行业报告

从 Token 角度，测算 AI 算力需求

本报告旨在提供一个推理算力需求从用户渗透到 Token 调用、再到硬件支出的分析框架，我们通过对 Google 与微软（OpenAI）未来 Token 调用量、算力总需求和未来硬件支出节奏的测算，得出结论：推理算力需求增长速度快于单位算力成...

Like(0)

Jowe_Lin2025-07-19Deep Dives Views()

2025 年全球与中国 AI 产品收入对比

2025 年，生成式 AI 像极了蒸汽机时代的铁轨——喧嚣、加速，方向却依旧扑朔。张最新收入榜单——全球 100 个 AI 产品与中国 100 个 AI 产品给出了清晰坐标。 1.缺口全球AI产品榜单全年订阅收入 131 亿美元。中国AI...

Like(0)

Jowe_Lin2025-07-19Product Sharing Views()

混合定价模式：软件行业的未来趋势

由于价值错位和成本压力，传统的定价方式正在失效。软件公司对全新颠覆性定价模式的需求比以往任何时候都更高涨。最近，国外科技作者 Kyle Poyar 收集了超过 240 家软件公司的数据，这些公司的年经常性收入（ARR）在 100 万至 2...

Like(0)

Jowe_Lin2025-06-14Deep Dives Views()

独家首发 | 全球价值投资与时代

喜马拉雅资本创始人：李录谢谢姜国华老师，也谢谢常劲老师，以及所有让这门课程得以实现的老师、同行和参加这门课程的同学！今年姜老师来美国访问时，我们聊到，这门课开设十年来，在学界和业界都产生了一定影响，今年申请线上听课的人数已经超过了1000...

Like(0)

Jowe_Lin2025-01-04Product Sharing Views()

2024 GenAI 年度报告 - AIwatch.ai

作者郎瀚威，现居美国硅谷Palo Alto 2024年是人工智能（AI）领域取得突破性进展的一年。随着技术的不断进化，AI不仅进一步渗透到生产力工具、教育、娱乐等垂直赛道，还推动了全球商业生态和用户行为的深刻变革。本报告基于Similarw...

Like(1)

Jowe_Lin2025-01-04Deep Dives Views()

德勤报告：AI Agents如何重塑未来的工作

德勤近期发布报告《 How AI agents are reshaping the future of the work》，重点阐述了Generative AI的扩展功能、应用场景和对企业影响。报告关键要点：如何利用GenAI重新设计业务...

Like(0)

Jowe_Lin2024-12-20Other Views()

2024年生成性人工智能（Generative AI）报告阅读总结

摘要生成性人工智能（Generative AI）作为一种突破性技术，正以前所未有的速度和规模影响全球经济和社会结构。自ChatGPT推出以来，人们对生成性AI的潜力和风险展开了广泛讨论。本报告通过调查超过25,000人，探讨了人们对生成性...

Like(0)

Jowe_Lin2024-11-30Other Views()

快讯

0701日报 | AI推理芯片与编码Agent吸金
0701日报 | AI推理芯片与编码Agent吸金

今日洞察

今天释放了一个极为明确的信号：AI 的钱正在从「训练」加速流向「推理」和「垂直执行」。 Etched（AI 推理芯片）以 $5B 估值宣布 $1B 订单，累计融资 $800M——Andrej Karpathy、Geoffrey Hinton、Fei-Fei Li 全部入场。EquiLibre Technologies（前 DeepMind 扑克 AI 团队）以 $500M 估值完成 Series A，用强化学习跑真金白银的量化交易，与 Tower Research 合作每日交易数十亿。Chamath Palihapitiya 的 8090 Labs 拿下 $135M Series A 做企业级 AI 编码 Agent，亲自出任 CEO。

同时，Agent 经济的基础设施层正在成型：OKX 推出 Agent 市场，让 AI Agent 互相雇佣、结算；Arena（AI 榜单）8 个月做到 $100M ARR，证明「AI 评测」是一门大生意；Pocket 以 $129 的硬件 + 零订阅模式卖出 13 万台；Proception 刚和 Tesla 和解就拿到 $11M 做 robot hand。结论：推理芯片、编码 Agent 和 Agent 经济基础设施，是当下资本最集中的三条赛道。

1. [Etched](https://www.etched.com/)（融资 / AI 推理芯片）

Etched

🔗 链接：官网 | TechCrunch 报道

融资信息：累计融资 $800M，最新一轮 $500M（2025年12月关闭），估值 $50 亿。投资方包括 VentureTech Alliance、Jane Street、Hudson River Trading、Two Sigma、Ribbit Capital、Stripes。天使投资人：Andrej Karpathy、Geoffrey Hinton、Fei-Fei Li、Arthur Mensch、Scott Wu。Stanley Druckenmiller、Peter Thiel 也在 cap table 中。

做什么的：设计专用 AI 推理芯片（Sohu），将芯片 + 定制机架 + 软件打包成「前沿推理集群」，帮助前沿模型跑推理更快、更便宜、更省电。TSMC 已成功流片。

为什么值得关注：
- $1B 合同订单——这不是「可能的市场」，而是已签约的真金白银。当推理成为 AI 公司最大的成本中心时，任何能降低推理成本的方案都会被疯狂抢购。
- 投资方阵容是最强信号：Jane Street、Hudson River Trading、Two Sigma——全球最精明的量化基金都在投。天使名单中 Karpathy + Hinton + Fei-Fei Li = AI 学术界 + 工业界的天花板组合。
- 创始人 Gavin Uberti 和 Robert Wachen 都是哈佛辍学生，2022 年创立。从「大学宿舍到 $50 亿估值」只用了 4 年。
- 对创业者的启发：推理是 AI 的后半场。训练芯片（Nvidia）的战已经打完，推理芯片的战才刚开始。专用芯片 > 通用芯片，在推理领域这个定律正在被验证。
类比参考**：**「推理版的 Nvidia / AI 芯片界的 Cerebras」

