Pulse本地（Pulse Local）主打永不离机的预算管理，是一款完整预算应用，内置聊天功能，能依据你自己的数据作答。其他应用要么把账本存在它们的服务器，要么把你的问题发给别人的模型；我们则把账本和模型都留在你的机器上。

永不离开你机器的预算管理

Pulse Local 是一个完整的预算应用，内置聊天功能，答案来自你自己的数据。其他应用会把你的账本存在它们的服务器上，或者把你的问题发给别人的模型。我们把两者都留在你的机器上。

模式分为本地与联网：

• 本地模式：Mac 已有，Windows 随后；无需账户；支持任何货币。
• 联网模式：Mac 已有，Windows 随后；账户仅用于同步；目前仅支持美国银行。

网络活动只有两类请求：

• 应用与 AI 模型：首次启动时一次性下载，约 2.9 GB；其中最大的一个（2.5 GB）负责核对每一条金额回答，可在设置中关闭。
• 新版本检查：可选。只询问是否有新版并下载，不携带你的任何信息，不会在任何地方被统计，也可在设置中关闭。

除此之外，以下内容从不发送：

• 你的交易：仅在同步时由 Pulse 向 Plaid 请求，经服务器内存传递，不写入也不存储。
• 你的问题：从不发送。
• 分析与崩溃日志：从不发送。

同步时，应用会调用 Pulse，由 Pulse 向 Plaid 请求新交易，并在同一次响应中返回。交易经过服务器内存但不被写入或存储；服务器保留的是连接令牌和连接记录：机构、状态、上次同步时间。完整列表见隐私页面。你的账本、模型和每一个问题都留在本机。

“本地”通常指你的数据，而不是你的问题

你的账本放在磁盘上。然后你提问，问题和能回答它的那些行会被发到托管模型。

• 你的账本：留在本机。所有“本地优先”应用至少做到这一步。
• 你的问题：大多数会被发送出去。隐私政策可能承诺不用于训练，但问题依然离开了你的机器。
• Pulse Local：两者都留在本机。模型就是放在你账本旁边的文件，没有可发送的接口。

询问你的资金情况，同时保持对话私密

你可以查钱花到哪里、比较不同月份，或查看预算还剩多少。受支持的消费回答都基于你的交易计算，并在显示数字前读取两次。

• 私密：聊天留在你的机器上，你的问题不会发到在线 AI 服务。
• 来自你的数据：答案基于你自己的交易；可以询问你自己的商店、类别和月份。
• 可解释：能看到被计入了什么，并可检查某个消费答案背后的细节。

查看月份与分类：消费答案上方的标签会显示 Pulse 包含了哪些内容，选择其中一个即可更改。

继续对话：问“按商户”可细分，或指定另一个月份进行对比。

决定权在你：Pulse 会解释你的数字和日常预算术语，但怎么处理由你决定。

了解局限：Pulse 可能误解问题。当它的两次解读不一致时，会表示不确定而不是猜测，并且 AI 回答会被标注出来。

看看你能问什么，然后把它变成你自己的

下面是应用里的真实回答，基于示例交易运行。后续问题展示了如何把金额拆开，或与另一个月份对比。

选择右侧的问题，回答都是真实的：每一条都来自应用，针对示例账本给出。

• “2026 年 9 月我在餐厅花了多少？”——一次普通查询。
• “我有哪些订阅？”——所有重复项及其费用。
• “上个月我存下钱了吗？”——现金流，和消费不是一回事。
• “我应该取消 Netflix 吗？”——Pulse 不会替你做决定。
• “什么是 sinking fund（备用金）？”——常识，来自一段说明文字。
• “我的答案从哪来？”——它会自己告诉你。
• “这些会离开我的机器吗？”——整个应用存在的意义就是回答这个问题。

