News

• 0615日报 | AI切入物理世界与高监管金融

  0615日报 | AI切入物理世界与高监管金融

  今日洞察

  今天最值得创业者注意的，不是又多了一个更聪明的聊天助手，而是AI 正在从「软件里回答问题」走向「在物理世界和高监管行业中直接执行」：有人用 AI-native 机器人接管工业操作，有人用物理 AI 模拟电网，有人让 AI 操作员直接进入金融合规系统干活，还有人给 AI 银行牌照、建零幻觉研究环境。一个清晰的信号是——下一波 AI 产品的护城河，不在通用能力，而在能否进入此前软件进不去的物理、合规与金融执行层。

  ---

  1. Theker（融资 / AI 机器人）

  

  🔗 链接：官网 | Tech.eu 报道

  融资信息：完成 8500 万美元 Series A，由 CRV 领投，Samsung、LVMH、Cathay Innovation、20VC、Henkel Ventures、Inditex 参投。据称是欧洲最大机器人 A 轮。

  做什么的：打造 AI-native 通用机器人，能在工业环境中实时适应变化——物流、零售、食品饮料和垃圾管理场景，直接解决劳动力短缺。

  为什么值得关注： - 它不是「给机械臂加 AI」，而是定义了一个新品类：AI-native generalist robot，与传统刚性、单任务的工业机器人形成代际差异。 - 投资方阵容（Samsung + LVMH + Inditex + Henkel）横跨电子、奢侈品、快消、日化，说明工业界对「柔性机器人」的需求已经从概念变成采购预算。 - 对创业者的启发是：Physical AI 正在从「实验室演示」走向「工业部署」，而切入点不是做更强的模型，而是先找到愿意为替代人工付费的工业场景。

  类比参考：「工业版 Figure AI / 通用机器人版 Tesla Optimus，但更偏商用部署」

  ---

  2. ThinkLabs AI（融资 / 物理 AI）

  🔗 链接：官网 | VentureBeat 报道

  融资信息：完成 2800 万美元 Series A，由 Energy Impact Partners 领投，NVIDIA NVentures、Edison International、GE Vernova、Powerhouse Ventures 参投。

  做什么的：用 physics-informed AI 模拟电网行为，把传统上需要数周到数月的电力工程研究压缩到实时计算，帮助公用事业应对数据中心、电动车充电等新增负载对电网的冲击。

  为什么值得关注： - AI 行业整天在谈算力、模型和 agent，但真正的物理瓶颈是电网——美国电力需求预计到 2030 年增长 25%，数据中心是主要推手。 - ThinkLabs 不做 LLM，而是做 physical infrastructure AI，这是一种完全不同的技术路线和商业模式：卖给公用事业公司，而不是科技企业。 - 对创业者的启发是：AI 的下一个巨大市场，可能不在软件层，而在给 AI 自己提供基础设施的物理层——谁能帮电网更快接入数据中心，谁就在为 AI 行业的扩张铺路。

  类比参考：「电网版 Ansys / AI 时代的电力基础设施仿真平台」

  ---

  3. Kai（融资 / AI 安全）

  

  🔗 链接：官网 | WSJ 报道

  融资信息：完成 1.25 亿美元合并种子轮 + A 轮，成立仅一年。投资方详情参见 WSJ 原文。

  做什么的：AI 驱动的网络安全初创公司，目标是用 AI 重做企业安全运营——从威胁检测到响应自动化。

  为什么值得关注： - 一年内拿到 1.25 亿美元种子+A 轮，说明安全赛道对 AI 的资本投入已经进入「抢座位」阶段。 - 网络安全是「高信任、高粘性、高续费」的品类，一旦 AI 安全产品证明效果，客户替换意愿极低，容易形成长期 ARPU。 - 对创业者的启发是：AI 安全不是一个细分赛道，而是一个正在被 AI 重写的基础设施层，从 SOC 自动化到 AI agent 安全治理，空间巨大。

  类比参考：「AI 原生版 CrowdStrike / Wiz，但更偏向自动化响应」

  ---

  4. Eloquent AI（YC / 金融 AI）

  

  🔗 链接：官网 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），独立融资金额未披露。

  做什么的：专为金融服务设计的 AI Operator，通过观察企业 SOP 和员工操作来学习如何导航内部系统，自动化处理账户解冻、AML/KYC 检查、还款调整等复杂合规流程，号称可自动化 96% 的任务。

  为什么值得关注： - 它不靠 API 集成，而是靠「观察人来学习」——这与 Eloquent AI 之前 Walter 的思路如出一辙，但切入点是金融合规。 - 官方引用「金融机构 AI 采用率不到 1%」这个数据，核心论点是：通用 AI 在金融业失败的原因是合规、幻觉和重工程需求。 - 对创业者的启发是：金融服务的 AI 市场不是「能不能做」的问题，而是「敢不敢用」的问题——产品设计的起点应该是合规、可追溯和零工程侵入，而不是功能丰富。

  类比参考：「金融合规版 UiPath + AI Agent / 不写代码的金融自动化操作员」

  ---

  5. Selfin（YC / AI 银行）

  

  🔗 链接：官网 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），独立融资金额未披露。

  做什么的：打造美国第一家 AI-native neobank。从一个聚合所有金融产品的 AI 助手开始——连接信用卡、投资、加密货币、401k、储蓄——提供个性化建议和自动化财务 agent，最终目标是推出 AI 原生的银行产品。

  为什么值得关注： - 它不是给传统银行加一个聊天机器人，而是从零设计一家以 AI 为核心引擎的银行——这是"AI-native"在金融领域最激进的产品化尝试。 - 聚合策略（先连接所有产品）→ 建议（AI 分析优化）→ 自有产品（推出 AI 定价的金融产品），这是一个非常清晰的 产品演进路径。 - 对创业者的启发是：AI 颠覆一个行业最彻底的方式，不是给现有玩家加功能，而是用 AI 重新定义这个行业的核心产品形态。