2. [EquiLibre Technologies](https://equilibre.ai/)（融资 / AI 量化交易）

EquiLibre

🔗 链接：官网 | TechCrunch 报道

融资信息：Series A（金额未披露），估值 $5 亿。由 Creandum 领投——这是该 VC 历史上最大单笔投资。

做什么的：用强化学习做量化交易。三位前 DeepMind 研究员（含 CEO Martin Schmid）曾打造击败人类的扑克 AI，现在将同样的 RL 技术应用于股市。与 Tower Research Capital 合作，每天在标普 500 和纳斯达克交易数十亿美金，自 2025 年以来「每月正收益，零负月」。

为什么值得关注：
- 从扑克到交易是 RL 最自然的商业化路径：评分标准极为清晰——赚了多少钱。不需要人工标注数据，不需要主观评估，市场直接给出 reward。
- 合作模式极聪明：不是自己开基金，而是与 Tower Research（顶级量化公司）合作提供技术。技术授权 > 自己下场，风险更低，规模化更快。
- Creandum 是 Spotify、Klarna 的早期投资人，他们押下史上最大单注说明信心极强。
- 对创业者的启发：RL 在游戏中的成功可以平移到任何有明确评分标准的领域。金融是第一个，接下来可能是供应链优化、能源调度、广告竞价。
类比参考**：**「DeepMind 版的 Renaissance Technologies / RL 版的 Tower Research」

3. [8090 Labs](https://8090labs.com/)（融资 / 企业级 AI 编码）

🔗 链接：TechCrunch 报道

融资信息：$1.35 亿 Series A。由 Salesforce Ventures 领投，WndrCo、Craft Ventures（David Sacks）、The Production Board（David Friedberg）、Launch（Jason Calacanis）跟投。天使：Palo Alto Networks CEO Nikesh Arora、Quora CEO Adam D'Angelo。

做什么的：AI 编码 Agent「Software Factory」，专为企业编程团队设计，强调生产级代码质量（而非 vibe-coded 原型），提供审计追踪等企业级管控。

为什么值得关注：
- Chamath 亲自出任 CEO——这位 All-In Podcast 主持人和 Social Capital 创始人说「自离开 Facebook 以来，一直在等待这样的时刻回归全职运营」。当一线 VC 从「投资人」变回「创始人」，信号极为强烈。
- 产品定位精准：不是做通用编码助手，而是专攻企业级代码——审计追踪、合规管控、生产质量。这正好击中大企业用 AI 编码时最大的顾虑。
- 融资结构本身就是信号：Salesforce Ventures 领投意味着企业渠道的即时接入。Craft Ventures（David Sacks）+ All-In 主持人集体下注。
- 对创业者的启发：AI 编码的下一个战场不是「能不能写代码」，而是「能不能在企业环境里安全地写代码」。合规和审计是进入大企业的入场券。
类比参考**：**「企业版 Cursor / 合规版 GitHub Copilot」

4. [Arena](https://lmarena.ai)（商业模式 / AI 评测）

Arena

🔗 链接：Arena 榜单 | TechCrunch 报道

融资信息：起源于 UC Berkeley 2023 年的研究项目。商业化仅 8 个月，已达 $1 亿年化收入（ARR）。

做什么的：运营全球最受欢迎的 AI 模型性能排行榜（1000 万+ 用户评测），并向模型实验室和企业提供深度性能分析服务（AI Evaluations）。

为什么值得关注：
- 从研究项目到 $100M ARR 只用了 8 个月——这可能是 2026 年最快的商业化路径。免费的众包榜单（获客）→ 付费的企业深度分析（变现），堪称教科书级的 PLG（Product-Led Growth）。
- 竞争对手 Yupp（另一个 AI 榜单）已经在 3 月关闭——这个赛道有极强的赢家通吃效应。社区一旦形成规模，新进入者极难追赶。
- CEO Anastasios Angelopoulos 说「很多人甚至不知道我们在赚钱」——这说明免费产品的品牌效应远超付费服务。
- 对创业者的启发：「评测」本身可以是一个大生意。任何存在选择困难的品类（AI 模型、SaaS 工具、云服务），谁拥有最权威的评测平台，谁就掌握流量入口。
类比参考**：**「AI 版 Niche / G2 / AI 模型的 Michelin Guide」

5. [Acti](http://openacti.com)（新产品 / AI 键盘 Agent）

Acti

🔗 链接：官网 | iOS | TechCrunch 报道

做什么的：新加坡初创公司推出的 AI Agent 键盘（iOS + Android），不只是预测下一个词，还能在所有 app 中代你执行操作——推荐餐厅、查股票、翻译、生成回复。由 Google Gemini 驱动。

为什么值得关注：
- 产品形态极为大胆：不做一个新的 AI app，而是占领你已有的输入入口。键盘是手机上使用频率最高的「软件」，每个 app 都离不开它。这意味着 Acti 不需要用户切换应用就能提供 AI 能力。
- 「键盘作为 Agent 入口」的思路解决了一个核心问题：用户不想为了用 AI 而打开另一个 app。AI 应该在你已经工作的地方出现，而不是要求你去它那里。
- 跨 app 的上下文层设计精妙：Acti 能看到你在微信聊什么、在邮件写什么、在搜索什么——这是构建个性化 AI 助手最丰富的数据源（当然也引发隐私问题）。
- 对创业者的启发：最高频的入口往往不是新场景，而是已经存在的「系统级」界面。键盘、通知栏、分享菜单——这些都是 AI Agent 的潜在入口。
类比参考**：**「Agent 版的 SwiftKey / 键盘层的 Apple Intelligence」

