融資1100萬美金，華人團隊打造Agent基礎層，5 行代碼搞定 AI Agent

你有沒有想過，構建 AI agent 這件事可能會變得像調用一個函數一樣簡單？過去幾個月里，我看到無數開發者在 Reddit 和技術論壇上抱怨同一個問題：為什么部署一個 MCP 服務器需要花上好幾天時間？為什么每次想讓 AI 模型調用一個工具，都得寫一大堆配置文件和膠水代碼？為什么構建一個稍微復雜點的 AI agent，就要在 Docker、YAML 和云服務配置之間來回折騰？

這種挫敗感不是個例，而是整個 AI agent 開發領域的普遍痛點。直到我看到 Dedalus Labs 宣布完成 1100 萬美元種子輪融資的消息，才意識到有人正在系統性地解決這個問題。這家由 Cathy Di 和 Windsor Nguyen 創立的公司，正在構建一個基礎設施層，讓開發者能夠用 5 行代碼就搭建起一個功能完整的 AI agent。這不是夸張的營銷話術，而是他們真正在做的事情。

這輪融資由 Kindred Ventures 和 Saga Ventures 共同領投，參與方包括 E14 Fund、Emergence Capital、Sunshine Lake、Transpose Platform、Liquid 2 Ventures、FPV Ventures、Twenty Two Ventures、Telescope Foundation、Spot VC、Operator Partners 以及 Y Combinator。更引人注目的是他們的天使投資人名單：Slack 聯合創始人兼 CTO Cal Henderson、Hugging Face 聯合創始人兼首席科學家 Thomas Wolf、Supabase 聯合創始人兼 CTO Ant Wilson、前 GitHub CEO Thomas Dohmke、FlashAttention 作者兼 Together AI 首席科學家 Tri Dao，以及 AdaGrad 發明者、Google DeepMind 和普林斯頓大學教授 Elad Hazan。這份投資人名單基本涵蓋了當今最重要的開發者平臺和基礎 AI 研究領域的關鍵人物。這讓我意識到，Dedalus Labs 正在做的事情，可能真的會改變整個 AI agent 開發的游戲規則。

開發者的痛點到底在哪里

在我看來，當前 AI agent 開發面臨的最大問題，不是模型能力不夠強，而是工程復雜度太高。我曾經嘗試過構建一個簡單的 AI agent，讓它能夠訪問我的日歷、讀取郵件，然后幫我安排會議。聽起來很簡單對吧？但實際操作起來卻是一場噩夢。我需要為每個工具寫專門的接口代碼，處理各種 API 的認證和授權，確保不同工具之間的數據格式兼容，還要考慮錯誤處理和重試邏輯。最終，一個概念上很簡單的功能，我卻花了整整一周時間才勉強讓它跑起來。

Dedalus Labs 的創始人 Cathy Di 在融資公告中說："我和聯合創始人 Windsor 對優秀的開發者體驗一直有很高的標準。我們創立 Dedalus 是因為厭倦了使用那些與 agent 實際工作方式不匹配的工具。"這句話完全說到了我的心坎上。現有的 AI agent 開發工具要么是那種拖拽式的可視化編輯器，看起來很友好，但實際上根本不適合開發者使用，缺乏靈活性和控制力；要么就是把你的整個技術棧鎖定在某一個模型提供商上，讓你失去了選擇的自由。更糟糕的是，大多數這類工具都還停留在演示階段，根本沒有做好生產環境的準備。

Dedalus Labs 認為，正確的抽象層不應該是另一個可視化編輯器或者復雜的框架，而應該是一個對開發者友好的基礎設施層，讓構建和流式傳輸配備工具的非線性 agent 變得像寫一個函數調用一樣簡單。這個理念聽起來很理想化，但他們確實做到了。他們的第一個版本就解決了部署 MCP 服務器的所有摩擦點。過去需要花費數天時間編寫 Docker 文件和 YAML 配置的工作，現在只需要三次點擊就能完成。這種開發體驗的提升不是漸進式的改進，而是數量級的飛躍。

我特別認同 Dedalus 對"agent 工作流"的理解。他們相信，所謂的 agentic 工作流本質上就是 agent 本身——模型和工具的編排。一個配備了合適工具和防護欄的 agent，應該能夠執行任何工作流，而不需要工程師硬編碼每一個邊緣情況。作為開發者，你的工作應該很簡單：定義提示詞，選擇合適的工具和防護欄，然后讓你的 agent 運行。這種思維方式與傳統的工作流自動化完全不同。傳統工作流是線性的、固定的、缺乏靈活性的，而基于 agent 的方式則是動態的、適應性強的、可擴展的。