  类比参考：「Monzo / Chime 的 AI-native 版本 / 如果 AI 来开一家银行」

  ---

  6. Clarm（YC / 企业研究）

  

  🔗 链接：官网 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），独立融资金额未披露。

  做什么的：面向高信任环境（银行、律所、合规部门）的零幻觉 AI 深度研究 agent 构建平台，连接 40+ 企业数据源（CRM、邮件、知识库），让用户搭建精确、可重复、不胡说的工作流。

  为什么值得关注： - 团队来自 Deutsche Bank 和 Amazon，核心论点是：深度研究 agent 能替代大量白领工作，但部署被合规部门卡住了——因为现有 AI 会「编造」。 - 产品策略不是做更强的 LLM，而是做可控、可重复、可审计的研究工作流构建器，这更贴近企业采购逻辑。 - 对创业者的启发是：在需要高信任的场景中，「不犯错」比「更聪明」更有商业价值。零幻觉不是技术问题，而是产品定位问题。

  类比参考：「企业合规版 GPT Researcher / 可审计的 AI 研究工作流平台」

  ---

  7. Decipher AI（YC / 产品分析）

  

  🔗 链接：官网 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），独立融资金额未披露。

  做什么的：用 Vision Language Model 实时观看每一个用户会话，自动检测产品中的体验问题——静默流失、UI 困惑、错误阻塞——然后自动生成诊断摘要、会话片段和 Linear 工单或 PR 草稿。

  为什么值得关注： - 传统产品分析告诉你「用户点了什么」，Decipher 告诉你「用户为什么困惑、在哪里卡住、该怎么修」——这是从 analytics 到 autonomous insight 的跳跃。 - 官方比喻是「1000 个 QA 实习生在实时看每一个用户会话」，这种 product-led 的 AI 产品的想象力在于把被动分析变成主动发现+自动修复。 - 对创业者的启发是：Vision Language Model 不只是用来看图说话，还可以用来看用户怎么使用你的产品，然后把洞察直接变成行动。

  类比参考：「FullStory / Hotjar 的 AI Agent 版 / 自动化产品体验监控层」

  ---

  8. Bastion（Show HN / Agent 基础设施）

  

  🔗 链接：官网 | Show HN 讨论

  融资信息：Show HN 新项目，融资信息未披露。

  做什么的：为 coding agent 部署隔离的 Linux 虚拟机，每个 agent 独占一个完整环境——文件系统、后台进程、网络全权控制——通过 JSON 模板初始化，支持自托管在 KVM 支持的 Linux 系统上。

  为什么值得关注： - 当团队开始同时跑多个 coding agent（Claude Code、Cursor、Devin 等），agent 之间的运行环境冲突正在成为新瓶颈。 - Bastion 的产品观点非常简洁：给每个 agent 一台虚拟电脑，就像给每个员工一台笔记本电脑一样自然。 - 对创业者的启发是：coding agent 的基础设施层正在快速分化——runtime 环境、验证环境、编排环境——每一个方向都可能长出独立产品。

  类比参考：「Coding Agent 版 Docker / 给 AI agent 用的虚拟桌面基础设施」

  ---

  值得重点跟踪的 3 个信号

  1. AI 正在从软件进入物理世界：Theker（机器人）和 ThinkLabs（电网仿真）代表了一个清晰方向——AI 的下一个增长空间不只是软件市场，而是之前软件进不去的物理基础设施。

  2. 高监管行业的 AI 操作员崛起：Eloquent AI（金融）、Clarm（合规研究）、Selfin（银行）说明——通用 AI 在金融场景的失败率，正在催生一批专门为高监管行业设计的 AI 操作层。

  3. Agent 基础设施继续分化：Bastion 给每个 agent 分配独立 VM，Decipher 用 VLM 监控用户体验——agent 时代的「操作系统」和「可观测性」层正在同步成型。

  6 days ago

• 0613日报 | AI开始直接操作旧系统

  今日洞察

  今天最值得创业者注意的，不是又多了一个更强的通用模型，而是一批新产品开始绕过“重做软件界面”这条老路，直接进入旧系统、旧流程和旧设备内部干活：有人让 AI 登录 SAP 和 Oracle 处理制造后台，有人让 AI 直接调度实验室仪器，有人把工业分销、客户运营、医疗影像治理、组织流程梳理都做成可执行层。一个越来越清晰的信号是，下一波 AI 产品的价值，不只是“会回答”，而是能否真正接管老系统之上的操作工作。

  ---

  1. Ontora（融资 / 产品进展）

  

  🔗 链接：官网 | YC Launch

  融资信息：公司披露已在正式启动融资前拿到 70 万美元，并已排上 80+ 个 VC 沟通；同时已有 5 家企业设计合作客户、150+ inbound demo。

  做什么的：用 AI agents 持续采访企业员工，自动抽取流程、决策规则、工具链和交接关系，生成可供企业自动化和 agent 使用的“活的组织上下文层”。

  为什么值得关注： - 它切的不是“再给员工一个聊天框”，而是 AI 转型前最贵、最慢的 discovery 阶段。 - 传统流程梳理往往要咨询公司做数月访谈，Ontora 把这一步压缩到几天，且上下文会持续更新，不会很快过时。 - 对创业者的启发是：企业 AI 项目很多不是输在模型，而是输在 没人先把真实业务怎么运转搞清楚。

  类比参考：“企业流程访谈版 Palantir / AI 转型版组织 discovery layer”

  ---

  2. Lattice Health（新产品 / 医疗合规）

  

  🔗 链接：官网 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），公开页面未披露独立融资金额。

  做什么的：为医院已部署的医疗影像 AI 提供持续监控与治理层，追踪模型是否 drift、与放射科医生结论的一致性，以及不同患者亚群上的表现差异。

  为什么值得关注： - 医疗 AI 真正难的不是模型上线，而是 上线后还能不能持续安全、合规地工作。 - Lattice 采用只读接入，不直接影响临床决策，把自己定位成“监控与证据层”，更符合医院采购逻辑。 - 对创业者的启发是：高监管行业里的 AI 新机会，往往来自 post-deployment governance，而不是前端体验升级。

