowUp会翻遍已导入的记忆，找出那些看起来需要行动的内容，把埋着的消息变成一张张行动卡片：
- 物业维护费
- ₹4,800
- 2026年10月7日前支付
点一下卡片，FollowUp就打开让它出现的原始消息。找到那件事，理解它为什么重要，核实它从哪来。
公开演示用的是合成记忆，而不是上传我爸的私人对话。演示围绕真实问题搭建，而不是一个通用聊天机器人的流程。公开部署默认从空的浏览器记忆库开始，演示数据是显式加载的，这样没有任何人的私人历史会进入公开部署。
AI不该是硬装上去的聊天框
这个项目的主要约束很简单：AI不该是一个被螺栓拧到产品上的聊天机器人，它应该是FollowUp运作方式的一部分。
核心架构是一条链路：WhatsApp导出、笔记、文档，经过本地导入、切分、向量与检索，交给本地开源权重模型Gemma，最后输出有依据的答案和来源。
FollowUp同时使用语义检索和词法匹配。语义检索在提问和原始消息用词不同时起作用；词法匹配则保住精确信息。结果在进入答案层之前被合并。
这很重要，因为个人记忆搜索不只是关键词问题。你问"那个空调的事是谁发的"，有用的记忆里写的可能是"Voltas空调服务套餐节日优惠价"。语义匹配把这两个想法连起来，词法匹配保护精确细节。
核心的开源权重模型是Gemma 3 270M IT，通过Transformers.js在浏览器端用WASM推理运行。这让私有模式有一条本地推理路径，不需要托管的大模型。模型接收检索到的上下文，并基于这些证据生成答案。
另外还加了一个确定性的有依据答案层，处理支付、发送人、地点、待办事项这类常见记忆任务。常见查询因此更快，同时Gemma仍作为通用语言层保留。
FollowUp刻意保守。检索层提供证据，答案层被要求基于证据作答，而不是编造缺失的细节。如果现有记忆里的信息不够，FollowUp应该说出来。答案生成后，用户可以检查底层记忆。
对一个个人记忆产品来说，比起让助手听起来自信，更在意的是"告诉我你为什么这么想"。
私有模式和辅助模式是两回事
FollowUp还有一个可选的辅助模式，使用Backboard。在这个模式下，检索到的记忆可以发给Backboard，获得托管的RAG协助。
这个模式被刻意和私有模式分开。私有模式的设计是让导入的记忆留在浏览器里，本地运行开源权重模型。辅助模式则是明确选择使用托管协助。
Backboard的记忆同步还加了去重，反复同步同一批导入记忆不会盲目产生重复。
测试用的是一段合成的WhatsApp对话，里面包含这个问题的真实例子。导入成功，主要的自然语言查询返回了预期信息。
重要的测试不是AI模型能不能回答一个问题，而是FollowUp能不能回答这个问题，并让人追溯答案的来源。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