Model Context Protocol 為什么重要

在深入了解 Dedalus Labs 之前，我對 Model Context Protocol（MCP）的理解其實很模糊。我知道這是 Anthropic 推出的一個開放協議，但并不清楚它為什么如此重要。直到我看到 Dedalus 對 MCP 的解釋，才真正理解了它的價值。MCP 是一個讓 AI 模型能夠以標準化方式與外部工具對話的開放協議。可以把它想象成一種 AI 模型完全知道如何調用的 API：可靠、可預測、與語言無關。

在 MCP 出現之前，構建一個配備工具的 agent（也就是能夠調用外部工具的模型）意味著要花費數天時間去拼接各種定制的 API。每個工具都有自己的接口規范、認證方式和數據格式。作為開發者，你需要為每個工具寫專門的適配代碼，處理各種特殊情況和異常。這不僅耗時費力，而且極難維護。每次工具更新或添加新工具，你都要重新寫一遍這些膠水代碼。這種方式根本無法擴展，也無法構建真正復雜的 agent 系統。

MCP 的出現徹底改變了這個局面。它提供了一個統一的標準，讓所有工具都能以同樣的方式暴露自己的能力。AI 模型不再需要學習每個工具的特定接口，只需要理解 MCP 協議就可以調用任何支持 MCP 的工具。這就像是為 AI 時代創建了一套通用語言。對于開發者來說，這意味著你只需要學習一次 MCP，就能讓你的 agent 訪問成千上萬的工具。對于工具提供商來說，這意味著你只需要暴露一個 MCP 服務器，就能讓所有支持 MCP 的 agent 使用你的服務。

Dedalus Labs 深信 MCP 是 agent 的語言。在他們看來，MCP 是允許 AI 系統可預測地調用工具、訪問數據和執行操作的標準。那些將自己作為 MCP 服務器暴露的產品，不僅對用戶可訪問，也對不斷增長的自主應用生態系統可訪問。隨著世界越來越多地轉向 AI 自主性（比如 agentic commerce），可尋址的市場不再只是人類，還包括代表人類工作的所有 agent。在那個世界里，將你的服務作為 MCP 端點暴露出來不是可選項，而是必然選擇。Dedalus Labs 正在構建基礎設施，讓這種轉變對每個人來說都盡可能簡單。

Dedalus 的技術創新在哪里

Dedalus Labs 的核心產品是一個 SDK 和基礎設施平臺，讓開發者能夠快速連接 AI 模型、工具和 API。但這種描述太抽象了，讓我用一個具體例子來說明他們到底做了什么。假設你想構建一個 agent，能夠同時訪問 GitHub 代碼倉庫、查詢數據庫、搜索網頁，并根據搜索結果生成報告。在傳統方式下，你需要分別集成 GitHub API、數據庫連接、搜索引擎 API，寫大量代碼來處理認證、錯誤處理、數據格式轉換等問題。然后你還需要編排這些工具的調用順序，確保 agent 能夠正確地使用它們。整個過程可能需要幾周時間。

使用 Dedalus 的 SDK，同樣的任務只需要 5 行代碼。你不需要關心底層的 API 調用細節，不需要處理認證和授權，不需要寫工具編排邏輯。你只需要指定你想使用哪些工具，定義你的提示詞，然后讓 agent 運行。Dedalus 的 SDK 會自動處理模型和工具之間的交互，支持供應商無關的模型切換、本地工具和托管 MCP 的鏈式調用，以及跨任何提供商的流式傳輸。這不是魔法，而是精心設計的抽象層，隱藏了所有復雜性，讓開發者能夠專注于 agent 的核心邏輯。

Dedalus 的創新不止于此。他們還構建了一個托管的 MCP 市場，開發者可以在這里發現和使用社區構建的各種工具：網頁搜索、代碼執行、數據分析等等。你只需要用一個簡單的標識符就能調用任何公開列出的 MCP 服務器，完全不需要擔心配置、格式或協議。更有意思的是，他們即將推出市場貨幣化功能。你可以將自己的 agent 或服務器列在市場上，每次被調用時都能獲得收入，創作者分成高達 80%，而且是即時支付。這為開發者創造了一個全新的商業模式：不僅可以使用別人的工具，還可以通過分享自己的工具來賺錢。