  类比参考：“医疗影像 AI 版 Datadog / Arize + 合规治理层”

  ---

  3. Akkari（新产品 / 客户运营）

  

  🔗 链接：官网 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），未见独立融资金额披露。

  做什么的：把 Slack、邮件、会议、Discord、通话中的客户承诺、bug、需求、阻塞和扩容信号自动汇总，并推动后续动作落地，比如建工单、发更新、做挽留、触发扩容流程。

  为什么值得关注： - 很多创业团队输给对手，不是产品差，而是 承诺没人跟、问题没人收口、客户信号分散在各处。 - Akkari 切的是从首个销售电话到续费扩容的“customer ops 执行层”，比单点客服 bot 更接近收入结果。 - 对创业者的启发是：AI 在 B2B 里最容易形成价值的地方，常常不是回答问题，而是 替团队把 follow-through 做完。

  类比参考：“客户成功版 Linear + RevOps agent”

  ---

  4. Hexa（新产品 / 工业分销）

  

  🔗 链接：官网 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），公开页面未披露独立融资金额。

  做什么的：为工业分销商和制造商自动处理 sourcing、报价、订单录入、采购与对账，把原本在邮件、PDF、Excel、传真和 ERP 之间来回切换的流程做成 agent 工作流。

  为什么值得关注： - 这是非常典型的“老行业、高频、强 ROI、系统老旧”的切口，客户损失直接体现在 报价慢导致丢单。 - Hexa 不要求客户替换 ERP，而是直接嵌进现有系统里，把 reps 从键盘搬运工变成审核者。 - 对创业者的启发是：很多垂直 AI 的最佳 GTM，不是替换旧系统，而是 先贴着旧系统把最重的人工作业接管掉。

  类比参考：“工业分销版 ServiceNow + ERP 内嵌 agent”

  ---

  5. Walter（新产品 / 制造后台）

  

  🔗 链接：YC 公司页 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），公开页面未披露独立融资金额。

  做什么的：Walter 不是新建一套系统，而是直接给 AI 一个登录账号，让它像新员工一样进入 SAP、Microsoft Dynamics、Oracle、Teams、Outlook 等现有软件，自动处理 PO 录入、供应商下单、价格错误检查等制造后台任务。

  为什么值得关注： - 它最强的产品观点是：别再做集成了，直接让 AI 去操作现有软件。 - 这大幅降低企业替换系统的阻力，也说明 agent-native 产品开始从 API-first 走向 UI / workflow-first automation。 - 对创业者的启发是：很多传统行业的软件真正问题不是功能缺失，而是 仍然需要大量人坐在系统前重复点击。

  类比参考：“制造业版 AI 员工 / 给 SAP 和 Oracle 的操作员 Agent”

  ---

  6. Infera（新产品 / 科研基础设施）

  

  🔗 链接：官网 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），公开页面未披露独立融资金额。

  做什么的：研究人员用自然语言描述实验后，Infera 会把它转成可执行、可校验的 instrument-ready run，涵盖 protocol logic、仪器脚本、数据回传、分析与库存检查。

  为什么值得关注： - 它切中的不是“科学家写报告”这种浅层场景，而是 实验仪器之间长期无法真正协作 的系统性问题。 - Infera 把 SOP、仪器约束、库存状态、历史实验经验放进同一个上下文层，显著提高实验自动化可信度。 - 对创业者的启发是：在垂直高专业场景，AI 价值不在更会聊天，而在 把意图翻译成真实世界里的可执行动作。

  类比参考：“实验室版 Claude Code / 科学仪器操作系统”

  ---

  7. Zenbu（新产品 / 开发工具）

  

  🔗 链接：官网 | YC Launch

  融资信息：获 Y Combinator 支持（Spring 2026），公开页面未披露独立融资金额。

  做什么的：Zenbu 想做“管理 coding agents 的 IDE”，把多 agent 并行、结果审查、上下文切换、验证和插件扩展做成一套可定制界面。

  为什么值得关注： - 当团队开始同时跑多个 coding agents 后，新的问题已经不再是“能不能生成代码”，而是 怎么管理 agent 之间的复杂度。 - Zenbu 选择插件化路线，而不是强推单一工作流，说明“agent IDE”可能会像早年的开发环境一样，形成新的生态层。 - 对创业者的启发是：coding agent 赛道的下一步，不只是更强模型，而是 围绕 agent 协作、审查和编排长出新的工作台。

  类比参考：“Cursor / VS Code 的多 coding-agent orchestration 版本”

  1 weeks ago (06-13)

• 0612日报 | Agent生产化基础层浮出

  0612日报 | Agent生产化基础层浮出

  今日洞察

  今天最值得创业者注意的，不是又有哪个模型 benchmark 更高，而是一批新公司开始集中补上“Agent 真正进生产”之前最缺的那层基础设施：有人给 coding agent 提供完整验证环境，有人让 agent 能持续学习且不遗忘，有人重做 agent-first commerce，有人把企业 GenAI 采用和 ROI 量化做成单独产品层。一个越来越清晰的信号是，下一波 AI 创业不只是在做更会说的 Agent，而是在争夺 验证、采用、合规、运营、交易 这些离收入更近的生产化中间层。

  ---

  1. Niteshift（融资 / 新产品）

  

  🔗 链接：官网 | 官方博客

  融资信息：官网宣布产品 GA，并同步披露完成 700 万美元 Seed，由 Greylock 领投。

  做什么的：Niteshift 想做的是 coding agents 的 full-stack cloud——不是只给 Agent 一个 repo，而是把数据库、Docker 服务、浏览器验证、日志、CI 和可并行运行环境一起搬到云端，让代码 Agent 能自己完成“写完—验证—继续改”的闭环。

  为什么值得关注： - 现在很多代码 Agent 卡住的地方，不是不会写，而是没法在真实运行环境里自证它写得对。 - Niteshift 把“验证环境”单独产品化，说明 coding agent 的下一层竞争，已经从模型能力转向 环境供给与并行执行能力。 - 对创业者的启发是：如果你做 Agent 基础设施，真正能形成壁垒的往往不是 prompt，而是 让 Agent 独立交付结果的 runtime。