6. [Base44](https://base44.com/)（产品战略 / 自研模型）

Base44

🔗 链接：官网 | TechCrunch 报道

融资信息：Wix 以 $8000 万收购（收购时公司仅成立 6 个月，团队 8 人）。目前已达 $1.5 亿 ARR。

做什么的：Vibe-coding 平台（用自然语言创建应用），最近开始训练自有 AI 模型 Base1，用平台积累的「数千万真实用户交互」数据训练，目标是超越前沿模型的性价比。

为什么值得关注：
- 「 Wrapper 」反义词：当所有人质疑 AI 应用层只是「GPT wrapper」时，Base44 用行动回答——从 wrapper 走向自研模型，用专有数据训练垂直 LLM。这是 AI 应用公司建立护城河的模板路径。
- $80M 被收购时仅 8 人团队、6 个月历史——然后迅速做到 $150M ARR。这是 AI 时代「并购后增长」的新范式：大平台收购小团队，小团队借助大平台的分发渠道实现爆发式增长。
- Base44 的创始人 Maor Shlomo 说：「有足够规模和速度的玩家最终都会训练自己的模型」——这意味着 AI 应用层的终局不是调用 API，而是数据飞轮 + 自研模型。
- 对创业者的启发：先用别人的模型快速起量，积累专有数据，然后训练自己的模型——这是 AI 应用的经典三段式护城河建设路径。
类比参考**：**「Vibe-coding 版的 Character.AI / 自研模型的 Lovable」

7. [Pocket](https://www.heypocket.com/)（融资 / AI 硬件）

Pocket

🔗 链接：官网 | TechCrunch 报道

融资信息：$1100 万融资，由 Accel 领投，YC、ElevenLabs CEO Mati Staniszewski 参投。

做什么的：$129 的信用卡大小的录音贴片，贴在手机背面，提供无限录音、转录和待办生成。无订阅费。已售超 13 万台。

为什么值得关注：
- $129 一次性买断 + 零订阅——在 AI 硬件领域几乎是一股清流。当所有 AI 产品都在收月费时，「一次购买，永久免费」成为极强的差异化卖点。
- 13 万台的销量证明了 AI 硬件不是伪命题。关键在于选对了场景：会议录音 + 转录是职场刚需，比 Rabbit 和 Humane 的「通用 AI 设备」靠谱得多。
- 竞争对手众多（Plaud、Mobvoi、Anker、Viaim、Vibe），但 Pocket 用设计 + 定价取胜。$129 的信用卡贴片比一个独立的录音笔更自然——它利用了你已有的设备（手机）。
- 对创业者的启发：AI 硬件的最佳策略是「贴片式」而非「独立式」。不要做新设备，而是做已有设备的增强配件。价格要一次性买断，不要订阅。
类比参考**：**「AI 版 Plaud Note / 会议版的 AirTag」

8. [Omen AI](https://www.omen.ai/)（融资 / AI 基建运维）

Omen AI

🔗 链接：官网 | TechCrunch 报道

融资信息：$3100 万 Series A，由 Nava Ventures 领投，CRV、Vanderbilt University、Mann+Hummel、Starhill Holdings、Hard Launch Capital 参投。

做什么的：用微型光谱仪实时监测数据中心液冷液体的化学健康——检测细菌滋生，避免停机清洗造成的数百万损失。

为什么值得关注：
- 切入了一个极为隐蔽但极其昂贵的痛点：AI 算力爆发 → GPU 功耗上升 → 液冷温度升高 → 冷却液中水比例增加 → 细菌滋生 → 系统堵塞 → 停机 5-6 小时 → 损失数百万。这是 AI 基础设施的「蝴蝶效应」。
- 创始人 Zach Laberge，2020 年创立第一家公司时年仅 14 岁，融了 $300 万后从高中辍学。2024 年创立 Omen AI。这种「连续创业少年」的故事本身就是品牌。
- 产品逻辑清晰：不是卖软件订阅，而是硬件（光谱仪传感器）+ 实时监测软件的组合。数据中心的运维预算极大，且决策链短。
- 对创业者的启发：AI 基建不只意味着芯片和算力，还意味着围绕算力的一切物理基础设施——冷却、电力、网络、安全。这些「基建的基建」往往是最大的盲区，也是最大的机会。
类比参考**：**「数据中心版的 Casana / AI 基建版的 Predictive Maintenance」

9. [Proception](https://proception.ai/)（融资 / 机器人手）

🔗 链接：官网 | TechCrunch 报道

融资信息：$1100 万种子轮，由 First Round Capital 领投，YC、BoxGroup 参投。

做什么的：制造高灵巧度机器人手，首批产品已发货给研究机构和机器人公司。目标是成为「不想自己造手」的机器人公司的顶级供应商。

为什么值得关注：
- 创始人 Jay Li 是 Tesla Optimus 前技术负责人，被 Tesla 起诉窃取商业机密后达成和解。Elon Musk 自己说过「机器人手是最大的工程难题之一」——Li 正面攻这个难题。
- 定位为「组件供应商」而非「整机厂商」——这是极为聪明的市场定位。当所有人都在做完整的人形机器人时，Proception 专注于最难的那个部件（手），卖给所有需要的人。
- 与 Tesla 的诉讼和解本身就是一个「压力测试」——Li 说「杀不死你的让你更强」。和解后立刻宣布融资和发货，节奏控制得极好。
- 对创业者的启发：在人形机器人赛道，「卖铲子」可能比「挖金子」更稳。做所有人都不愿意自己做但都需要的核心部件，就是最大的议价权。
类比参考**：**「机器人版 Intel / 人形机器人手的 Tier 1 供应商」

