字节清华联合融资重构企业软件工程

听雨 发自 凹非寺
量子位 | 公众号 QbitAI

成立刚满一年，连续完成三轮融资，总金额数亿元。

最新一轮，临芯投资领投，华控基金继续加码——一个新投资方入场，一个老股东追投。

拿到钱的这家公司，叫词元无限（Tokens Infinity AI），一家面向企业软件工程的 AI Agent 基础设施公司。

CEO 杨萍，此前在字节跳动做出了 MarsCode 和 Trae，主导过数万人级研发体系的 AI 化改造。一年前，她转身离开，创办词元无限。

AI Coding 真正的大机会，不在 To C 工具，而在 To B 的软件工程现场。

过去一年，AI 生成代码的能力已经被充分验证——AI 写代码的速度，是人的 10 倍以上。

但一个矛盾也越来越刺眼：企业真正关心的交付效率，并没有同步放大 10 倍。

一位大厂研发负责人曾公开分享过一组数据：个体提效可以做到 10 倍，但激进使用 AI 的部门，整体研发提效也只有约 60%。

答案藏在软件工程的全链路里。要真正吃下这波红利，企业需要的不是又一个写代码的工具，而是一套能进入研发主流程、连接上下文、需求、评审、测试与交付结果的 AI Agent 基础设施。

某种意义上，「词元无限」这个名字本身，也踩中了当下 AI 应用的一条暗线——

当模型调用、Token 消耗、Agent 运行成为企业 AI 成本与效率的基本单位，怎么让每一个 Token 真正转化为结果，正在成为新的产业命题。

AI Coding 最早让人兴奋的点在于，它把「写代码」这件事真的自动化了。

从 Copilot、Cursor，到 Claude Code、Codex、Trae、Qoder，一批批工具已经证明：大模型可以显著提升个人开发者的编码效率。

真实链路里，还有需求理解、架构设计、代码评审、测试验证、上线发布和长期维护——任何一个环节卡住，前面的代码生成效率都会被吃掉。

企业级场景尤其如此：动辄几十万、上百万行的存量代码库，盘根错节的调用依赖，严格的测试评审与安全要求。以银行为例，90% 以上的开发工作是存量系统迭代，而不是从零写个新应用。

这也解释了，为什么通用 Agent 平台一进严肃场景，就「使不上劲」。

所以对企业来说，AI 写了多少行代码，反而不是重点，重点是：需求能不能更快上线？稳定性和质量能不能兜住？这笔投入 ROI 最后划不划算？

杨萍告诉量子位，企业客户和个人用户的付费逻辑并不一样：

个人用户可能会为兴趣和效率买单，但企业客户永远主要为结果买单。我们的技术要为结果服务，产品要为结果服务，最终落到客户现场的能力，也要为结果服务。

走进一家餐馆，你并不关心一碗面是怎么被做出来的。把需求讲清楚，最后端上来一碗能吃、好吃、符合预期的面，这件事才成立。

软件也一样。没有人为代码本身付钱——企业为软件付钱，是因为它满足了需求、解决了问题，并且能稳定运行。

顺着这个逻辑，词元无限把商业模式也往前推了一步：从卖席位、卖 API 调用、卖 Token 消耗，走向「结果即服务」（Result-as-a-Service）。

因为旧的计量方式，回答不了那个越来越尖锐的问题：AI 到底帮企业交付了什么？

值得一提的是，词元无限给客户的提效目标也很实在：不吹「人人 10 倍」，而是通过统一的 Agent Infra 与 Harness 框架，把团队整体提效做到 2 倍、并向 3 倍、4 倍推进——对一个百人乃至上千人的研发组织来说，这是巨大的真实价值。

这就把 AI Coding 的竞争焦点往前推了一步：第一阶段，比的是谁写得快；进入企业之后，比的是谁交付得稳。

尤其在银行、保险、政企、大型软件服务商这些严肃场景里，企业并非不敢尝试 AI，而是不能接受一个不可控、不可审计、不可解释的 Agent 直接进入生产系统。

「全自主」意味着企业可以完全掌控自己的 AI 基础设施。词元无限从设计之初就保持了模型中立，不与任何单一模型绑定，支持全套私有化部署。代码、数据、业务流程全部运行在自有环境中，企业拥有完整的数据主权和产品主权。

「高安全」是对 Agent 运行时边界的系统性管控。Agent 进入研发生产系统，必须有明确的权限边界、数据边界和能力调用边界。词元无限的安全体系覆盖从权限管控、数据隔离到操作审计的完整链路，做到过程可追踪、风险可阻断。

「自进化」则指向 AI 能力的持续生长。词元无限的平台并非一次性交付的工具，每一次落地反馈和业务上下文理解都回流到产品中，在真实任务和代码评审中持续沉淀企业自己的工程知识，让 Agent 越用越懂客户的系统、流程和标准。

