16個(gè)月估值破10億美元！眾多VC押注一個(gè)新品類，AI寫代碼越快，這個(gè)問題越致命

你有沒有發(fā)現(xiàn)一個(gè)悖論？AI讓我們寫代碼的速度提高了10倍，但半夜被叫醒修bug的次數(shù)似乎也在增加。兩年前，幾乎沒人用AI寫代碼。一年前，GitHub Copilot讓AI輔助編程成為標(biāo)配。現(xiàn)在，幾乎每個(gè)開發(fā)者都在用AI agent幫忙寫代碼。代碼產(chǎn)出速度飛快，新功能上線越來越頻繁。聽起來很美好對(duì)不對(duì)？但這里有個(gè)被忽視的問題：當(dāng)AI生成的代碼越來越多，這些代碼部署到生產(chǎn)環(huán)境后，誰來保證它們能穩(wěn)定運(yùn)行？誰來在凌晨三點(diǎn)系統(tǒng)崩潰時(shí)找出問題并修復(fù)？更關(guān)鍵的是，當(dāng)代碼量呈指數(shù)級(jí)增長，而工程師對(duì)這些AI生成的代碼并不完全熟悉時(shí)，維護(hù)生產(chǎn)環(huán)境的難度也在呈指數(shù)級(jí)上升。

這個(gè)矛盾正是Resolve AI要解決的核心問題。這家成立僅16個(gè)月的公司剛剛完成了1.25億美元的A輪融資，估值達(dá)到10億美元。由Lightspeed Venture Partners領(lǐng)投，Greylock Partners、Unusual Ventures、Artisanal Ventures和A*等早期投資者全部超額跟投。更值得關(guān)注的是，他們已經(jīng)拿下了Coinbase、DoorDash、MongoDB、Salesforce、Zscaler等重量級(jí)客戶。這些公司每分鐘的停機(jī)都意味著巨額損失，而Resolve AI幫助Coinbase將關(guān)鍵事故的調(diào)查時(shí)間減少了72%，幫助Zscaler將每次事故所需的工程師數(shù)量減少了30%。這不是小打小鬧的優(yōu)化，而是生產(chǎn)環(huán)境運(yùn)維方式的根本性改變。我認(rèn)為，他們正在定義一個(gè)全新的品類：AI for prod，也就是用AI來運(yùn)行和維護(hù)生產(chǎn)環(huán)境中的軟件。

AI代碼革命帶來的意外后果

讓我先談?wù)勥@個(gè)行業(yè)正在發(fā)生的變化。過去一年里，AI編程工具的進(jìn)步速度超出了所有人的預(yù)期。從GitHub Copilot到Cursor，再到Claude Code，這些工具讓開發(fā)者能夠用自然語言描述需求，然后AI就能生成相應(yīng)的代碼。這種效率提升是革命性的。一個(gè)開發(fā)者現(xiàn)在可以完成以前需要一個(gè)小團(tuán)隊(duì)才能完成的工作量。創(chuàng)業(yè)公司可以用更少的人更快地構(gòu)建產(chǎn)品。這聽起來像是軟件工程的黃金時(shí)代。

但我在和工程師朋友交流時(shí)發(fā)現(xiàn)了一個(gè)普遍的焦慮：代碼寫得快了，但系統(tǒng)運(yùn)維變得更難了。有研究數(shù)據(jù)顯示，隨著AI編程工具的廣泛使用，生產(chǎn)環(huán)境中每次代碼變更導(dǎo)致的事故數(shù)量實(shí)際上在增加。這背后的邏輯其實(shí)很簡單：當(dāng)你用AI生成代碼時(shí)，你對(duì)這些代碼的熟悉程度不如自己一行行寫出來的代碼。代碼中可能存在的邊界情況、潛在的性能問題、與其他系統(tǒng)的交互方式，這些細(xì)節(jié)你可能并不完全清楚。當(dāng)這些代碼部署到生產(chǎn)環(huán)境后出現(xiàn)問題，你需要花更多時(shí)間去理解到底發(fā)生了什么。