值得重点跟踪的 3 个信号

1. 推理芯片赛道正式进入「订单验证」阶段：Etched 的 $1B 合同订单 + Nvidia 对手密集涌现，说明 AI 芯片的竞争从「架构设计」进入「商业交付」。训练芯片看 Nvidia，推理芯片的胜负未定——这是半导体领域十年来最大的开放窗口。

2. AI 编码 Agent 的「企业级」分层正在形成：8090 Labs（$135M Series A）专攻企业级编码合规，Base44 从 wrapper 走向自研模型。通用编码 Agent（Cursor、Copilot）已经成熟，下一个战场是「能通过企业审计的 AI 编码」。

3. Agent 经济的基础设施正在从概念走向产品：OKX 的 Agent 市场（互相雇佣和结算）、Arena 的 $100M 评测生意、Acti 的键盘 Agent 入口——这些不是 Agent 本身，而是 Agent 经济的「银行、评级机构和操作系统」。谁建好了这些基础设施，谁就掌握了 Agent 时代的流量入口。
3 days ago
0628日报 | 垂直AI产品密集爆发
0628日报 | 垂直AI产品密集爆发

今日洞察

今天的信号极为清晰：AI 不再只是写代码和写文案的工具——它正在解决存在了千年的物理世界问题，并在金融和招聘领域产生可量化的 ROI。 HaloBraid 拿下 $7M 种子轮（Reddit 联合创始人 Alexis Ohanian 的 Seven Seven Six 领投），用机器人辅助编发——这个全球每年消耗 80 亿小时的手工活终于有了自动化方案。Fika Jobs 拿 $4M 预种子轮，让 AI Agent 真正执行视频面试，把招聘流程 TikTok 化。AI Berkshire（GitHub 4.1K star）更硬核——用 Claude Code 多 Agent 框架跑真实投资组合，2024 年收益 +69%，连续两年跑赢标普 500 超 46 个百分点。

基建层面，Agent 生态持续纵深演进：Cognee（24K star，日增 780）给 Agent 装上持久记忆；Workweave Router（HN 201 赞）50ms 内智能路由模型，编码 Agent 成本直降 40-70%；OpenSpec（57K star）正在把 spec-driven development 变成 AI 辅助编码的标准方法论。而地缘政治层面，Sakana AI 的 Fugu 模型趁 Anthropic 出口禁令窗口期发布，展示了监管壁垒如何为非美国 AI 公司创造即时市场空隙。结论：当 AI 开始帮你编头发、面试候选人、管理投资组合——垂直 AI 已经从「新鲜感」跨入「实用工具」阶段。

1. HaloBraid（融资 / 机器人 + AI）

🔗 链接：官网 | TechCrunch 报道

融资信息：700 万美元种子轮，由 Seven Seven Six（Reddit 联合创始人 Alexis Ohanian 的风投基金）领投。

做什么的：用机器人辅助编发——发型师起头后，设备能在数秒内完成剩余编发。首个产品将于今年晚些时候上市，面向专业沙龙。

为什么值得关注： - 切入了一个被科技遗忘的千亿级市场：全球每年花在编发上的时间估计达 80 亿小时，95% 的受访者表示如果更快就会更频繁地编发。这是一个「人人都知道是痛点，但没人觉得能用技术解决」的领域。 - 创始人 Yinka Ogunbiyi，哈佛工程硕士 + MBA，此前创办过智能厨电公司。她把编发视为一个工程问题而非美学问题——这种思维方式本身就很稀缺。 - 产品定位极为聪明：不是替代发型师，而是辅助发型师。这意味着不会遭到行业抵制，反而被从业者视为救星（减少职业病、提高翻台率）。 - 对创业者的启发：AI + 硬件的最大的机会不在工厂，而在那些「从来没被自动化过」的服务业。千年手艺 + AI = 新品类。

类比参考：「编发版的 Da Vinci 手术机器人 / 美业版的 Tesla Optimus」

2. Fika Jobs（融资 / AI 招聘）

🔗 链接：官网 | TechCrunch 报道

融资信息：400 万美元预种子轮。Stockholm 团队。

做什么的：视频优先的招聘平台——候选人连接 LinkedIn 后，AI Agent 生成个性化面试问题，进行约 10 分钟的视频面试，自动将回答剪辑成短视频档案。雇主像刷 TikTok 一样发现候选人。当前由 Google Gemini 驱动。

为什么值得关注： - 不是用 AI 筛简历，而是用 AI 替代整个初面环节。这比传统的 ATS（Applicant Tracking System）更激进——AI Agent 直接与候选人对话、追问、生成评价。 - 产品形态融合了三个趋势：AI Agent 做重复性工作 + 短视频内容消费习惯 + LinkedIn 式职业身份。LinkedIn + TikTok + AI Interviewer 的组合极为新颖。 - 创始人分享的 aha moment 很有共鸣：差点因为简历不出彩错过一个优秀候选人，因为亲自聊了才发现。Fika 本质上是在规模化「亲自聊」这个动作。 - 对创业者的启发：AI Agent 在 HR 领域的最佳切入角不是「筛选」，而是「对话」。让 Agent 真正和候选人交流，比让它看简历有效 100 倍。

类比参考：「招聘版的 ChatGPT + TikTok / AI 原生的 HireVue」

3. Sakana AI Fugu（产品发布 / 地缘 AI）

🔗 链接：Fugu 官网 | TechCrunch 报道

融资信息：Sakana AI 此前已获多轮融资（包括 Nvidia 投资），估值超 $10 亿。Fugu 为最新发布的前沿模型。

做什么的：以日语「河豚」命名的前沿 AI 模型，声称与 Anthropic 的 Fable 5 和 Mythos Preview 并驾齐驱，专为 Agent 编排设计，能通过 API 调用其他模型。在 Anthropic 出口禁令持续期间打出了「前沿能力，无出口管制风险」的口号。