因此，词元无限给企业级 AI Agent 基础设施定下三个关键词：全自主、高安全、自进化。

这与刚刚结束的 2026 世界人工智能大会释放的风向，刚好呼应：AI 要更快进入千行百业，同时必须把安全、可靠、可控放在更重要的位置。

拆开词元无限的产品体系，是一条清晰的搭建路径，整体呈金字塔结构。

第一层，是具体干活的 Agent——从 AI Coding 和测试两个场景切入。

InfCode，数字程序员。面向企业级复杂代码开发，覆盖存量代码理解、任务拆解、代码生成、代码评审和测试生成，把需求落成可执行的代码变更。

InfTest，数字测试工程师。负责质量验证与质量门禁，覆盖单元测试、接口测试、回归测试等多层测试场景，自动生成用例、执行测试、分析缺陷，并与开发 Agent 联动。

InfCode 与 InfTest 之间里还藏着一个有意思的机制：生成—测试—对抗。

在模型能力不足以一次性搞定复杂问题时，让代码生成与测试互相对抗、反复迭代——用 CTO 王伟的话说，就是把「抽卡」式的不确定过程，变成可靠交付。

为什么先做 Coding 和测试？因为这两个场景高频、刚需，而且结果最容易验证——正好是「为结果买单」逻辑的第一站。

第二层，是工程理解与能力沉淀——一支「数字架构师团队」。

DeepMap 负责读懂企业的复杂存量系统：通读全部代码仓与文档，围绕代码库构建结构化知识图谱，梳理架构、调用链路和工程语义——相当于给整个信息系统画一张地图。在企业场景里，存量系统占绝对主导位置，DeepMap 格外受欢迎。

HarnessAgent 则像一位常驻现场的技术架构师：把企业流程、工程规范、专家经验和真实任务反馈，沉淀成对其他 Agent 的约束（Harness）。约 80% 的 Harness 规则已经可以由 Agent 自动生成，人工确认后，即成为团队规范。

CodeReview 承担代码质量与风险校验的职责：基于工程上下文和企业规范，评审每一次代码变更，识别潜在风险。

三者形成一个闭环：先理解系统，再沉淀规则，最后反过来约束和优化每一次变更。

对企业软件研发来说，真正关键的上下文往往不只在代码里，还在历史文档、流程规范、评审习惯和资深工程师的判断里。词元无限想做的，就是把这些经验沉淀成企业自己的 Harness——Agent 越用，越懂这家企业。

比如检索：针对不同编程语言构建抽象语法树（AST）做检索增强，在大规模企业级代码库上的效果，优于通用框架的文本相似度检索。

比如记忆：项目级、用户级、团队级分级设计，且对企业强调透明可控、可审查、可编辑。

这些细节，恰恰是通用 Agent 覆盖不到的地方。

TokenHub 负责模型路由、Token 调度和成本优化：复杂任务交给能力更强的模型，简单任务路由到更轻量的模型；同时处理上下文治理与缓存复用，减少重复推理和无效消耗。

在代码生成任务中，TokenHub 的智能路由能力，能把 Token 成本降低 25% 以上——并且给客户一本「透明账」：每个 Token 花在哪、值不值，可解释、可度量。

在词元无限的设想中，企业里未来会同时运行需求、设计、开发、测试、运维等各类 Agent。

InfOne 要做的，就是把这些能力映射成可治理、可度量的 Agent 角色——定义职责、目标和成本，调度协同，衡量最终的投入产出。

这套能力最终达成一个目标：让少数人带着一组 Agent，完成过去一个团队才能完成的工作。

词元无限交付的不是「一个会写代码的工具」，而是一支可治理的数字员工团队。

所有 Agent 公司，都绕不开这个灵魂拷问：模型几个月进化一次，你做的东西，会不会被下一代模型直接吃掉？

王伟的回答方式很「姚班」——不靠试错，看第一性原理：

我们不用「走一步看一步」的方式应对模型迭代，而是从 Transformer 架构的技术原理出发，做白盒分析。

一类，是短期可能被模型突破、吸收的——比如部分 Harness 知识，会被模型学习内化；

另一类，是短期内难以突破的——比如真正的无限上下文、自主学习机制，这些都是基础范式级别的难题。

作为 Agent 和 Agent Infra 公司，必须想清楚：哪些能力会随着模型能力上涨而水涨船高，哪些会被模型吃掉。只有想清楚这件事，才有可能不被算法的巨浪吞没。

顺着这个框架，还能看到一个模型厂商很难复制的位置：多模型协同。

把不同能力、不同成本的模型按任务组合，严谨的模型做严格执行，发散的模型做创造性任务，成本敏感的任务交给更轻量的模型——像「用不同水平的人搭一个组织」，创造超越任何单一基础模型的价值。

而这件事，模型厂商自己反而不好做：没有谁会在自家模型之上，认真调度别家的模型。

外界最容易看到的，是两个标签：字节和清华。

2024 年上半年，SWE-Bench 早期榜单竞赛中，两人带队的团队分列全球第二和第三。因为工程上的交流结缘，气场契合，2025 年，两人决定一起创业。

CEO 杨萍，前面提到，曾在字节跳动做出 MarsCode 和 Trae，负责数万人级研发体系的 AI 化改造。字节的软件开发体系、工具链、质量体系和 AI 效能体系从 0 到 1 的搭建，她全程深度参与。