Resolve AI的CEO Spiros Xanthos在接受采訪時(shí)提到了一個(gè)關(guān)鍵洞察：軟件工程最難的部分從來不是寫代碼，而是運(yùn)行生產(chǎn)環(huán)境。問題很少只存在于單個(gè)系統(tǒng)中，根因通常隱藏在各個(gè)工具之間的關(guān)系里：一個(gè)延遲峰值可能與最近的部署有關(guān)，一個(gè)配置變更可能影響了特定的數(shù)據(jù)庫分片。我深有體會(huì)，因?yàn)槲乙娺^太多這樣的場景。工程師們?cè)诎胍贡焕M(jìn)戰(zhàn)情室，對(duì)著幾十個(gè)不同的監(jiān)控面板，試圖在Datadog、Splunk、Grafana、Kubernetes和Slack之間來回切換，手動(dòng)拼湊出到底哪里出了問題。

更糟糕的是，解決這些生產(chǎn)環(huán)境問題所需的知識(shí)往往是無法成文的"部落知識(shí)"。它存在于最資深工程師的腦海中：這個(gè)服務(wù)在什么情況下會(huì)出現(xiàn)這種錯(cuò)誤？這個(gè)配置參數(shù)為什么要設(shè)成這個(gè)值？這個(gè)依賴關(guān)系為什么這么設(shè)計(jì)？當(dāng)這些工程師不在崗時(shí)，這些知識(shí)就無法獲取。當(dāng)他們離職時(shí)，這些知識(shí)可能就永遠(yuǎn)消失了。對(duì)于一個(gè)快速增長的公司來說，依賴部落知識(shí)來維護(hù)生產(chǎn)環(huán)境是極其脆弱和不可擴(kuò)展的。

所以現(xiàn)在的情況是：AI讓我們能夠更快地生成代碼，但如果我們不能同樣快速地運(yùn)行和維護(hù)這些代碼，整體的技術(shù)迭代速度并不會(huì)真正提升。你可能在開發(fā)階段快了5倍，但如果在運(yùn)維階段慢了3倍，整體效率的提升就大打折扣了。更不用說，生產(chǎn)環(huán)境的不穩(wěn)定會(huì)直接影響用戶體驗(yàn)、業(yè)務(wù)收入和公司聲譽(yù)。這就是為什么我認(rèn)為Resolve AI瞄準(zhǔn)的是一個(gè)被嚴(yán)重低估但極其關(guān)鍵的問題。

為什么生產(chǎn)環(huán)境是AI最難攻克的堡壘

我一直在思考一個(gè)問題：為什么AI在代碼生成方面取得了如此大的突破，但在生產(chǎn)環(huán)境運(yùn)維方面卻進(jìn)展緩慢？Resolve AI團(tuán)隊(duì)給出了一個(gè)非常深刻的解釋：生產(chǎn)環(huán)境對(duì)AI agent來說是一個(gè)獨(dú)特困難的環(huán)境。

首先，現(xiàn)有的工具都是為人類設(shè)計(jì)的。監(jiān)控系統(tǒng)、日志平臺(tái)、基礎(chǔ)設(shè)施管理工具，這些都是按照人類的思維方式和操作習(xí)慣構(gòu)建的。AI agent要使用這些工具，就必須學(xué)會(huì)像人類一樣操作它們。這不像訓(xùn)練一個(gè)模型去理解代碼那么簡單，因?yàn)榇a是結(jié)構(gòu)化的文本，而生產(chǎn)環(huán)境的數(shù)據(jù)則分散在各種不同的系統(tǒng)中，每個(gè)系統(tǒng)都有自己的數(shù)據(jù)格式、查詢語言和訪問方式。