完整的预算应用，而不是隐私演示

计划与目标、规则、转存、分账、现金流、预测。它覆盖了最常用的那些预算应用的功能，并且全部在你机器上完成。

• 消费、交易、分类、规则、洞察、资金流向、现金流、预测、习惯

消费界面显示当月一个总数字，以及每个分类与其计划的对比（示例数据）。资金计算曾对照一份真实账本六个月的数据逐月核对，精确到分。

本地模式面向全球，同步目前仅限美国

选择一次国家，账本就会以你的货币记账，支持世界上任何货币。所有数字都按你的写法呈现，例如在柏林是 1.234,56 €，在东京是 ¥1,311；任何地方的银行文件都能导入：日期日在前、小数点用逗号、表头语言可手动选择。绝不进行货币转换。应用用英语回答。银行同步通过 Plaid 进行，目前只覆盖美国银行；其他地方请留在本地模式并导入 CSV。

• 75 个国家可选，支持文件中的每种货币；符号、千分位和小数点都按该国的书写习惯。
• 0 汇率：每个账本只用一种货币；其他货币的文件按原样导入，且导入时会说明。
• 1 种语言：聊天用英语阅读和回答；银行文件可用任何语言导入。

同一个应用，任意价格，由你选

我们是一个由机器学习实践者和产品人员组成的小团队。Pulse Local 一旦装到你的机器上，运行就不再耗费我们成本，所以你可以免费使用，也可以支持我们继续做下去；无论哪种方式，所有功能都完整提供。

研究

我们微调小型开源模型，让它在本机回答资金问题，公开与云端模型的基准对比，并发布权重（模型 pulse-local-qwen3-0.6b 见 Hugging Face）。

应用

完整的预算应用：计划、规则、分账、现金流、预测，以及一个基于你自己的数字回答问题的聊天。每个价格档位都包含所有功能。

下一步

Windows 版、面向更多人的银行同步，以及模型仍会答错的问题。

• 免费使用：$0，所有功能，无需账户，不会频繁打扰。
• 帮助我们开发：$20，一份感谢，用于支持下一个版本。
• 让它持续下去：$40，给希望它多年存在下去的人。
• 由你决定：任意金额，自己填写，一美元也算。

每个按钮最终都指向同一个下载；付费按钮会带着已准备好的下载直接回到这里。这是一次性付款，不是订阅，应用内也不会检查你选择了哪一种。银行同步是我们这边唯一有持续成本的功能，因此也是唯一单独定价的功能：Sync Pass，每年 $29。

测试版适用于搭载 Apple Silicon 的 Mac，已由 Apple 签名并公证，因此能像其他应用一样打开，并自动保持更新。想要 Windows 版？可以告诉我们，准备好后我们会通知你。

你需要放弃什么

• 无银行连接 / 银行同步通行证：本地模式下，你从任意银行导入任意货币的 CSV；实时推送意味着服务器要持有你的凭证。通过 Plaid 的银行同步目前仅限美国银行：年度 Sync Pass 包含三家机构，更多机构每家 $8。交易经我们的服务器传递而不存储；服务器只保留连接令牌和连接状态。
• 无同步 / 同步：无同步时只有一台机器，账本不存在于其他任何地方。同步只把交易拉进来，从不把账本复制出去。
• Mac 优先，仅英文：Windows 随后推出。应用用英语回答。不支持较旧的 Intel Mac。
• 小模型，谨慎回答：在开放问题上比前沿模型差，所以大部分工作由代码完成。开启检查后，一个资金回答需要 12 到 14 秒；当两次解读不一致时，Pulse 会表示不确定。

你的钱，你的机器

每个价格档位都是同一个应用。选一个，或者直接拿去用。

讨论整体偏审慎：不少人认为记账并不缺生成式 AI，现有报表、确定性规则和轻量分类已能满足需求，而数 GB 的本地模型、聊天重试与含糊的官网反而增加负担。分歧主轴在于，本地 AI 是否真能靠更好的交易分类与隐私控制形成差异化，还是应优先解决 CSV 导入、自动同步和接入现有记账工具等基础问题；少部分人认可纯本地、无网络的方向，但对仅凭开发者声称的隔离和当前落地方式仍有保留。