他們的平臺還支持混合搭配工具。你可以將本地 Python 函數與市場上的云托管 MCP 服務器結合使用。Dedalus 的 SDK 會自動處理路由、切換和負載均衡。這種靈活性非常重要，因為在實際應用中，你經常需要結合使用專有工具和公共服務。比如，你可能想讓 agent 訪問你公司內部的客戶數據庫（本地工具），同時也能搜索網頁和生成報告（公共服務）。在 Dedalus 之前，將這些異構工具整合在一起是一項艱巨的工程任務。現在，這變成了一件輕而易舉的事。

Dedalus 還在開發 MCP Authorization Server，這是業界首個生產級的 MCP 授權服務器。這個工具管理多個服務的安全和訪問控制，讓開發者能夠集成外部工具而不需要構建自己的授權系統。這解決了企業在使用 AI agent 時最關心的安全問題之一。當 agent 能夠代表用戶執行各種操作時，如何確保它只執行被授權的操作？如何防止權限濫用或數據泄露？Dedalus 的授權服務器提供了一個統一的解決方案，讓 MCP 資源服務器能夠將令牌發放、發現和安全策略委托給專門的授權服務器，該服務器高度遵循 MCP 規范。更重要的是，他們計劃將這個授權服務器開源，讓整個社區都能從中受益。

為什么投資人如此看好 Dedalus

當我看到 Dedalus Labs 的投資人名單時，我的第一反應是：這些人都是開發者工具和 AI 領域的傳奇人物。Cal Henderson 是 Slack 的聯合創始人兼 CTO，Slack 幾乎定義了現代團隊協作工具應該是什么樣子。Thomas Wolf 是 Hugging Face 的聯合創始人兼首席科學家，Hugging Face 是機器學習領域最重要的開源社區和平臺。Ant Wilson 是 Supabase 的聯合創始人兼 CTO，Supabase 被稱為開源的 Firebase 替代品，在開發者社區中備受推崇。Thomas Dohmke 是前 GitHub CEO，GitHub 是全球最大的開發者平臺。這些人對優秀的開發者工具有著最敏銳的判斷力，他們選擇投資 Dedalus，本身就說明了這家公司的潛力。

我特別注意到 Tri Dao 和 Elad Hazan 這兩位 AI 研究領域的大牛也參與了投資。Tri Dao 是 FlashAttention 的作者，這是一項革命性的技術創新，大幅提升了 Transformer 模型的效率，現在幾乎所有大語言模型都在使用這項技術。他同時也是 Together AI 的首席科學家。Elad Hazan 是 AdaGrad 優化算法的發明者，這是深度學習領域最重要的優化算法之一。他在 Google DeepMind 和普林斯頓大學任職。這兩位的加入說明，Dedalus 不僅在工程實現上做得好，在技術方向的選擇上也得到了頂尖 AI 研究者的認可。

Kindred Ventures 和 Saga Ventures 作為領投方，也有著出色的投資記錄。他們在評估 Dedalus 時，很快意識到創始人 Cathy 和 Windsor 是特殊的創始人：他們癡迷于開發者體驗，這體現在他們的代碼質量、設計決策，以及他們在黑客松和辦公時間里進行的無數次"Collison 安裝"（一個硅谷術語，指創始人現場演示產品并讓人立即開始使用）。這種對細節的關注和對開發者需求的深刻理解，正是構建偉大開發者工具所必需的特質。

投資人看好 Dedalus 的另一個重要原因，是他們對 MCP 的戰略性押注。在他們看來，MCP 將成為 agent 生態系統的基礎語言。隨著越來越多的公司采用 MCP，將服務暴露為 MCP 服務器意味著你不僅服務于人類用戶，還服務于 agent。在一個 agent 也是用戶的世界里，這是下一個重要的分發渠道。Dedalus Labs 正在構建支撐這種轉變的基礎設施。這不是一個短期的商業機會，而是對未來十年軟件架構的押注。