其次，做出任何決策都需要跨多個(gè)維度同時(shí)推理。你需要查看代碼變更歷史、系統(tǒng)遙測數(shù)據(jù)、基礎(chǔ)設(shè)施配置、部署記錄，然后把這些信息綜合起來才能理解到底發(fā)生了什么。舉個(gè)例子，一個(gè)API響應(yīng)時(shí)間突然變慢，可能的原因包括：最近部署的代碼中有性能問題、數(shù)據(jù)庫查詢效率下降、某個(gè)依賴服務(wù)出現(xiàn)了延遲、網(wǎng)絡(luò)層面有擁塞、緩存失效導(dǎo)致了更多的數(shù)據(jù)庫訪問，或者僅僅是因?yàn)榱髁客蝗辉黾印Ｒ獪?zhǔn)確診斷問題，你需要檢查所有這些可能性，而每一個(gè)都需要訪問不同的系統(tǒng)、執(zhí)行不同的查詢。

第三，最關(guān)鍵的上下文往往是未成文的。文檔經(jīng)常過時(shí)，配置文件的注釋不完整，某個(gè)奇怪設(shè)置背后的原因可能只有當(dāng)初做這個(gè)決定的工程師知道。這種"部落知識(shí)"是人類通過長期在特定環(huán)境中工作積累起來的，很難通過簡單的文檔或日志來傳遞。對(duì)于通用的大語言模型來說，它們無法獲取這些特定于每個(gè)組織的知識(shí)。

Spiros在訪談中提到了一個(gè)很有意思的類比：這就像自動(dòng)駕駛汽車。我們不會(huì)讓自動(dòng)駕駛汽車上路，除非它們能用數(shù)據(jù)證明自己比人類司機(jī)開得更好。而且自動(dòng)駕駛也有不同的級(jí)別，從輔助駕駛到完全自動(dòng)駕駛。同樣的道理也適用于生產(chǎn)環(huán)境的AI。我們不能一步跨越到讓AI完全自主管理生產(chǎn)系統(tǒng)，我們需要一個(gè)漸進(jìn)的過程。一開始，AI執(zhí)行調(diào)查工作并報(bào)告發(fā)現(xiàn)，由人類工程師做最終決策。然后，AI可以執(zhí)行一些低風(fēng)險(xiǎn)或可逆的操作。最終，AI應(yīng)該能夠解決人類無法解決的問題，并且在速度和可靠性上都超越人類。

這種漸進(jìn)式的方法不僅是技術(shù)上的必要，也是文化上的必要。工程師們需要時(shí)間來建立對(duì)AI系統(tǒng)的信任。他們需要看到AI的推理過程，理解它為什么做出某個(gè)判斷，驗(yàn)證它的結(jié)論是否正確。只有當(dāng)AI能夠持續(xù)提供高質(zhì)量、可解釋的結(jié)果時(shí)，工程師們才會(huì)愿意讓它承擔(dān)更大的責(zé)任。

Resolve AI如何破解這個(gè)難題

在了解Resolve AI的解決方案后，我對(duì)他們的技術(shù)架構(gòu)印象深刻。他們構(gòu)建的不是一個(gè)簡單的AI助手，而是一個(gè)復(fù)雜的多agent系統(tǒng)，專門為生產(chǎn)環(huán)境的特殊需求設(shè)計(jì)。

核心思路是這樣的：Resolve AI持續(xù)從代碼庫、可觀測性平臺(tái)、部署系統(tǒng)、云基礎(chǔ)設(shè)施、配置管理和運(yùn)維歷史中提取上下文信息。這不是一次性的數(shù)據(jù)導(dǎo)入，而是持續(xù)的、實(shí)時(shí)的信息收集。系統(tǒng)需要理解你的服務(wù)架構(gòu)、依賴關(guān)系、部署模式、常見故障模式等等。這些信息構(gòu)成了一個(gè)知識(shí)圖譜，映射出服務(wù)、容器、組件之間的交互關(guān)系，捕捉那些原本只存在于資深工程師腦海中的部落知識(shí)。