CTO 王伟，清华计算机系出身，姚班第一批学生。

他职业生涯的第一站在外企世界五百强，为超大型企业开发核心系统；是国内最早一批分布式系统架构师；后来在一家具身机器人独角兽公司担任首席架构师，负责 AI Infra 与机器人算法工作。

首席科学家袁源，北京航空航天大学教授、博导，师从中国科学院院士张钹，也是北航复杂关键软件环境全国重点实验室的核心成员。

标签好记，但词元无限真正的优势，是标签背后的两种能力——

模型 Native 能力，让他们能深入解决 Agent、上下文、模型路由、多模型协同、推理成本等问题；

软件工程经验，让他们知道企业软件不是 Demo：要长期维护，要跨团队协作，要经过测试评审，要对结果负责。

一端是企业软件工程现场，一端是模型原生能力。词元无限要做的事，恰好长在两端的交点上。

如果只做一个更好用的 Coding 插件，产品边界清楚，增长路径也更像工具。

但选择进入企业研发现场，就必须直面更麻烦的问题：客户流程各不相同，历史系统难以迁移，测试评审要求严格，安全边界又必须守住。

而王伟提到中国 SaaS 长期存在的一个「阿喀琉斯之踵」：

单点工具好做，但商业天花板有限；整套平台价值更高，却容易陷入客户适配，最后变成无穷无尽的定制化开发。

企业级 AI Agent 基础设施，同样绕不开这道坎。词元无限的解法，是「AI Native FDE」。

FDE（Forward Deployed Engineer，前置部署工程师）进入客户现场，先找到最有价值、最容易验证结果的场景，再把 InfCode、InfTest、HarnessAgent、TokenHub 这套产品能力组合起来，跑通交付闭环。

但这套 AI Native FDE 模式，和传统定制开发有本质区别——

词元无限的 FDE，是带着 Agent 一起干活的。现场沉淀的流程、规则、测试反馈和专家经验，会进入 Harness、反哺产品体系；打透行业标杆后，再培训合作伙伴的 FDE 团队去规模化复制，而不是无限扩张自己的交付人力。

一个客户项目结束，留下的不只是一次交付结果，还有可复用的上下文、路由规则、评测集、行业模板和工程经验。

当然，飞轮有红线：合规场景下，客户数据绝不出场。能跨客户沉淀复用的，只有抽象、脱敏后的工程经验；具体业务流程，严格不做跨客户迁移。

任务做得越多，系统越懂这家企业；行业跑得越深，平台越能抽象出可复制的方法。这，就是「自进化」真正落地的地方。

华控基金认为，2026 年将成为 AI 从对话工具走向生产力引擎的关键拐点。AI 要从 Token 转化为企业严肃场景里的真实生产力，对创业公司的 AI Native 能力和企业级全流程软件工程能力都提出了更高要求。

在他们看来，词元无限过去半年快速升级战略、迭代产品，并获得神州信息、飞书等产业生态伙伴的认可，正在成长为国内企业级 AI 基础设施领域的重要公司。

临芯投资则更关注产业落地：AI 下半场重在产业落地，而编程智能体是衡量企业研发生产力的重要标准。除了字节 AI 经验和清华姚班背景，他们同样看重 InfCode 等产品在技术评测、私有化部署、数据合规，以及金融、制造等场景中的落地潜力。

所以，词元无限从一开始，就没把自己定位成一家 AI Coding 工具公司。

Coding 和 Testing 只是入口。它们足够高频、足够刚需、足够容易验证结果。

而一旦这条路径跑通，往后延伸的空间会大得多：研发、测试、运维、安全，以及更多业务流程，都会被 Agent 重新组织一遍——最终指向一条 Agentic 软件智能生产线。

到那时，企业需要的就不只是一个会写代码的 Agent，而是一套能管理 Agent、调度 Token、沉淀经验、衡量结果的智能基础设施。

在企业场景里，Token 终究不能只停留在账单上。它要变成一次真实的任务推进：代码被改好，测试被跑完，缺陷被修掉，最终被客户验收。

当 AI 真正进入生产系统，如何让 Token 消耗转化为可验收的结果、让 Agent 从工具变成数字员工、让一次次执行沉淀为企业自己的智能资产，将成为新的基础设施命题。

写代码变简单之后，软件工程里真正硬核的事，才刚刚开始。

GPT-5.6 今起大降价，最大幅度 80%！2026-07-31

出海企业苦等的可信任 AI 营销产品，飞书深诺做出来了 2026-07-27

传奇 AlphaFold 团队全员解散！诺奖得主投奔 Anthropic，资源转向 Gemini 2026-07-30

DeepSeek 被曝主动叫停了第二轮融资签约 2026-07-27

用 AI 赋能千行百业，讯飞开放平台 2.0 最新进展曝光

人类密室逃脱率 100%，顶级大模型仅 71%！

你的下一代手机，息屏放着，没有专门打开任何应用，但听到婴儿的哭声会提醒你。也可以根据你所在场景的不同情况调整设置，比如“感觉”你走进了会议室，自动给你设置成静音状态。

量子位 QbitAI 版权所有 © 北京极客伙伴科技有限公司 京ICP备17005886号-1