为什么值得关注： - 教科书级的市场时机把握：Anthropic 被 Trump 政府禁止向非美国用户提供 Mythos/Fable 模型，全球用户突然失去最强 Agent 模型的访问权。Sakana 在这个窗口期推出对标产品，官网直接写「delivering frontier capability without the risk of export controls」——这不是巧合，是精准的市场卡位。 - Sakana 由前 Google 研究员 Ren Ito、Llion Jones 和 David Ha 于 2023 年在东京创立，专注小数据集和日语优化。Fugu 的发布标志着它从「日本本土 AI 公司」升级为全球 Agent 模型竞争者。 - 同期中国 360 公司发布了「屠龙风」网络安全 AI，声称可对标 Mythos。亚洲 AI 公司正在集体填补 Anthropic 出口禁令留下的真空。 - 对创业者的启发：地缘政治的突变会在一夜之间创造巨大的市场缺口。谁准备好了替代方案，谁就能吃下这波红利——这不只是运气，是长期产品积累 + 时机敏锐度的结合。

类比参考：「日本版 DeepSeek / Agent 编排版的 Hugging Face」

4. Cognee（开源 / Agent 记忆层）

🔗 链接：GitHub | 官网

融资信息：开源项目（MIT），GitHub 24,000+ star，日增 780 star。已有 Claude Code 插件和 Rust 客户端。

做什么的：开源 AI Agent 记忆平台——接入任何格式的数据，自动构建自托管的知识图谱，让 Agent 在跨会话中保持持久长期记忆。结合向量嵌入、图谱推理和认知科学本体论。

为什么值得关注： - Agent 记忆是 Agent 生态最关键的缺失环节之一。当前大多数 Agent 每次对话都从零开始，无法积累对用户和业务的认知。Cognee 把「记忆」变成了一个可插拔的基础设施层。 - 技术方案极为扎实：不只是向量搜索，而是知识图谱 + 向量嵌入 + 认知科学本体论的三层架构。有相关研究论文发表在学术期刊上。 - 生态布局全面：已有 Claude Code 插件（claude-code-plugin）、Rust 客户端（cognee-rs）、TypeScript 客户端（@cognee/cognee-ts），以及 OpenClaw 插件。这不是一个 hobby project，而是一个有商业生态野心的基础设施。 - 对创业者的启发：Agent 的「大脑」（LLM）已经很强大，但「海马体」（记忆）还是空白。谁能做好 Agent 的记忆层，谁就是 Agent 时代的数据库公司。

类比参考：「Agent 版的 Pinecone + Neo4j / AI 时代的 Mem0」

5. Workweave Router（开源 / Agent 成本优化）

🔗 链接：GitHub | HN 讨论

融资信息：Weave（工程智能平台，客户含 Robinhood、PostHog、Reducto）出品。HN 201 赞，GitHub 468 star。

做什么的：模型路由代理——一个本地代理端点，在 50ms 内自动为每个 prompt 选择最优模型。支持 Anthropic、OpenAI、Gemini 的原生 API，也支持 DeepSeek、Kimi、GLM、Qwen 等开源模型。一行命令 npx @workweave/router 搞定。

为什么值得关注： - 解决了 Agent 时代最痛的问题：用 GPT-4 做所有事情太贵，手动切模型太累。Router 用一个基于 Avengers-Pro 1 的集群评分器，在每次请求时自动选择最优模型，声称降低 40-70% 成本。 - 产品体验极佳：不需要改代码，只需要把 Claude Code / Codex / Cursor 指向 localhost:8080，Router 自动接管所有模型选择。零代码侵入的成本优化。 - BYOK（Bring Your Own Key）设计——密钥本地加密存储，不走第三方服务器。对企业安全团队友好。 - 对创业者的启发：多模型时代，模型路由不是一个功能，而是一个独立品类。类似 CDN 之于 Web——用户不需要知道后端路由逻辑，只需要更快更便宜的结果。

类比参考：「AI 版 Cloudflare Workers Router / Coding Agent 的 Portkey」

6. PPT Master（开源 / AI 内容生产）

🔗 链接：GitHub

融资信息：开源项目，GitHub 33,100+ star，日增 589 star。有多个赞助商（PackyCode、APIKEY.FUN 等）。

做什么的：AI 从任何文档生成真正可编辑的 PowerPoint——原生形状和动画，支持自定义 .pptx 模板，演讲者备注由 AI 语音生成。不是生成图片slide，而是生成可二次编辑的原生 PPT。

为什么值得关注： - 核心差异点极为关键：市面上大部分 AI 做 PPT 是生成截图/图片，用户无法编辑。PPT Master 生成的是原生 PowerPoint 格式——每个文本框、图形、动画都可以在 PowerPoint 中修改。这是「AI 生成」和「AI 赋能」的本质区别。 - 33K+ star 说明痛点极为广泛。在中国市场（项目主语言为中文），PPT 制作是职场最高频的「时间黑洞」之一。 - 开源 + 赞助商模式：项目本身免费，但通过推荐 API 中转服务（PackyCode、APIKEY.FUN 等）变现。这是一种巧妙的「流量变现」开源商业模式——项目越火，API 中转的佣金越多。 - 对创业者的启发：AI 内容生成的下一个竞争维度不是「能不能生成」，而是「生成的东西能不能用」。从图片到原生格式，是质变。

类比参考：「开源版的 Gamma / 可编辑版的 Beautiful.ai」

7. OpenSpec（开源 / AI 开发方法论）

🔗 链接：GitHub

融资信息：Fission-AI 出品，开源项目。GitHub 57,100+ star——今天榜单中 star 数最高的项目。

做什么的：为 AI 编码助手设计的规格驱动开发（Spec-Driven Development）框架。通过 /opsx:propose → /opsx:apply → /opsx:archive 的工作流，让 AI 编码助手先理解需求、制定方案、生成任务清单，再逐步实现——而非直接盲目写代码。