對開發者意味著什么

我認為 Dedalus Labs 的出現，標志著 AI agent 開發正在從實驗階段進入工程化階段。在過去的一兩年里，我們看到了很多令人印象深刻的 AI agent 演示，但這些演示大多停留在概念驗證階段，很難真正部署到生產環境中。主要原因就是缺乏可靠的基礎設施和標準化的開發工具。Dedalus 正在填補這個空白。他們提供的不是又一個演示框架，而是一個真正面向生產環境的基礎設施層。

對于普通開發者來說，Dedalus 降低了構建 AI agent 的門檻。你不再需要成為 AI 專家才能構建有用的 agent。你不需要深入理解各種模型的 API 差異，不需要花時間研究如何部署和擴展 MCP 服務器，不需要從頭開始編寫工具編排邏輯。這些復雜性都被 Dedalus 的 SDK 和平臺隱藏起來了。你可以專注于定義你的 agent 應該做什么，而不是糾結于它應該如何做。這種抽象是正確的，因為它讓開發者能夠在更高的層次上思考問題。

更重要的是，Dedalus 提供了真正的靈活性。他們支持多個模型提供商，包括 OpenAI、Anthropic、Mistral 等。你可以用一行代碼在 GPT-5、Claude Opus 4.1、Gemini 2.5 Flash、Qwen-Max 或任何主流模型之間切換。沒有供應商鎖定，現在沒有，以后也不會有。這種靈活性非常寶貴，因為 AI 領域變化太快了。今天最好的模型可能明天就被超越。如果你的技術棧被鎖定在某個特定模型上，你就失去了選擇的自由。Dedalus 讓你始終能夠使用最適合你需求的模型。

Dedalus 還在構建開發者社區和生態系統。他們即將在 12 月與 The Residency 合作舉辦 Break In，這是一個為期三周的黑客屋活動，旨在幫助有潛力的創始人進入硅谷。這種社區建設不僅能夠吸引優秀的開發者使用他們的平臺，還能收集寶貴的反饋，持續改進產品。他們計劃開源平臺的部分組件，包括授權服務器，這種開放的態度會讓更多開發者采用相同的構建模塊，確保不同項目之間的互操作性和更容易的集成。

從長遠來看，Dedalus 的愿景不僅僅是一個開發者工具，而是成為公司構建和分發 agent 的骨干。不只是構建 agent，而是發布、分享和發展它們。他們正在構建的是一個完整的生態系統，在這個生態系統中，開發者可以構建工具、agent 可以使用這些工具、用戶可以從這些 agent 中獲益，而工具創建者也能從中獲得收益。這種多方共贏的模式，是可持續生態系統的基礎。

我對 AI Agent 基礎設施的思考

在了解 Dedalus Labs 的過程中，我對 AI agent 基礎設施有了一些更深的思考。我認為，當前 AI agent 開發面臨的最大挑戰不是算法或模型能力，而是工程基礎設施的缺失。我們有非常強大的基礎模型，有各種各樣的工具和 API，但缺少一個標準化的方式將它們連接起來。這就像是互聯網早期，我們有服務器和客戶端，但缺少 HTTP 協議和瀏覽器這樣的標準化技術。MCP 的出現填補了這個空白，而 Dedalus 則是讓 MCP 變得易于使用的關鍵推動者。

我特別認同 Dedalus 對傳統工作流工具的批評。那些拖拽式的可視化工作流編輯器看起來很直觀，但實際上限制了靈活性和可擴展性。它們假設你能夠預先定義所有可能的執行路徑，但現實世界的問題往往是動態的、不可預測的。AI agent 的優勢正在于它能夠根據實際情況做出決策，而不是遵循固定的執行路徑。Dedalus 采用的代碼優先方法是正確的，因為代碼提供了最大的靈活性和控制力。你可以用代碼表達任何邏輯，可以輕松地進行版本控制、測試和調試。

另一個值得思考的問題是，AI agent 基礎設施應該是中心化的還是去中心化的？我認為 Dedalus 找到了一個很好的平衡點。他們提供托管服務，讓開發者能夠快速開始，不需要擔心基礎設施問題。但同時，他們也支持自托管，并且計劃開源關鍵組件。這種混合模式給予開發者最大的選擇自由：你可以使用他們的托管服務快速原型驗證想法，等到需要更多控制時再遷移到自托管環境。這種靈活性對于企業客戶特別重要，因為他們可能有特殊的安全或合規要求。