當(dāng)生產(chǎn)環(huán)境出現(xiàn)問題時(shí)，比如觸發(fā)了一個(gè)告警或發(fā)生了一次事故，Resolve AI的多agent系統(tǒng)就開始工作。有一個(gè)規(guī)劃agent負(fù)責(zé)整體協(xié)調(diào)，它會(huì)調(diào)度多個(gè)專門的子agent，每個(gè)子agent都經(jīng)過訓(xùn)練，擅長使用不同的工具和執(zhí)行不同的任務(wù)。這些agent會(huì)系統(tǒng)性地分類問題、形成假設(shè)，然后通過收集證據(jù)來驗(yàn)證或推翻每個(gè)假設(shè)。

我覺得特別聰明的是他們的驗(yàn)證機(jī)制。一個(gè)agent執(zhí)行某項(xiàng)工作后，會(huì)有另一個(gè)agent審查這項(xiàng)工作并提供反饋，然后第一個(gè)agent會(huì)根據(jù)反饋進(jìn)行迭代。當(dāng)多個(gè)agent協(xié)同工作時(shí)，它們各自完成任務(wù)后，還會(huì)有一個(gè)監(jiān)督agent來審查整體的分析結(jié)果，如果發(fā)現(xiàn)推理中有漏洞，會(huì)要求相關(guān)agent重新工作。這種多層次的檢查和驗(yàn)證機(jī)制確保了最終結(jié)果的可靠性。

Spiros在訪談中詳細(xì)解釋了這個(gè)多agent架構(gòu)的設(shè)計(jì)考慮。他提到，對(duì)于需要長序列推理的復(fù)雜任務(wù)，他們會(huì)使用最強(qiáng)大的推理模型，通常是大型的閉源模型。而對(duì)于具體的執(zhí)行任務(wù)，可能只需要一兩個(gè)步驟，就可以使用更快的閉源模型或者針對(duì)特定任務(wù)后訓(xùn)練的開源模型。這種分層設(shè)計(jì)既保證了推理質(zhì)量，又控制了成本和延遲。

最重要的是，Resolve AI不只是給出一個(gè)答案，而是提供一個(gè)帶有引用和推理過程的結(jié)構(gòu)化解釋。它會(huì)展示推理步驟、相關(guān)查詢、甚至指出是哪個(gè)具體的Pull Request引入了問題。這種透明度對(duì)于建立工程師的信任至關(guān)重要。工程師可以驗(yàn)證AI的推理是否正確,理解它為什么得出這個(gè)結(jié)論，而不是盲目接受一個(gè)黑盒的建議。

更進(jìn)一步，隨著系統(tǒng)在特定組織中運(yùn)行的時(shí)間越來越長，它會(huì)學(xué)習(xí)到越來越多關(guān)于該組織特定環(huán)境的知識(shí)。哪些模式通常預(yù)示著即將發(fā)生的問題？哪些操作序列最有效？哪些配置組合最穩(wěn)定？這些都會(huì)被系統(tǒng)記錄下來，用于訓(xùn)練和改進(jìn)模型。這創(chuàng)造了一個(gè)數(shù)據(jù)飛輪：系統(tǒng)越用越好，越來越了解你的環(huán)境，也就越來越有價(jià)值。

從客戶的實(shí)際使用情況來看，效果確實(shí)顯著。Coinbase報(bào)告說，在測試的事故中，定位根本原因的時(shí)間減少了73%。想象一下，如果原本需要2小時(shí)才能找到問題根源，現(xiàn)在只需要半小時(shí)。這不僅僅是節(jié)省時(shí)間，更重要的是減少了用戶受影響的時(shí)間、降低了業(yè)務(wù)損失。Zscaler則報(bào)告說每次事故所需的工程師數(shù)量減少了30%。這意味著更少的人被半夜叫醒，更少的團(tuán)隊(duì)協(xié)調(diào)成本，以及工程師有更多時(shí)間專注于構(gòu)建新功能而不是救火。

為什么偏偏是現(xiàn)在

我一直在思考，為什么是現(xiàn)在這個(gè)時(shí)間點(diǎn)，Resolve AI能夠取得突破？為什么不是三年前或三年后？我認(rèn)為有幾個(gè)關(guān)鍵因素的匯聚創(chuàng)造了這個(gè)機(jī)會(huì)窗口。

