每天在浏览器、聊天软件、文档、剪辑工程和会议之间来回切换，到了下班时却很难准确回答：“我今天到底做了什么？”自动日报工具可以解决这个问题，但如果屏幕、音频和操作记录全部上传云端，隐私代价同样明显。
screenpipe 提供了另一条路线：持续捕获电脑上的屏幕与音频，在本地建立可搜索的数字记忆，再让 AI 基于这些记录回答问题、总结工作和触发自动化任务。
screenpipe 是什么？
它会持续记录屏幕活动和系统音频、麦克风输入，并把结果保存在本机。与简单连续录屏不同，screenpipe 采用事件驱动捕获：应用切换、点击、输入、滚动或其他有意义操作发生时，才记录新的画面和上下文。
每次捕获还会读取系统可访问性树，提取按钮、标签和文字等结构化信息；遇到游戏、远程桌面等无法提供可访问性数据的应用，再回退到 OCR。
音频可使用本地 Whisper 转写，也可选择 Deepgram 等云服务；支持说话人识别和分离。屏幕文本、音频转写及元数据保存在本地 SQLite，并通过 FTS5 提供全文搜索。
记录有意义的操作变化，减少连续视频带来的存储压力。
SQLite + FTS5 搜索应用、窗口、网页、OCR 和会议转写。
Pipes 根据事件或时间规则读取授权数据并执行任务。
核心能力：搜索你曾经看到和听到的内容
自然语言搜索
用户可以搜索“上周在 Figma 里看到的那个按钮叫什么”“周一会议讨论预算时说了什么”，也能按应用名、窗口标题、浏览器 URL 和时间范围过滤。返回结果可以关联截图、结构化文本和音频片段。
视觉时间线
时间线类似 DVR：拖动到某一天的任意时刻，查看当时的完整截图、提取文字和对应音频。这对复盘操作步骤、寻找临时页面和确认会议上下文尤其有用。
Pipes：把记忆转成自动化 Agent
Pipes 是 screenpipe 最有想象力的部分。每个 Pipe 可用 Markdown 描述任务，并通过 YAML frontmatter 定义触发条件、模型和数据权限。常见用途包括：
- meeting-summary：会议结束后生成纪要和待办。
- day-recap：整理当日成果、关键节点和未完成事项。
- standup-update：输出昨天完成、今天计划和当前阻碍。
- time-breakdown：按应用、项目和分类分析时间投入。
- ai-prompt-journal：整理发给 AI 的 Prompt 并保存到 Obsidian。
自定义 Pipe 可放入 ~/.screenpipe/pipes/。权限不应只依赖 Prompt 承诺，而要限制可访问的应用、窗口、内容类型和时间段。官方描述的权限体系包括端点隐藏、执行前拦截和服务端中间件令牌。
与 OpenClaw、Claude Code 和 Cursor 联动
screenpipe 提供 MCP Server，可供兼容 MCP 的助手查询屏幕历史。官方示例使用 Claude CLI 添加 MCP：
claude mcp add screenpipe -- npx -y screenpipe-mcp@latestnpx -y screenpipe-mcp@latest 服务，并确认权限与启动方式。站内可查看 Claude Code、Cursor 和 OpenClaw。screenpipe 负责“记住发生了什么”，OpenClaw 则适合继续发送消息、推送日报、调用 API 或执行其他动作。
screenpipe 的 REST API 默认运行在 localhost:3030。查询示例：
GET http://localhost:3030/search?q=项目进度&content_type=all&limit=10OpenClaw 的定时任务可以调用这个本地接口：每天收工前搜索当天活动，生成摘要，再发送到指定渠道。也可以让 Pipe 直接处理总结，把 OpenClaw 留给后续执行。
一个适合内容团队的实际工作流
- screenpipe 记录：捕获剪辑软件、浏览器、会议和文档中的操作上下文。
- 本地筛选：排除密码管理器、私密聊天、客户后台和敏感 URL。
- Pipe 总结：提取今天完成的镜头、修改意见、交付风险和待办。
- OpenClaw 执行：把日报推送到邮件或聊天工具，创建提醒或更新项目状态。
- 人工确认：发送外部消息和修改线上系统前保留确认步骤。
隐私：本地优先不等于任何配置都不联网
screenpipe 的核心数据默认保存在本机，基础功能不要求账号，项目代码采用 MIT 许可。它也支持本地 Whisper、本地模型以及应用、窗口和 URL 排除。
但是否真正“数据不出本机”，取决于实际配置：
- 选择 Deepgram 等云转写时，音频会发送到相应服务。
- 使用云端大模型总结时，检索到的文本或上下文可能发送给模型提供商。
- 启用加密同步时，会产生网络传输，即使内容采用端到端加密。
- 遥测与崩溃诊断应根据当前版本设置检查并关闭不需要的项目。
- 若将 API 监听到局域网，应启用认证并限制网络访问。
存储和性能成本
官方当前仓库给出的参考是：约 5%–10% CPU、0.5–3GB 内存以及约 20GB/月存储。实际使用量会受到显示器数量、截图频率、工作时长、音频捕获和保留策略影响。
源体验中曾引用“8小时约300MB”的事件驱动截图估算，这个数字可以说明事件捕获比连续录屏节省空间，但不应直接当作整套系统的月度总量，因为音频、数据库、多个显示器和更高频率都会增加占用。
价格与许可现状
screenpipe 当前 GitHub 仓库标注为 MIT License，可以审查和自行构建。官方预编译桌面应用、更新、同步或团队服务的销售方式可能变化，当前仓库描述为桌面应用一次性购买；具体价格应以官方下载安装页为准。
因此，不再沿用早期文章中的固定月费数字。选择源码构建还是官方客户端，主要取决于是否需要签名应用、自动更新、同步和商业支持。
适合谁，不适合谁？
| 更适合 | 需要谨慎 |
|---|---|
| 经常跨多个应用工作的开发者、设计师和内容创作者 | 处理医疗、财务、法务或客户高度敏感数据的岗位 |
| 需要自动生成日报、会议纪要和工作复盘的人 | 无法明确区分可记录与不可记录应用的共享电脑 |
| 愿意管理本地存储、模型和权限配置的用户 | 磁盘紧张、设备性能较弱或不愿维护本地服务的用户 |
开始使用前的检查清单
- 先阅读 screenpipe GitHub 仓库，确认当前版本、许可和资源需求。
- 只启用一个显示器和少量应用进行短期测试。
- 设置排除列表，重点屏蔽密码、支付、客户和私人内容。
- 先使用本地 Whisper 与本地模型，确认工作流后再评估云服务。
- 设置数据保留周期、磁盘上限和定期清理策略。
- 在给 MCP 或 Pipe 授权前，逐项检查可访问的数据范围。
总结
screenpipe 把屏幕、音频、OCR、可访问性数据和本地搜索组合成一层数字记忆，再通过 Pipes、MCP 与 REST API 连接各种 AI Agent。对经常忘记某个页面、会议内容或工作进度的人，它确实比普通聊天机器人更懂上下文。
它的代价也很明确：持续的 CPU、内存和存储占用，以及极高的隐私敏感度。先做好排除、权限和保留策略，再谈自动日报和 Agent 联动，才是更稳妥的使用顺序。
项目官网：screenpipe 官方网站。站内工具详情：screenpipe 站内详情页。
说明：许可、价格、资源占用和功能依据当前官方仓库与网站整理，版本更新后可能变化；涉及云转写、云模型和同步时，应同时阅读对应第三方的隐私与数据条款。