  类比参考：“给 Claude Code / Devin / Cursor Agent 用的云开发与验证底座”

  ---

  2. RELAI（融资 / 新产品）

  

  🔗 链接：官网 | 官方博客

  融资信息：官方博客披露，RELAI 获得 690 万美元融资，并已开放 limited-access onboarding。

  做什么的：RELAI 做的是 agent 的 continual learning engine。它把失败案例、trace、tool call、memory 和人工反馈重建成 replayable learning environments，再自动搜索可以改进 agent 的 prompt、tool、workflow、memory 或 code 层修复方案，并在回归集上验证“不遗忘”。

  为什么值得关注： - 现在企业 Agent 最大的问题之一不是首次上线，而是上线后怎么持续变好且不把旧能力修坏。 - RELAI 没把问题定义成“做更强 eval”，而是定义成 failure → learning environment → validated improvement 的持续系统。 - 对创业者的启发是：Agent 时代一个重要新层，不是再做一个 assistant，而是做 agent 的学习系统和变更控制层。

  类比参考：“Agent 版 CI/CD + regression learning engine”

  ---

  3. ShopAgentic（融资 / 创新模式）

  

  🔗 链接：官网 | Pre-seed 公告

  融资信息：公司于 6 月 11 日宣布完成 190 万欧元 oversubscribed pre-seed，由 May Ventures 和 Greenfield Capital 领投。

  做什么的：ShopAgentic 在赌一个很大的变化：未来不是人逛店，而是 AI assistant 代表人完成搜索、比较、谈价和下单。它想提供“agentic commerce system”，让品牌和零售商在商品结构化数据、库存、价格、交易接口和 agent-first storefront 上都能直接服务 AI 买手。

  为什么值得关注： - 很多电商公司还在想怎么给商城加 AI，ShopAgentic 直接换了问题：如果消费者入口变成 agent，商家该怎么重建基础设施？ - 它把“agent readiness”从营销概念变成系统工程，这对零售 SaaS、支付、搜索、导购都是新机会。 - 对创业者的启发是：AI 不只是提升转化率，也可能重写谁在做购买决策、谁在触发交易。

  类比参考：“Shopify / Salesforce Commerce Cloud 的 agent-first 重做版”

  ---

  4. Mendo（融资 / 企业产品）

  

  🔗 链接：官网 | Tech.eu 报道

  融资信息：公开报道显示，Mendo 完成 1200 万欧元 Series A，由 Ventech 和 Educapital 领投，Tomcat 与 OVNI Capital 参投。

  做什么的：Mendo 不再做一个独立 AI 工具，而是把自己定位成 The GenAI adoption & analytics platform for large enterprises。它嵌进企业现有 Copilot、内部 GPT 和 agent 工具里，帮助企业看清谁在用、怎么用、ROI 如何、哪些团队适合推 agent。

  为什么值得关注： - 过去大家默认“买了 Copilot 就会自然发生 adoption”，Mendo 证明 采用率、训练、最佳实践和 ROI 可视化 本身就是独立产品机会。 - 它切的不是模型层，而是企业 GenAI rollout 的 adoption layer，这比再做一个聊天入口更贴近真实预算。 - 对创业者的启发是：企业 AI 市场正在分层，除了模型、应用、Agent，还会长出一层专门负责 采用、治理与价值量化 的中间件。

  类比参考：“企业 Copilot/Agent 的 adoption OS + analytics layer”

  ---

  5. Denki（融资 / 创新模式）

  

  🔗 链接：官网 | YC 页面

  融资信息：公开报道显示，Denki 获得约 410 万美元早期融资；YC 页面当前重点披露的是其 internal audit 自动化产品与客户切入方式。

  做什么的：Denki 把自己写成 full-stack AI financial audit firm。它不是做单点审计助手，而是直接自动化 control mapping、walkthrough interviews、testing 和 working papers 产出，并强调完整 audit trace。

  为什么值得关注： - 审计是典型“必须做、很贵、极缺人、结果要可追责”的流程，天然适合 AI 先从执行层切入。 - Denki 最有意思的不是“会写工作底稿”，而是把传统审计公司的一部分交付链条产品化。 - 对创业者的启发是：高价值专业服务行业里，最值得做的 AI 往往不是 copilot，而是 software-enabled service / AI-native firm。

  类比参考：“内部审计版 AI 事务所 / AuditBoard + AI delivery engine”

  ---

  6. Adentris（YC / 新产品）

  

  🔗 链接：官网 | YC 页面

  融资信息：获 Y Combinator 支持；YC 页面披露，公司在本届 YC 期间已做到 5.4 万美元 ARR，并在多家医院和诊所推进 commercial pilots。

  做什么的：Adentris 做的是 医疗文档实时合规 autopilot。它直接连进医院 EHR，实时监控临床记录和 staff activity logs，用 AI agents 在错误变成 claim denial、audit 或罚款之前，先发现并推动责任人修正。

  为什么值得关注： - 医疗 AI 里很多人盯着诊断和 scribe，Adentris 切的是更贴近财务后果的 documentation compliance。 - 它的关键不只是提醒，而是发起快速纠错对话，说明 AI 在医院里开始从“建议者”变成 流程纠偏者。 - 对创业者的启发是：真正容易拿到预算的 AI，常常不是改善体验，而是先减少收入损失、审计风险和合规摩擦。

  类比参考：“医院 EHR 上的一层实时合规风控 Agent”

  1 weeks ago (06-12)

• 0611日报 | AI结果交付层成型

  今日洞察

  今天最值得创业者注意的，不是又多了一个更强的模型，而是越来越多 AI 公司开始直接售卖“结果交付”而不是“工具席位”：有人把企业上下文做成 agent 可用的图谱层，有人把法务、私募尽调、电话客服、FDA 申报、州牌照管理这些高责任流程整包接手。一个越来越清晰的信号是，下一波 AI 产品竞争，不在回答更聪明，而在谁能把专业服务流程压缩成可审计、可定价、可对结果负责的交付单元。

