面向海外市场的主动式 Agent——在虚拟机内合规采集社交全量数据，把信息流 蒸馏成一张可左右划动的卡片。
Boxy 的做法分两步：先把数据拿深，再把决策做轻。
第一步是数据。通过授权，Boxy 在电脑后台静默运行一个虚拟机， 同步 WhatsApp、LinkedIn、Instagram 等应用，靠控制鼠标滑动、截屏，合规地 拿到全量历史聊天记录和浏览数据，为每个用户构建一个 Personal Model。
第二步是交互。把所有信息流蒸馏成一张卡片——检测到的 上下文、建议的行动方案，直接推送给你。右划执行，左划拒绝。
你在赶报告，合作方发消息问能不能改日程。Boxy 发现你明天下午有空，直接推 一张卡片：「已确认明下午无会，是否回复『没问题，明天下午 2 点线上见』？」
卡片这个形态不只是为了好看。每一次划动——接受、拒绝、编辑、延后、忽略 ——都成为一个学习信号，持续修正你的 Personal Model。
这是把 RLHF 藏进了交互里：相比传统对话框里「这个回答有用 吗」的显式打分，划动的反馈效率更高。用户每次划动都在训练模型，却几乎感知 不到负担。
官方强调本地脱敏：邮箱、设备 ID 等个人身份信息（PII）会在本地被替换成 token，之后才上云——这是对「全量采集」最敏感处的一种正面回应。
创始人 John，1998 年生，12 岁赴美留学，毕业于 Emory University。AGI 浪潮前， 他作为第 8 号员工加入 MiniMax，参与从零搭建 AI 数据管线和 多模态数据采集系统——这段「做数据」的经历，几乎直接定义了 Boxy 的产品路线。
公司于 2024 年成立，总部旧金山，并在新加坡设点，团队规模 2–10 人。
融资方面，Boxy 近期获红杉中国种子基金投资，数百万美元， 时间约在 2026 年 4 月。需要说明的是：这笔融资目前仅有单一中文信源，轮次、 确切金额与跟投方均未独立核实。
Boxy 最有意思的地方，是虚拟机数据获取这条路——既绕开了平台 API 封锁，又比录屏方案拿到的数据深得多。
完整聊天历史 vs 屏幕片段，数据深度的差距是数量级的。「卡片划动」也很新颖： 作为 RLHF 机制，它比传统对话框的反馈效率更高，用户每次划动都在训练模型却 感知不到负担。但这条路最锋利的一面也在这里——后台静默运行虚拟机、抓取社交 平台全量数据，合规性始终是「待验证」状态。它拿到的数据越深，离平台数据壁垒 与用户隐私的红线就越近。