第一個(gè)因素是大語言模型和agent技術(shù)的成熟。過去一年里，我們看到了agent系統(tǒng)在軟件開發(fā)領(lǐng)域的巨大成功。這證明了agent不僅僅是概念驗(yàn)證，而是可以在復(fù)雜、多步驟的任務(wù)中創(chuàng)造實(shí)際價(jià)值。Resolve AI團(tuán)隊(duì)吸引了14位前DeepMind的工程師加入，這些人是agent AI的先驅(qū)者。他們帶來的不僅是技術(shù)能力，更是對(duì)agent系統(tǒng)設(shè)計(jì)的深刻理解。同時(shí)，他們團(tuán)隊(duì)中還有在Microsoft、Google、Tesla、SpaceX等公司運(yùn)行過世界上最復(fù)雜生產(chǎn)環(huán)境的工程師。這種AI前沿研究與生產(chǎn)系統(tǒng)深度專業(yè)知識(shí)的結(jié)合非常罕見。

第二個(gè)因素是AI代碼生成帶來的緊迫性。正如我前面提到的，AI正在讓代碼產(chǎn)出速度呈指數(shù)級(jí)增長。這意味著部署到生產(chǎn)環(huán)境的代碼量也在快速增加，服務(wù)數(shù)量增加、依賴關(guān)系變復(fù)雜、潛在故障點(diǎn)增多。如果運(yùn)維能力跟不上開發(fā)速度,整個(gè)技術(shù)迭代就會(huì)卡在生產(chǎn)環(huán)節(jié)。這個(gè)痛點(diǎn)變得越來越尖銳，企業(yè)對(duì)解決方案的需求也越來越迫切。

第三個(gè)因素是企業(yè)開始真正理解這個(gè)問題的成本。Spiros提到,在AI輔助編程出現(xiàn)之前,工程師就已經(jīng)花費(fèi)大約70%的時(shí)間在維護(hù)生產(chǎn)系統(tǒng)上,而不是開發(fā)新功能。現(xiàn)在隨著代碼量的增加,這個(gè)比例可能更高。對(duì)于一個(gè)科技公司來說,讓最優(yōu)秀的工程師把大部分時(shí)間花在救火而不是創(chuàng)新上,是一種巨大的資源浪費(fèi)。更不用說,生產(chǎn)環(huán)境的不穩(wěn)定直接影響用戶體驗(yàn)和業(yè)務(wù)收入。這已經(jīng)不是一個(gè)可以忍受的問題,而是必須解決的戰(zhàn)略性問題。

第四個(gè)因素是投資者開始認(rèn)識(shí)到這個(gè)領(lǐng)域的價(jià)值。Lightspeed的合伙人Sebastian Duesterhoeft在解釋為什么投資Resolve AI時(shí)說:"雖然軟件開發(fā)一直是AI增長最快的應(yīng)用領(lǐng)域之一,但Spiros和Mayank很早就意識(shí)到真正的價(jià)值和更難的問題在于生產(chǎn)環(huán)境。"這種認(rèn)知的轉(zhuǎn)變很重要。過去,投資者可能更關(guān)注那些直接提高開發(fā)效率的工具,但現(xiàn)在他們開始理解,如果不解決運(yùn)維問題,開發(fā)效率的提升是不完整的。

我還注意到一個(gè)有趣的現(xiàn)象：Resolve AI的兩位創(chuàng)始人Spiros Xanthos和Mayank Agarwal在可觀測性領(lǐng)域有超過20年的經(jīng)驗(yàn)。他們之前的公司Omnition被Splunk收購,他們還共同創(chuàng)建了OpenTelemetry,這是管理遙測數(shù)據(jù)的全球開源標(biāo)準(zhǔn)。在Splunk,Spiros擔(dān)任可觀測性業(yè)務(wù)的高級(jí)副總裁兼總經(jīng)理,管理著400多人的團(tuán)隊(duì)。這種深厚的領(lǐng)域?qū)I(yè)知識(shí)讓他們能夠真正理解生產(chǎn)環(huán)境的復(fù)雜性,而不是簡單地把AI技術(shù)套用到這個(gè)領(lǐng)域。他們知道現(xiàn)有工具的局限性在哪里,知道工程師真正的痛點(diǎn)是什么,知道什么樣的解決方案才能真正被采用。