  ---

  1. Jedify（融资）

  

  🔗 链接：官网

  融资信息：公开报道显示，获 2400 万美元 Series A 融资，用于把企业内部碎片化业务语境组织成可供 AI 使用的 context graph。

  做什么的：Jedify 不是再做一个企业聊天入口，而是把表、指标、业务定义、团队知识和系统关系串成一层 enterprise context graph，让 AI agents 和分析团队在同一套业务语义上工作。

  为什么值得关注： - 很多企业 AI 项目不是输在模型，而是输在“上下文不统一”，不同 agent 读到的是彼此冲突的数据解释。 - Jedify 把“业务语义层”单独产品化，这说明 AI 时代的数据基础设施正在从仓库层往 context 层上移。 - 对创业者的启发是：如果你服务复杂企业场景，真正值钱的未必是最后那句回答，而是让所有自动化都基于同一套可信业务上下文。

  类比参考：“企业数据仓库之上的 AI context fabric / 语义图谱层”

  ---

  2. Sandstone（融资 / 新产品）

  

  🔗 链接：官网

  融资信息：公开报道显示，Sandstone 完成 3000 万美元融资，主打面向企业法务团队的 in-house legal AI 平台。

  做什么的：它把 legal intake、文档关系、上下文检索、任务路由、红线审阅、指标分析放进同一套系统，让法务部门不再只是一堆文档和请求箱，而是一套可操作的 Legal Relationship Management 平台。

  为什么值得关注： - 法务是典型高责任知识工作，客户买的不是“会写”，而是 更少漏单、更快周转、更可追溯。 - Sandstone 的切法不是给律师一个 copilot，而是重做法务部门的工作底座，这比单点提效工具更容易沉淀长期数据与流程优势。 - 对创业者的启发是：在高责任场景，AI 最强的产品形态常常不是助手，而是 带工作流、权限、上下文和指标体系的系统层产品。

  类比参考：“企业法务版 ServiceNow + Harvey”

  ---

  3. Capsa AI（融资）

  

  🔗 链接：官网

  融资信息：官网披露，Capsa AI 刚完成 1800 万美元 Series A。

  做什么的：Capsa AI 是面向 private equity、private credit、infrastructure 等私募资本场景的 AI Operating System，连接 CRM、共享盘、第三方数据库和历史 deal folder，帮助投资团队加快研究、评估、投委会准备和知识复用。

  为什么值得关注： - 它切中的是一个“单客价值高、历史数据重、决策链长”的行业，天然适合做高 ARPU 的垂直 AI。 - 官方文案强调 full traceability、single-tenant / VPC / on-prem，这说明 金融机构买 AI，第一诉求仍然是可控与可信。 - 对创业者的启发是：不要只做通用研究助手，真正高价值的 AI OS 往往来自对一类专业决策流程的深度重构。

  类比参考：“私募投资团队版 Bloomberg Terminal + AI deal team”

  ---

  4. fonio.ai（融资）

  

  🔗 链接：官网

  融资信息：公开报道显示，fonio.ai 获得 1700 万美元 seed 融资。

  做什么的：fonio 用 AI 电话助手切入企业来电场景，支持欢迎语、通话处理逻辑、通话后转写和回调/转接，核心卖点是“几分钟上线”的电话自动化，以及 数据留在欧洲 的本地合规叙事。

  为什么值得关注： - Voice AI 已经不只是北美客服替代，fonio 证明 欧洲本地化、合规优先 也能成为产品差异点。 - 官网直接强调自研 orchestration layer，而不是白标美国服务，这是一种很清晰的 GTM：把“技术主权 + 数据主权”卖给企业客户。 - 对创业者的启发是：同样做 AI 电话，不同市场真正的决胜点可能不是模型音色，而是部署速度、监管边界和数据归属。

  类比参考：“欧洲合规版 Aircall + AI phone agent”

  ---

  5. Upstream（融资 / 产品 GA）

  

  🔗 链接：官网

  融资信息：公开报道显示，Upstream 完成 300 万美元 pre-seed，并宣布产品进入 GA。

  做什么的：Upstream 试图重做邮件收件箱本身：AI 自动识别哪些邮件需要回复、哪些该跟进、哪些可以忽略，并按你的写作风格提前生成草稿和 follow-up，把 inbox 变成一个 人类与 agent 共用的工作台。

  为什么值得关注： - 过去几年很多创业公司想“替代邮箱”，但 Upstream 的聪明点在于它不是离开 email，而是把 email 直接改造成 agent-native 入口。 - 官网呈现方式非常产品化：不是抽象讲 agent，而是把 Needs Reply、Follow Ups、Drafts 这些结果直接可视化。 - 对创业者的启发是：AI 产品想切个人效率工具，最好的路径不一定是新建入口，而是 接管用户已经高频打开的旧入口。

  类比参考：“Superhuman / Gmail 的 agent-native 版本”

  ---

  6. Panacea（YC / 创新模式）

  

  🔗 链接：官网 | YC 页面

  融资信息：获 Y Combinator 支持；独立融资金额暂未见公开披露。官网主打 fixed, milestone-based pricing。

  做什么的：Panacea 把 ex-FDA regulatory experts 和自研 AI 平台绑定在一起，不卖单纯工具，而是直接承接 510(k)、De Novo、PMA、IND、NDA、BLA 等 FDA 申报流程，卖的是更快、更便宜、风险更低的审批交付结果。

  为什么值得关注： - 这是“AI + 专家服务”最值得借鉴的一种形态：AI 不单卖 seat，而是嵌进高价值专业服务，按里程碑卖结果。 - FDA 申报本来就长周期、重文档、强责任，天然适合把人工咨询公司升级成 AI-native 交付公司。 - 对创业者的启发是：如果你面对的是极高客单价的专业流程，AI 的最佳商业模式可能不是 SaaS，而是 software-enabled service / outcome-as-a-service。