为什么值得关注： - 57K star 的惊人数字说明了一件事：开发者迫切需要「管理 AI 编码助手」的方法论。当 AI 可以瞬间生成代码，瓶颈不再是编码速度，而是「让 AI 做对的事」。 - OpenSpec 的哲学与传统 SDD（规格驱动开发）不同：fluid not rigid、iterative not waterfall、built for brownfield not just greenfield。它不是在管理人类开发者，而是在管理 AI 开发者。 - 工作流设计极为精妙：/opsx:explore（探索）→ /opsx:propose（提案）→ /opsx:apply（实现）→ /opsx:archive（归档）。每一步都有结构化输出（proposal.md、specs/、design.md、tasks.md）。这实际上是在给 AI 编码助手做项目管理。 - 对创业者的启发：AI 编码助手的最大问题不是代码质量，而是需求理解。谁能让 AI 先「听懂」再做，谁就解决了 AI 编码的最后一块拼图。

类比参考：「AI 编码版 Scrum / Coding Agent 的产品经理」

8. AI Berkshire（开源 / AI 投研）

🔗 链接：GitHub

融资信息：开源项目，GitHub 4,100+ star，日增 685 star。中文社区项目。

做什么的：基于 Claude Code / Codex 的价值投资研究框架——将巴菲特、芒格、段永平、李录四位投资大师的方法论系统化，通过多 Agent 并行对抗分析，输出结构化投资建议。有真实实盘业绩验证。

为什么值得关注： - 这是目前看到的用 AI Agent 做专业投研最有说服力的案例。不是回测模拟，是真金白银：2024 年 +69.29%，2025 年至今 +66.38%，连续两年大幅跑赢标普 500、恒生指数和沪深 300。两年累计收益超 146 万元。 - 核心创新是多大师视角对抗：不是让 AI 给出平衡分析（「一方面...另一方面...」），而是让四个视角产生真实的矛盾和张力，最后强制给出结论——通过/不通过/灰色地带，带具体价格区间。 - 「镜子测试」设计精妙：5 句话说不清投资逻辑 = 不买，没有例外。这是把投资纪律编码为 Agent 规则。 - 对创业者的启发：AI Agent 在金融领域的最佳实践不是预测股价，而是系统化执行已验证的投资方法论。AI 不创造新智慧，而是严格执行大师的纪律——这比「AI 选股」靠谱 100 倍。

类比参考：「Claude Code 版的 Bridgewater / 一个人就能运营的伯克希尔」

值得重点跟踪的 3 个信号
1. AI 正在解决「从来没被自动化过」的物理世界问题：HaloBraid 用机器人编发，切入的是一个存在数千年、全球年耗 80 亿小时的手工活。AI + 硬件的最大机会不在工厂，而在服务业中被忽视的角落。
2. 「管理 AI 编码助手」本身正在成为一个品类：OpenSpec（57K star）管理 AI 需求理解，Workweave Router（201 HN 赞）管理 AI 模型选择，Cognee（24K star）管理 AI 记忆。当 Agent 越来越强，「谁来管理 Agent」就是最大的新赛道。
3. 地缘政治正在重塑全球 AI 格局：Sakana Fugu 趁 Anthropic 出口禁令窗口期推出，中国 360 发布对标 Mythos 的屠龙风——监管壁垒正在为非美国 AI 公司创造前所未有的市场机会。对于关注出海的中国 AI 创业者，这是一个值得高度重视的信号。
6 days ago
0627日报 | AI基建赛道百亿融资爆发
0627日报 | AI基建赛道百亿融资爆发

今日洞察

今天释放了一个极其强烈的信号：AI 基础设施层正在吸收百亿级资金，而且每一层都有专业玩家填位。Patronus AI 拿下 $50M B 轮（收入一年涨 15 倍），专门做 Agent 压力测试——几乎所有前沿 AI 实验室都是它的客户；General Intuition 以 $23 亿估值拿了 $3.2 亿，用游戏行为数据训练通用 Agent；Unconventional AI 由 Databricks 前 AI 主管创立，要用振荡器芯片把推理功耗降低 1000 倍；Netris 拿了 a16z 的 $15M A 轮，做 AI 云的网络自动化。与此同时，开源生态也在狂飙：Google Labs 的 design.md 一天 2400+ star，为 Coding Agent 定义设计系统标准；Garry Tan（YC 总裁）开源了自己的 Claude Code 工具栈 gstack。结论：当所有人都在关注模型层和应用层时，真正赚到大钱的是「让 Agent 可靠运行」的基建层。

1. Patronus AI（融资 / Agent 测试评估）

🔗 链接：官网 | TechCrunch 报道

融资信息：5000 万美元 B 轮，由 Greenfield Partners 领投，Notable Capital、Lightspeed、Datadog、Samsung 参投。总融资达 $70M。

做什么的：构建「数字世界模型」——为 AI Agent 创建模拟网站和内部系统的复刻环境，用强化学习在这些环境中压测 Agent 的表现，发现 Agent 走捷径、偷懒或出错的行为。

为什么值得关注： - 收入一年增长 15 倍，几乎所有前沿 AI 实验室和大量初创公司都是客户。投资人形容需求「几乎是永不满足的」。 - 类比 Waymo 用合成世界训练自动驾驶——Patronus 用同样的思路训练和验证 AI Agent。Agent 倾向于「走捷径」，Patronus 最擅长的是「抓住这些偷懒行为并追责」。 - 创始人 Anand Kannappan 和 Rebecca Qian 均来自 Meta AI Research。 - 对创业者的启发：Agent 评估和测试不是一个辅助工具，而是一个独立赛道。当 Agent 被赋予越来越多自主权，「验证它做得对不对」本身就是刚需。