我還注意到 Dedalus 強調"production-ready"（生產就緒）這個詞。這點非常重要，因為太多的 AI agent 工具都停留在演示階段。它們在理想條件下運行得很好，但一旦遇到實際的生產環境——需要處理大規模并發、需要可靠的錯誤處理、需要監控和日志記錄、需要安全和訪問控制——就會暴露出各種問題。Dedalus 從一開始就考慮到了這些生產環境的需求。他們的平臺會監控健康檢查、自動進行全球擴展、提供干凈的 MCP 端點。這些看起來不起眼的功能，恰恰是生產環境所必需的。

從更宏觀的角度看，我認為 AI agent 基礎設施的成熟，將推動整個軟件行業的范式轉變。就像云計算讓我們從"購買服務器"轉變為"租用計算能力"，AI agent 基礎設施將讓我們從"編寫代碼"轉變為"編排智能體"。在這個新范式中，開發者的核心工作不再是編寫詳細的業務邏輯，而是定義目標、選擇合適的工具和模型、設定防護欄。具體的執行細節由 agent 自己決定。這種轉變會極大提高開發效率，但也對基礎設施提出了更高的要求。Dedalus 正在構建的，正是支撐這種新范式的基礎設施。

未來會是什么樣子

展望未來，我認為 AI agent 將無處不在。不僅僅是聊天機器人或虛擬助手，而是深度嵌入到各種軟件應用中，成為軟件的標準組成部分。每個 SaaS 應用都會有自己的 agent，能夠理解用戶意圖并自動執行任務。每個企業都會有專門的內部 agent，幫助員工處理日常工作。這些 agent 之間也會相互協作，形成一個 agent 網絡。在這個未來中，MCP 將成為 agent 之間通信的標準協議，就像 HTTP 是網頁通信的標準協議一樣。

Dedalus Labs 的市場貨幣化功能特別有前景。想象一下，開發者可以構建專門的工具或 agent，將它們發布到 Dedalus 的市場上，然后每次被使用時都能獲得收入。這創造了一個全新的商業模式，讓開發者能夠通過構建可復用的組件來賺錢，而不是必須構建完整的應用。這種模式在傳統軟件開發中也存在（比如 npm 包、WordPress 插件等），但 AI agent 市場的獨特之處在于，這些組件不僅被人類開發者使用，也被其他 agent 自動發現和使用。這意味著市場規模可能比傳統的開發者工具市場大得多。

我也看到一些潛在的挑戰。隨著 agent 變得越來越自主，安全和可控性將變得更加重要。如何確保 agent 的行為符合預期？如何防止惡意 agent 或被攻擊的 agent 造成損害？如何在給予 agent 足夠自主性的同時，保持人類的最終控制權？這些問題沒有簡單的答案，需要技術創新和行業標準的共同推動。Dedalus 正在開發的授權服務器是解決這些問題的重要一步，但這只是開始。

另一個有趣的問題是，當 agent 成為主要用戶時，軟件設計將如何改變？傳統的用戶界面是為人類設計的，強調視覺呈現和交互直覺。但 agent 不需要漂亮的界面，它們需要的是清晰的 API 和可預測的行為。這意味著軟件設計的重點將從"如何讓界面更友好"轉變為"如何讓 API 更友好"。API 設計將成為產品成功的關鍵因素，而 MCP 這樣的標準協議將變得越來越重要。

Dedalus Labs 將自己定位為這個轉變的推動者和基礎設施提供者。他們不僅在構建工具，還在塑造標準、建設社區、培育生態系統。他們計劃開源關鍵組件，舉辦黑客松和黑客屋活動，支持早期創業者。這種全方位的投入，顯示了他們的長期愿景：不只是構建一個成功的產品，而是推動整個行業向更好的方向發展。我相信，隨著越來越多的開發者使用 Dedalus 的平臺，隨著越來越多的工具采用 MCP 標準，我們將逐漸看到一個繁榮的 agent 生態系統的出現。

對于開發者來說，現在是參與這個轉變的最佳時機。AI agent 技術仍處于早期階段，有大量的創新空間和商業機會。Dedalus 提供的工具讓你能夠快速開始實驗和構建，而不需要花費大量時間在基礎設施上。無論你是想為自己的應用添加 agent 功能，還是想構建通用的工具在市場上銷售，或者只是想探索 AI agent 的可能性，Dedalus 都提供了一個很好的起點。AI agent 的時代已經到來，而 Dedalus Labs 正在為這個時代構建基礎。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。