  类比参考：“FDA 申报版 AI-native 咨询公司”

  ---

  7. Payna（YC / 创新模式）

  

  🔗 链接：官网 | YC 页面

  融资信息：获 Y Combinator 支持；官网与 YC 页面未披露独立融资金额。

  做什么的：Payna 把金融持牌、续牌、维护、州监管变化追踪、考试准备、材料预填这些极度碎片化的工作做成一套 compliance operating system，覆盖美国 50 个州及多个金融细分牌照场景。

  为什么值得关注： - 这类业务过去往往靠外部律所、顾问和 Excel 驱动，Payna 的机会在于把原本“人肉项目管理”的合规工作流产品化。 - 它最有价值的不是自动生成文书，而是把法规变化、开始时间、依赖关系、通过概率都组织成可执行系统。 - 对创业者的启发是：AI 在高监管行业真正能卖出去的，不是“懂法规”，而是 帮客户持续保持可运营状态。

  类比参考：“跨州金融持牌版 Vanta + workflow OS”

  ---

  值得重点跟踪的 3 个信号

  1. AI 正在进入“责任交付层”：Panacea、Payna、Sandstone 都不是在卖一个会说话的助手，而是在卖更可控、更可审计的交付结果。
  2. 上下文基础设施开始上移：Jedify、Capsa 说明企业客户开始愿意为“可信上下文”和“可追溯知识层”付费。
  3. 旧入口仍然最有价值：fonio 和 Upstream 的启发很直接——不要总想着发明新工作台，把电话和邮箱这些老入口做成 AI 原生入口，同样有巨大产品空间。
  1 weeks ago (06-11)

• 0609日报 | AI垂类重做旧系统

  0609日报 | AI垂类重做旧系统

  今日洞察

  今天最值得创业者注意的，不是又多了一个通用 Agent，而是一批 AI 创业公司开始直接重做老行业的软件骨架：有的把合规层塞进模型与用户之间，有的把护理机构、医院、酒类零售、浏览器自动化、语音外呼这些老工作流整包重写。一个清晰信号是，AI 产品的下一波机会正在从“外挂式 copilot”转向“AI 原生操作系统 + 行业专用基础设施”。谁能把旧系统里最重、最慢、最贵的一段流程吃下来，谁就更容易拿到真正持续的预算。

  ---

  1. ZeroDrift（融资）

  

  🔗 链接：官网 | TechCrunch 融资报道

  融资信息：Seed 轮 1000 万美元；投资方包括 a16z Speedrun、Reign Ventures、Pitchdrive、U&I Ventures 等。

  做什么的：在模型和终端用户之间加一层“AI 合规防火墙”，先用确定性规则识别 SOC 2、GDPR 等合规风险，再用 LLM 重写成合规输出。

  为什么值得关注： - 它不是做“更安全的聊天机器人”，而是在做 模型外部的治理执行层。 - 这类产品的价值不在回答更聪明，而在 更低延迟、更高可控性、更强审计性。 - 对创业者的启发是：高监管行业里，AI 的预算往往不先给生成层，而是先给 风控、拦截、审计和责任归属层。

  类比参考：“Cloudflare / Palo Alto 的 AI 输出合规版”

  ---

  2. TakeCareOS（YC / 新产品）

  

  🔗 链接：官网 | YC 页面

  融资信息：YC Spring 2026 批次，融资金额未披露。YC 页面显示其已与 6 家护理机构、200+ 员工合作试跑整套业务运营。

  做什么的：面向 home care、aged care、disability services 机构的 AI 原生操作系统，覆盖 rostering、CRM、notes、messaging、timesheets、invoicing、compliance，并用 AI agents 接管文书和后台 admin。

  为什么值得关注： - 它不是在旧护理软件上加一个 copilot，而是直接把 “业务系统 + AI 执行层” 一起重做。 - 护理与照护行业长期被高频低效 admin 工作拖住，TakeCareOS 切的是最容易形成 ROI 的部分。 - 对创业者的启发是：很多垂直行业真正缺的不是一个 AI 助手，而是一套 默认把 AI 当员工来设计的软件底座。

  类比参考：“Home care 版 ServiceTitan / AI-native ERP”

  ---

  3. Eos AI（YC / 创新模式）

  

  🔗 链接：官网 | YC 页面 | Launch YC

  融资信息：YC Spring 2026 批次，融资金额未披露。YC Launch 页面披露，早期诊所场景中已看到 约 3 倍 admin productivity improvement 与 37% revenue recovery。

  做什么的：把医院/诊所分散在 EHR、影像、实验室、排班、计费等系统中的数据重新串起来，做成可搜索、可分析、可触发运营动作的 healthcare autonomous OS。

  为什么值得关注： - 医疗 AI 里最难的一步常常不是模型，而是 把碎片化数据拼成可执行上下文。 - Eos AI 不是单点做 scribe 或病历总结，而是先做 数据协调层 + 运营动作层。 - 对创业者的启发是：如果一个行业数据极碎，先拿下“统一上下文”这一层，后面的 agent、推荐、自动化才有复利。

  类比参考：“Palantir / Snowflake 的医院运营 Agent 版”

  ---

  4. Prana（YC / 新产品）

  

  🔗 链接：官网 | YC 页面 | Launch YC

  融资信息：YC Winter 2026 批次，融资金额未披露；YC 页面显示产品 已进入 beta 并开始上线真实用户。

  做什么的：做“口袋里的 AI 家庭医生”，连接病历与 wearable 数据，持续监测用户健康变化，并把传统一年一次的被动体检改成持续式、主动式初级医疗。

  为什么值得关注： - 它的切法不是“在线问诊聊天”，而是试图重做 primary care 的服务频率与交互范式。 - 医疗产品里，连续监测 + 风险早筛，比一次性问答更容易建立长期使用场景。 - 对创业者的启发是：AI 最有机会重做的，不只是效率，而是把原本低频的服务改成 持续关系型产品。

  类比参考：“One Medical + wearable intelligence 的 AI 版”