类比参考：「AI Agent 版 Waymo 模拟器 / Agent 的渗透测试公司」

2. General Intuition（融资 / 通用 Agent 训练）

🔗 链接：官网 | TechCrunch 深度报道

融资信息：3.2 亿美元融资，估值 23 亿美元。由 Medal（游戏剪辑分享平台）孵化。

做什么的：用数亿小时的游戏行为数据（包含玩家按键的 action label）训练通用 Agent 模型——同一个「大脑」可以在游戏世界中导航，也能驱动物理世界的四足机器人。

为什么值得关注： - 核心洞察：视频数据不够，action data（行为标签）才是让 AI 理解因果的关键。竞争对手试图从视频推断行为，General Intuition 直接拥有 Medal 积累的数亿小时带 action label 的游戏数据。 - 在 TechCrunch 记者的实地体验中，仅用 8 分钟真实世界数据就完成了四足机器人的微调——这意味着 sim-to-real 的迁移效率极高。 - 世界模型不是产品，而是训练环境（内部称为「gym」）。最终产品是 Agent 模型本身。 - 对创业者的启发：行为数据（action data）是下一个「数据金矿」。谁拥有独特的行为数据集，谁就能训练出与众不同的 Agent。

类比参考：「游戏版 DeepMind / 用 Fortnite 训练出来的 Physical Intelligence」

3. Unconventional AI（产品发布 / AI 芯片）

🔗 链接：官网 | TechCrunch 报道

融资信息：具体轮次未披露，团队不到 50 人。创始人 Naveen Rao 曾任 Databricks AI 主管、此前创办 Nervana Systems（被 Intel 收购）。

做什么的：基于振荡器（oscillator-based）的新计算架构，目标是把 AI 推理功耗降低 1000 倍。刚发布首个模型 Un-0——用软件模拟新架构跑图像生成，效果对标 Stable Diffusion / GPT Image 1。

为什么值得关注： - 如果 claims 成立，这意味着 AI 推理的能源成本从 $1 降到 $0.001——这是整个 AI 行业的能源瓶颈破解方案。 - Naveen Rao 是 AI 芯片赛道的老兵：Nervana Systems 被Intel 以 $4 亿收购，他在 Databricks 管 AI 全局。他的再次创业本身就是一个强信号。 - 当前 Un-0 跑在软件模拟上，但芯片设计图即将发布。计划从芯片到推理栈全部自建。 - 对创业者的启发：AI 的终极瓶颈不是算力，而是能源。谁能解决能效问题，谁就能定义下一代 AI 基础设施。

类比参考：「推理版 Cerebras / AI 能效的特斯拉——从芯片到服务全栈自建」

4. Netris（融资 / AI 云网络自动化）

🔗 链接：官网 | TechCrunch 报道

融资信息：1500 万美元 A 轮，由 a16z 领投（合伙人 Guido Appenzeller 加入董事会）。Nvidia 两年前看到 demo 后主动推荐客户。

做什么的：AI neocloud 的网络自动化平台——软件跑在网络交换机上，自动化配置、部署和运维，帮助新兴 AI 云服务商将上线时间从数月缩短到数天。已部署在 35+ GPU 集群（约 100 万块 GPU），客户包括 Lightning AI、Foxconn、HPE、TensorWave 等。

为什么值得关注： - 不用 AI 做 AI 基础设施——创始人明确说：「AI 不是确定性的，配置数千台交换机不需要创造力，需要的是极致的持久和可重复」。这个判断对创业者非常有启发。 - Nvidia 主动背书说明这个方案解决了 GPU 部署的真实瓶颈——有 GPU 但网络配不通，是 neocloud 最常见的死亡原因。 - 厂商无关（vendor-agnostic），兼容 Nvidia 和 AMD 的服务器和网络设备。 - 对创业者的启发：不是所有 AI 时代的基础设施都需要用 AI 来做。确定性算法在特定场景下比 AI 更可靠。

类比参考：「AI 云版 Cisco DNA Center / neocloud 的 Cloudflare」

5. Aseon Labs（YC Spring 2026 / 机器人）

🔗 链接：官网 | TechCrunch 报道

融资信息：1000 万美元种子轮，由 Crane Venture Partners 领投。YC Spring 2026 批次。

做什么的：为 Robotaxi 打造「 robotic pit stops」——停车场大小的自动化舱体，分散在城市中自动检查、清洁和充电 Robotaxi。用 vision-language-action 模型识别问题（如后座融化巧克力不clean，直接送回中央 depot）。

为什么值得关注： - 切入了一个 Robotaxi 行业最大的痛点：deadhead miles（空驶里程）——没有乘客的行驶里程，是 Robotaxi 公司无法盈利的核心原因。 - 创始团队来自 Pushme（电池更换网络，被 Tier Mobility 收购），深谙「硬件 + 地产 + 快速部署」的 playbook。舱体被设计为临时建筑，避免了漫长的审批流程。 - 虽未签约 Robotaxi 公司，但 CEO 说「所有人都想试」。 - 对创业者的启发：当所有人都在做 Robotaxi 本身，做 Robotaxi 的「运营基础设施」可能更有商业价值。补充赛道的机会窗口往往被忽视。

类比参考：「Robotaxi 版换电站 / 自动驾驶的加油站网络」

6. design.md（开源 / Agent 标准化）

🔗 链接：GitHub

融资信息：Google Labs 出品，开源项目。GitHub 单日 2407 star，当日趋势 #1。

做什么的：一个格式规范——用 DESIGN.md 文件向 Coding Agent 描述视觉设计系统。类似于 README.md 描述项目、CONTRIBUTING.md 描述贡献规则，DESIGN.md 让 AI 编码 Agent 拥有对设计系统的持久化、结构化理解。