從市場表現(xiàn)來看,時(shí)機(jī)確實(shí)成熟了。Resolve AI在16個(gè)月內(nèi)就達(dá)到了10億美元估值,拿下了Coinbase、DoorDash、MongoDB、Salesforce、Zscaler這樣的重量級(jí)客戶,并且從種子輪到A輪的所有投資者都選擇了超額跟投。這些信號(hào)都表明,市場不僅認(rèn)可這個(gè)方向,而且認(rèn)為Resolve AI團(tuán)隊(duì)有能力執(zhí)行。

這將如何改變軟件工程

我認(rèn)為,如果Resolve AI代表的"AI for prod"這個(gè)方向成功了,它將從根本上改變軟件工程的工作方式和職業(yè)發(fā)展路徑。這不是一個(gè)小的工具升級(jí),而是整個(gè)范式的轉(zhuǎn)變。

最直接的影響是工程師的工作重心會(huì)發(fā)生遷移。現(xiàn)在,即使是最資深的工程師也要花大量時(shí)間在瑣碎但緊急的運(yùn)維任務(wù)上：查日志、分析監(jiān)控?cái)?shù)據(jù)、定位問題、制定修復(fù)方案。當(dāng)AI能夠自動(dòng)完成這些工作時(shí),工程師可以把時(shí)間投入到更高價(jià)值的活動(dòng)上：系統(tǒng)架構(gòu)設(shè)計(jì)、性能優(yōu)化策略、新技術(shù)評(píng)估、業(yè)務(wù)邏輯創(chuàng)新。這不是說運(yùn)維工作不重要,而是說這些工作可以被自動(dòng)化,讓人類專注于那些真正需要?jiǎng)?chuàng)造力和判斷力的任務(wù)。

Spiros在訪談中提到了一個(gè)很有啟發(fā)性的觀點(diǎn)：就像過去50年里軟件從機(jī)器語言到高級(jí)編程語言的演進(jìn)一樣,AI代表的是又一層抽象。工程師不需要擔(dān)心他們會(huì)失去底層技能,因?yàn)閱栴}不在于人類技能是否會(huì)退化,而在于我們應(yīng)該讓AI agent能夠同時(shí)很好地完成代碼生成和代碼運(yùn)維這兩件事,讓工程師在更高的抽象層面上工作。他們不再需要記住特定的查詢語言、API調(diào)用方式或CLI命令的具體語法,這些繁重而壓力巨大的底層工作都由AI處理,工程師則在更高層面思考和決策。

我預(yù)測會(huì)出現(xiàn)一種新的工作模式：工程師和AI agent的協(xié)同。在這種模式下,AI不是完全自主地運(yùn)行一切,而是作為一個(gè)極其能干的助手,處理大量的繁瑣工作,然后向工程師報(bào)告關(guān)鍵發(fā)現(xiàn)和建議。工程師則負(fù)責(zé)做出重要決策、處理邊緣情況、處理需要業(yè)務(wù)判斷的問題。隨著AI系統(tǒng)變得越來越可靠,它可以承擔(dān)的責(zé)任范圍也會(huì)逐漸擴(kuò)大。Spiros估計(jì),大約一年后,AI將成為軟件運(yùn)維的主要"駕駛員",人類在更高層面進(jìn)行監(jiān)督和決策。兩到三年后,AI可能會(huì)做出大部分決策,人類則負(fù)責(zé)設(shè)定高級(jí)框架和處理異常情況。