认为生成式 AI 和聊天并非记账刚需，现有报表已足够

• 日常记账用户说自己不会为记账应用下载约 3GB 的东西；要“问”的内容早就在报表、图表、表格里，重要指标都是确定性处理，开放式问题并不多。有人直接追问模型到底用来做什么、除了聊天还有哪些任务，并怀疑能否用更轻量的分类器替代。即便应用在本地运行，导入的数据本来就存在云端私有机构里，本地副本对隐私也帮助有限，因此看不到生成式 AI 在工作流中的必要。还有人担心用户几天后不再回来提问，或因为“不确定”而反复改问法、放弃，使简单查询反而变慢。（认可度：较多人） > 我绝不会为一个记账应用下载约 3GB 的东西；需要“问”应用的内容，报表、图表和表格早就给了，预算里重要的指标都是确定性处理的。（@altmanaltman）

认为纯本地运行与 LLM 分类潜力才是价值，且比云端聚合更可控

• 有人祝贺项目，认为 agent 驱动的辅助方向是对的；喜欢只在本地运行、不联网的应用，但希望 macOS 能开箱即用地强制这一点，而不是相信开发者声明。相比查询日志，Plaid 这类云端聚合服务被攻破的风险更大；让人兴奋的是 LLM 有机会把分类做得更好。还有人受启发想尝试金融微调模型，或已在做类似的本地模型项目。（认可度：较多人） > 真正让人兴奋的是大语言模型有机会把分类做得更好；相比之下，Plaid 被黑的风险远大于一份 AI 查询日志。（@herf）

认为通用 CSV 手动导入与自建全套应用会劝退用户，应接入现有工具或自动同步

• 通用 CSV 导出流程因银行而异，多来源导入可能让人无法养成记账习惯；实际导入时列自动映射也会出错，例如澳大利亚国民银行的 CSV 把 Merchant Name 错配给 Description，导致数十行被忽略，而 Transaction Details 其实更接近 Description。有人分享自己用开源 Monarch MCP 项目把本地 AI agent 接入 Monarch Money，能拉取交易、查询模式并生成日报，虽然更偏技术向，但说明集成现有服务比通用 CSV 导入更有启发。也有人直接问为何不把本地 AI 聊天加到 Actual Budget 等现有开源应用，而不是从零做完整记账应用；还有用户希望应用能直连银行自动记录支出。（认可度：较多人） > 如果要从多个不同来源拉取数据，每个来源都有自己的导出流程，这可能根本无法帮人建立良好的财务习惯。（@terwint）

认为产品页过长且令人困惑，隐私本身不是有效卖点

• 有人称这是见过最令人困惑的产品页，搞不清它到底想传达什么；另有反馈把长落地页视为“AI 精神病”，认为只需首屏和折叠下方两块，且“私有”不是卖点，真正差异应是 AI 分析和 agent 能力。对于不使用数据中心或不伤环境的说法，也应前置解释清楚，而不是含糊带过。（认可度：少数人） > 长落地页是“AI 精神病”的表现，只需要首屏和折叠下方两部分；“私有”不是卖点，真正的差异应该在 AI 分析和潜在的 agent 能力上。（@yieldcrv）

认为修正交易分类的交互太绕，应让分类标签直接可编辑

• 手动给交易分类本身就很繁琐，而当前“待审查”列表里分类只是展示、不能直接改；要修正必须读完分类、点行尾不在预期位置的“...”按钮、进入弹窗、再移到弹窗里点下拉框。更直接的做法是让列表里的分类标签本身可点击并展开下拉，省去点击、鼠标移动和猜测成本。（认可度：少数人） > 审查交易分类时，分类标签本身不可编辑，要修改必须点行尾的“...”按钮、进弹窗、再在弹窗里点下拉框；不如让列表里的分类标签直接可点击展开下拉。（@robotresearcher）

有价值的补充

• Queryable 是本地自然语言检索的先例：它早在 2022 年就在 iOS 上支持用设备端模型自然语言搜索照片，早于当前生成式 AI 热潮，也早于 Apple 在 Photos 中内置类似能力。（@lathiat）
• 在交易分类这类任务上，LLM 未必优于轻量分类器；已有资源专门讨论 LLM 在分类任务中失败的情况，提示应先明确模型用途，再评估是否能用分类器替代。（@nico）