为什么值得关注： - 填补了 Coding Agent 生态的关键空白：当前 AI 编码 Agent 可以写代码、写测试，但完全不懂设计——每次生成 UI 都需要人工调整。DESIGN.md 让 Agent 有了「设计品味」的参考框架。 - 单日 2400+ star 的爆发速度说明这个痛点极为普遍。 - 对创业者的启发：Agent 时代的「约定优于配置」正在向设计领域延伸。每个垂直领域都可能需要类似的 Agent 可读标准文件。

类比参考：「UI 版 .cursorrules / Coding Agent 的设计系统即文档」

7. gstack（开源 / Agent 工具栈）

🔗 链接：GitHub

融资信息：Garry Tan 个人开源项目（MIT）。GitHub 单日 950 star。

做什么的：Garry Tan（Y Combinator 总裁）的 Claude Code 精确配置——23 个工具，分别扮演 CEO、设计师、工程经理、发布经理、文档工程师和 QA 角色。一键安装，让 Claude Code 变成一个完整的「一人公司」团队。

为什么值得关注： - YC 总裁亲自开源自己的 Agent 工具栈，本身就是一个巨大的信号。这说明顶级 AI 投资人认为 Agent 工作流标准化是当前最值得关注的方向。 - 23 个工具的角色分工设计极为精妙：不是简单的 prompt 模板，而是把组织管理方法论注入到 Agent 编排中。 - 对创业者的启发：Agent 不是在替代「开发者」，而是在替代「团队」。设计 Agent 工作流时，应该从组织架构的角度思考，而不是从代码角度。

类比参考：「开源版「一人公司」操作系统 / Claude Code 版 Virtual Team」

8. OpenMontage（开源 / Agent 视频生产）

🔗 链接：GitHub

融资信息：开源项目（协议待确认）。GitHub 单日 1754 star，Python 趋势 #1。

做什么的：全球首个开源的 Agentic 视频制作系统——12 条流水线、52 个工具、500+ Agent 技能。把 AI Coding Assistant（Claude Code、Cursor 等）变成一个完整的视频制作工作站。

为什么值得关注： - 和昨天日报中 iart.ai Motion Skills（50 个动画技能包）形成互补：Motion Skills 做的是创意技能包，OpenMontage 做的是完整的制作流水线。 - 500+ Agent 技能 + 12 条流水线的模块化设计，意味着视频制作的每一个环节（剪辑、特效、配乐、字幕、渲染）都有对应的 Agent 工具。 - 对创业者的启发：Agent 技能正在从「代码/文档」扩展到「创意内容生产」。Agent 版 Adobe Premiere / Final Cut Pro 的开源实现正在出现。

类比参考：「Agent 版 Adobe Premiere / 开源的 Sora 工作站」

9. Agent-Reach（开源 / Agent 数据获取）

🔗 链接：GitHub

融资信息：开源项目（Python）。GitHub 单日 1194 star。

做什么的：给 AI Agent 装上「眼睛」——一个 CLI 工具，让 Agent 能读取和搜索 Twitter、Reddit、YouTube、GitHub、Bilibili、小红书等全互联网内容。零 API 费用。

为什么值得关注： - 解决了 Agent 生态的一个关键瓶颈：Agent 够聪明但看不到外面的世界。当前大多数 Agent 只能操作本地文件或调用特定 API，无法主动获取互联网的实时信息。 - 零 API 费用的设计降低了使用门槛——不依赖任何平台的付费 API，直接抓取公开数据。 - 对创业者的启发：Agent 的「感知层」是被低估的创业方向。让 Agent 能看、能听、能搜索，可能比让 Agent 更聪明更有价值。

类比参考：「Agent 版 Tavily / 开源的 Perplexity 感知层」

10. page-agent（阿里巴巴）（开源 / Web GUI Agent）

🔗 链接：GitHub

融资信息：阿里巴巴出品，开源（TypeScript）。GitHub 单日 530 star。

做什么的：JavaScript 页面内 GUI Agent——用自然语言控制网页界面。可以直接嵌入任何网页，让用户通过对话操作页面上的所有功能。

为什么值得关注： - Web GUI Agent 是 AI 应用层的关键基础设施。之前 RPA（Robotic Process Automation）需要后端 API，page-agent 直接在浏览器中操作 UI。 - 阿里出品说明大厂也在重视这个方向——不是做通用 Agent，而是做 Agent 操作 Web 的底层能力。 - 对创业者的启发：Web GUI Agent 是「AI 自动化」落地最快的场景之一。每个有大量 Web 操作的行业（电商运营、数据录入、客服）都是潜在市场。

类比参考：「开源版 UiPath Web 版 / 浏览器内嵌的 ChatGPT Operator」

值得重点跟踪的 3 个信号
1. Agent 测试与验证已成为独立赛道：Patronus AI 的 $50M B 轮 + 15 倍收入增长证明，「让 Agent 可靠运行」不是辅助功能，而是刚需。几乎所有前沿 AI 实验室都是它的客户——这意味着 Agent 可靠性是行业级的痛点。
2. AI 基础设施投资进入百亿时代：General Intuition（$3.2 亿 / $23 亿估值）、Unconventional AI（新芯片架构）、Netris（$15M / a16z 领投）——从训练数据到芯片到网络，AI 基础设施的每一层都在吸收大额资金。当模型层趋于同质化，基建层成为最确定的投资方向。
3. Agent 工具生态标准化加速：design.md（为 Agent 定义设计标准）、gstack（YC 总裁的 Agent 工具栈）、page-agent（Web GUI 标准）、Agent-Reach（Agent 感知层）——Agent 生态正在从「每个项目自己搭」走向「标准化组件」。2026 年下半年，Agent 工具链的标准化速度将决定哪些产品能快速规模化。
7 days ago
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。
3 weeks ago (06-15)
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”
3 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”
3 weeks ago (06-12)