  ---

  5. Scotch（融资）

  

  🔗 链接：官网 | Crunchbase News | PR Newswire

  融资信息：Series A 2000 万美元；由 VMG Partners 领投，First Round Capital、Lerer Hippeau、Toba Capital 跟投。公司披露其 annual run rate gross payment volume 已超过 10 亿美元。

  做什么的：为酒类零售店提供 AI-native POS、back office、inventory、invoice reconciliation、pricing intelligence 与 e-commerce 一体化系统。

  为什么值得关注： - 酒类零售是典型“看起来小众、其实极复杂”的行业，SKU 多、分销链长、合规和进销存都很重。 - Scotch 的产品策略不是做通用零售 SaaS，而是把一个被忽视行业的核心工作流 从底层完全重构。 - 对创业者的启发是：最好的垂直 SaaS 机会，往往藏在 被主流软件长期服务不好的细分行业。

  类比参考：“Drizly 之后的 liquor retail OS / 酒类零售版 Toast”

  ---

  6. Mecka（融资）

  

  🔗 链接：官网 | Fortune 报道 | BetaKit 报道

  融资信息：累计宣布 6000 万美元 Series A 相关融资，包括 2500 万美元 Series A 与 3500 万美元 Series A extension；公开报道显示由 Framework Ventures 领投，并获 SV Angel、Ted Xiao 等支持。

  做什么的：做 physical AI 的数据与部署层，采集第一视角真实任务视频、做人类动作理解与评估，把机器人从实验室 demo 推向真实场景部署。

  为什么值得关注： - Physical AI 最缺的不是再多一个模型，而是 足够真实、可训练、可评估、可部署的数据闭环。 - Mecka 的定位不是造机器人，而是做机器人生态里的 integrator + data engine。 - 对创业者的启发是：具身智能的高价值层，未必在整机，更可能在 数据、评估、集成与商业交付中间层。

  类比参考：“Scale AI / Anduril 在 Physical AI 数据层的结合体”

  ---

  7. AethexAI（融资 / 新产品）

  

  🔗 链接：官网 | TechCrunch 报道 | Tech.eu 报道

  融资信息：Pre-seed 300 万美元；由 4DX Ventures 领投，Enza Capital、Dorm Room Fund、Mojo Ventures、Stanford GSB 26 Fund 等参投。

  做什么的：面向中东和非洲市场做方言友好的 voice AI 基础设施，覆盖法语、阿拉伯语、英语的本地口音与低延迟语音交互，并同步推出 API / SDK。

  为什么值得关注： - 它没有沿用通用 voice stack，而是自己做小模型和 orchestration，解决 emerging markets 下的 高延迟、口音复杂、基础设施不均衡 问题。 - 这类公司抓住的是“被全球主流模型忽略的市场空白”，不是正面卷美国标准场景。 - 对创业者的启发是：全球化 AI 创业不一定靠更大模型，很多时候靠 更本地化的数据、更小的模型、更懂区域约束的工程。

  类比参考：“Vapi / ElevenLabs 的新兴市场本地化版本”

  ---

  8. Intuned（新产品 / 值得借鉴）

  

  🔗 链接：官网 | YC Launch | Hacker News

  融资信息：YC S22 公司，本次为新产品/新能力曝光，融资金额本轮未披露。

  做什么的：让用户用自然语言描述需求，由 AI 生成 production-ready 的 Playwright 浏览器自动化代码、部署到平台，并在网站结构变化后自动修复与重部署。

  为什么值得关注： - 它不是普通的“AI 帮你录制 RPA”，而是把 生成代码、运行基础设施、观测日志、故障修复 做成一体化闭环。 - 对很多企业来说，重复执行的浏览器任务需要的是代码级稳定性，而不是一次性演示型 agent。 - 对创业者的启发是：AI 最有价值的形态之一，不是完全替代代码，而是把 代码生产、维护、诊断 这几个最贵环节压缩掉。

  类比参考：“Retool Workflows + Playwright Cloud + self-healing agent”

  2 weeks ago (06-09)

• 0608日报 | 垂直Agent逼近系统层

  0608日报 | 垂直Agent逼近系统层

  今日洞察

  今天最值得创业者注意的，不是又多了一个 AI 助手，而是垂直 AI 产品开始同时向两端延伸：一端往更深的系统执行层走，直接接管诊所、病理、物业、临床试验等高摩擦流程；另一端往更轻的端侧基础设施走，用本地推理把成本、安全和响应速度重新做一遍。对创业者来说，这意味着新一轮机会不在通用聊天层，而在 “结果交付 + 工作流嵌入 + 成本结构重写” 的三者交叉点。

  注：受当前执行环境的浏览器外部导航策略限制，文内截图改为基于公开产品页面信息生成的本地卡片图，用于本地预览与后续分发占位；产品链接均指向官网或融资来源页。

  ---

  1. 万格智元（融资）

  

  🔗 链接：融资报道

  融资信息：天使+轮，数千万元人民币；投资方为峰瑞资本。公开信息显示，此前公司亦获过早期天使轮支持，本次属于轮次更新。

  做什么的：聚焦端侧 AI 推理引擎与本地智能平台，试图把大模型能力从云端搬到个人设备和边缘终端。

  为什么值得关注： - 这不是又一家“做模型”的公司，而是在补 Agent 时代的端侧算力基础设施。 - 如果端侧推理真能把成本再压一个数量级，很多原本只能云上跑的 AI 场景，会第一次具备大规模落地条件。 - 对创业者的启发是：当大家卷应用层时，更低成本、更安全、更可控的部署层 反而可能更容易沉淀壁垒。

  类比参考：“本地优先 AI runtime / 端侧推理引擎版的基础设施公司”

  ---

  2. Care GP（YC S26）

  

