持久化 Agent Memory
使用 Notes 与 Workspace 作为 Agent 的长期上下文，让资料、进展、研究结果和历史决策持续积累。
项目介绍
把临时对话，变成可以持续推进的工作空间。
Conol 正在构建面向知识工作者、独立创业者、自由职业者和小团队的下一代 AI 工作空间。
今天的 AI Chat 工具很强，但上下文容易丢失；很多 Agent 工具可以执行任务，但主要服务开发者，且工作过程往往被封装在黑盒里。Conol 的核心思路是：把 Notes 变成 Agent 的持久记忆，把 Workspace 变成人和 AI 共同工作的地方。
在 Conol 中，用户可以让智能 Agent 完成调研、规划、写作、分析、整理和执行等任务；Agent 的每一步工作都会沉淀为结构化、可读、可编辑、可复用的内容。
用户不再需要在 Chat、文档、任务列表、浏览器和文件系统之间来回切换，而是在一个统一的 AI Workspace 中完成从想法到结果的闭环。
核心亮点
Conol 做的是 Agent 的工作入口，不是单一工具。
面向非开发者的 AI Agent 工作空间
把 Agentic Workflow 带给每一个需要思考、研究和执行的人，而不只服务开发者。
人和 AI 共享同一个工作界面
Note 既是用户的文档，也是 Agent 的工作记忆。用户可以直接修改内容，Agent 基于这些上下文继续工作。
聚合最好的第三方 Agent
未来用户可以在 Conol 中调用不同第三方 Agent，让最适合某个任务的 Agent 完成调研、写作、设计、代码、数据分析、营销、法务等工作。
可解释、可追踪、可复用
Agent 的计划、搜索、分析、输出和后续任务都被记录下来，形成可追踪的工作流和可复用的知识资产。
模型无关的编排层
核心价值不绑定于某个基础模型，而在于 Agent 工作流、上下文管理、工具调用和知识沉淀。
市场机会
从“回答问题”，走向“持续推进工作”。
AI Agent 市场正在从“更强的模型”转向“更好的执行系统”。开发者场景已经出现 Cursor、Claude Code、Devin 等标志性产品，但在更大的非开发者知识工作市场中，还没有出现一个清晰的 Agent Workspace 入口。
传统 AI Chat 产品解决的是“回答问题”，而 Conol 解决的是“持续推进工作”。随着越来越多个人和小团队开始依赖 AI 完成研究、内容、商业分析、产品规划和运营执行，用户需要的不再只是一个聊天窗口，而是一个能够长期记忆、组织上下文、调用工具并持续执行的智能工作空间。
Conol 的机会在于成为 AI Agent 时代面向大众知识工作的 Workspace 层。
AI power users知识管理重度用户独立创业者自由职业者早期小团队
Agent 时代需要的不是更多窗口，而是一个能记住、组织并推进工作的地方。
创始人
复杂系统、机器人与 AI 产品的交叉背景。
Founder
Tony Huang黄珏珅 · Founder
Tony Huang（黄珏珅）毕业于上海交通大学，曾任思岚科技 CTO，长期深耕机器人、AI、产品和工程系统建设。此前的经历让他对复杂系统、自动化执行、人机交互和 AI 工具链有深入理解。
Tony 创立 Conol，源于他在真实工作中反复遇到的痛点：AI 能力越来越强，但工作上下文分散、记忆无法沉淀、执行过程难以管理，导致 AI 很难真正成为长期协作伙伴。
Conol 希望解决这一问题，让每个人都可以用 Agent 低成本地完成过去需要团队才能完成的研究、规划和执行工作。