對(duì)于企業(yè)來說,這意味著技術(shù)團(tuán)隊(duì)的規(guī)模化方式會(huì)發(fā)生改變。傳統(tǒng)上,隨著系統(tǒng)復(fù)雜度增加,你需要雇傭更多的工程師和SRE來維護(hù)它。但有了AI for prod,同樣的團(tuán)隊(duì)可以管理復(fù)雜得多的系統(tǒng),或者說同樣復(fù)雜的系統(tǒng)需要更少的人來維護(hù)。這不一定意味著裁員,更可能意味著工程師可以把時(shí)間投入到創(chuàng)新而不是維護(hù)上,讓公司能夠更快地推出新產(chǎn)品和新功能。

我也想到了對(duì)人才市場的影響。會(huì)不會(huì)出現(xiàn)新的職位,比如"AI agent設(shè)計(jì)師"、"生產(chǎn)環(huán)境AI訓(xùn)練師"或者"AI系統(tǒng)審計(jì)員"？這些角色負(fù)責(zé)設(shè)計(jì)agent的工作流程、訓(xùn)練agent理解特定組織的環(huán)境、審查agent的決策是否合理。就像DevOps工程師這個(gè)角色是隨著云計(jì)算和自動(dòng)化的興起而出現(xiàn)的,AI for prod可能也會(huì)催生新的專業(yè)角色。

從更宏觀的角度看,這可能會(huì)改變整個(gè)軟件行業(yè)的經(jīng)濟(jì)學(xué)。如果運(yùn)維成本大幅降低,軟件公司可以承擔(dān)更大的技術(shù)復(fù)雜度。那些原本因?yàn)檫\(yùn)維成本過高而不可行的產(chǎn)品想法,可能變得可行了。創(chuàng)業(yè)公司可以用更小的團(tuán)隊(duì)支撐更大規(guī)模的服務(wù)。這可能會(huì)加速整個(gè)行業(yè)的創(chuàng)新速度,因?yàn)閺膇dea到production的障礙變小了。

Spiros說過一句話讓我印象深刻："在agent時(shí)代,會(huì)產(chǎn)生比以往任何時(shí)代都多得多的軟件。獲勝的團(tuán)隊(duì)不會(huì)是寫代碼最快的,而是能夠可靠、安全地運(yùn)行他們所寫代碼的團(tuán)隊(duì),并且速度要跟上開發(fā)節(jié)奏。"這就是AI for prod要實(shí)現(xiàn)的目標(biāo)。而這次1.25億美元的A輪融資,讓Resolve AI有資源繼續(xù)構(gòu)建這個(gè)未來。他們計(jì)劃把資金主要投入三個(gè)方向：研發(fā),繼續(xù)推進(jìn)作為世界級(jí)應(yīng)用AI實(shí)驗(yàn)室在軟件工程領(lǐng)域的前沿探索；產(chǎn)品深度,改進(jìn)生產(chǎn)環(huán)境推理能力,向閉環(huán)系統(tǒng)邁進(jìn),并擴(kuò)展與生產(chǎn)技術(shù)棧的集成；客戶成功,支持全球企業(yè)客戶的快速增長。

我相信,五年后回頭看,我們會(huì)認(rèn)為2025-2026年是一個(gè)轉(zhuǎn)折點(diǎn)。就像2022-2023年是AI代碼生成的突破年一樣,2025-2026年可能會(huì)被記住為AI生產(chǎn)運(yùn)維的突破年。當(dāng)代碼生成和運(yùn)維都被AI顯著增強(qiáng)后,軟件的整個(gè)生命周期都將加速,這才是真正意義上的生產(chǎn)力革命。

結(jié)尾

也歡迎大家留言討論，分享你的觀點(diǎn)！

覺得內(nèi)容不錯(cuò)的朋友能夠幫忙右下角點(diǎn)個(gè)贊，分享一下。您的每次分享，都是在激勵(lì)我不斷產(chǎn)出更好的內(nèi)容。

歡迎關(guān)注深思圈，一起探索更大的世界。

- END -

兩個(gè)“特別坑”的AI產(chǎn)品創(chuàng)業(yè)方向，你知道嗎

速度將成為AI時(shí)代唯一的護(hù)城河

a16z重磅預(yù)測：Vibe coding贏者通吃？錯(cuò)了，垂直專業(yè)化才是未來