  🔗 链接：官网 | YC 页面

  融资信息：YC Spring 2026 批次，融资金额未披露。

  做什么的：用一组 AI agents 接管澳大利亚 GP 诊所的行政与运营流程，覆盖 clinic admin 和 operations。

  为什么值得关注： - 医疗 AI 最难的往往不是诊断，而是那些高频、重复、碎片化的后台工作。 - Care GP 的价值主张很清楚：不是给前台一个聊天助手，而是直接替诊所吞掉行政负担。 - 对创业者的启发是：在强监管行业里，先切运营成本，再切临床决策，通常更容易起量。

  类比参考：“医疗诊所版的 AI back office team”

  ---

  3. Shotwell AI（YC S26）

  

  🔗 链接：官网 | YC 页面

  融资信息：YC Spring 2026 批次，融资金额未披露。

  做什么的：给机器人公司做多模态训练数据的采集、切分、标注和可视化，让机器人模型先把“数据层”打磨好。

  为什么值得关注： - 机器人领域最缺的往往不是模型想法，而是持续、可复用、可解释的数据流水线。 - Shotwell 把“Better data. Better robots.”做成了清晰产品叙事，本质是在卖机器人训练效率。 - 对创业者的启发是：Physical AI 的高价值机会，很多不在整机，而在 上游数据基础设施。

  类比参考：“Scale AI 的机器人数据版”

  ---

  4. Voquill（YC S26）

  

  🔗 链接：官网 | YC 页面

  融资信息：YC Spring 2026 批次，融资金额未披露。

  做什么的：面向病理医生的实时 AI scribe，医生边看切片边口述，系统同步生成结构化报告并写入正确字段。

  为什么值得关注： - 它不是泛化的“医疗语音转写”，而是直接卡在病理报告这个高价值、强结构化、强专业术语的岗位流上。 - 真正的产品壁垒来自 字段级结构化、既有系统兼容、医生个体风格学习。 - 对创业者的启发是：垂直 AI 不一定要颠覆工作流，很多时候 “挂在原系统之上” 反而更容易成交。

  类比参考：“病理科版 Nuance + AI copilot”

  ---

  5. Scope（YC S26）

  

  🔗 链接：官网 | YC 页面

  融资信息：YC Spring 2026 批次，融资金额未披露。

  做什么的：做 Agent Experience 平台，帮助产品团队理解 AI agent 如何发现、理解、尝试和卡住在你的产品里。

  为什么值得关注： - 过去大家做 UX，现在开始有人系统性做 AX（Agent Experience）。 - 当 agent 成为新用户后，传统埋点并不能告诉你 agent 为什么失败，而 Scope 正在补这一层观测与优化工具。 - 对创业者的启发是：如果你的产品未来要被 agent 调用，对 agent 友好 会像移动端适配一样成为基础能力。

  类比参考：“PostHog / FullStory 的 Agent 版”

  ---

  6. Astraea（YC S26）

  

  🔗 链接：官网 | YC 页面

  融资信息：YC Spring 2026 批次，融资金额未披露。

  做什么的：用合规型 agent automation 打通临床试验全流程，从 protocol design 一直到 FDA submission。

  为什么值得关注： - 临床试验一直是最典型的“流程慢、文档重、审计强”领域，非常适合 AI 去压缩周期。 - Astraea 的价值不只在自动化，而在 标准感知、可追踪、可审计 的执行层设计。 - 对创业者的启发是：在高监管赛道卖 AI，最好卖的不是“聪明”，而是 更快且仍然合规。

  类比参考：“Veeva 工作流的 agent 化版本”

  ---

  7. Wato（YC S26）

  

  🔗 链接：官网 | YC 页面

  融资信息：YC Spring 2026 批次，融资金额未披露。

  做什么的：给公司里的 AI agents 提供共享记忆、共享工具、共享工作流和可复用产物，让 AI 工作不再散落在个人聊天线程里。

  为什么值得关注： - 它切中的是真实团队痛点：现在很多公司不是没有 agent，而是 agent 的产出无法沉淀和复用。 - “One MCP for memory, tools, workflows, and agent work” 这个定位很强，说明 agent 协作层开始从 hacky 脚本走向正式产品。 - 对创业者的启发是：当多 agent 成为常态，共享上下文和组织记忆 会变成新的协作基础设施。

  类比参考：“Notion + MCP + agent workspace 的混合体”

  ---

  8. Auxos（YC S26）

  

  🔗 链接：官网 | YC 页面

  融资信息：YC Spring 2026 批次，融资金额未披露。

  做什么的：通过真实受访者构建 1:1 AI customer clones，用于测试定价、创意、问卷、产品路径和市场扩张假设。

  为什么值得关注： - 市场研究正在从“找样本、做访谈、等报告”转向“先用模拟人群高频试错”。 - Auxos 不是泛用户画像工具，而是在卖 决策前模拟，这对增长、品牌、产品团队都很有吸引力。 - 对创业者的启发是：只要你能把“试错成本”压低一个数量级，就可能改写一个老行业的工作方式。

  类比参考：“Qualtrics / 用户研究公司的 AI 模拟版”

  ---

  9. CentralComs（YC S26）

  

  🔗 链接：官网 | YC 页面

  融资信息：YC Spring 2026 批次，融资金额未披露。

  做什么的：为物业管理公司自动处理租客报修、供应商协调和维修跟进，减少物业团队的人力扩张需求。

  为什么值得关注： - 物业是标准的高沟通、高催办、高碎片流程行业，非常适合 AI 接管“推进和协调”层。 - 这类产品的价值不在炫技，而在于把一个看似低科技的行业做成 高 ROI 的 agent 场景。 - 对创业者的启发是：很多最值得做的 AI 产品，不在热门赛道，而在那些没人愿意做、但客户每天都在为之付钱的流程里。

  类比参考：“物业维修调度员的 AI 版”

  ---

  今日 Top 3

  1. 万格智元：端侧推理融资继续升温，说明本地 AI 基础设施正在被资本重新定价。
  2. Scope：Agent Experience 开始从概念变成产品层，未来会成为所有 SaaS 的新适配要求。
  3. Astraea：高监管工作流最先验证了 agent 的真正付费价值——更快交付，而且还能留痕合规。
  2 weeks ago (06-08)