文章摘要
成立仅一年的词元无限完成新一轮数亿元融资。创始人杨萍认为AI代码生成最大机遇在To B领域。该公司调整商业模式为“结果即服务”，目标是实现团队整体提效。其产品体系呈金字塔结构，覆盖企业研发全流程。面对模型迭代，采用多模型协同应对。团队兼具模型与工程经验，以“AI Native FDE”模式深耕企业级市场。

成立仅一年的词元无限，近期完成了新一轮数亿元融资，本轮由临芯投资领投，老股东华控基金追加投资，至此这家专注企业软件工程的AI Agent基础设施公司，已经完成三轮融资。

公司创始人杨萍，曾主导过数万人级研发体系的AI化改造，参与打造过多款企业级研发工具，2025年离职创办词元无限。她创业的核心判断正是：AI代码生成的最大机遇并非面向个人的C端工具，而是To B领域的软件工程现场。

一年过去，这个判断正在成为行业共识。过去一年，AI生成代码的能力已经得到充分验证，部分开发者的编码效率能达到传统方式的10倍以上。但一个现实矛盾愈发凸显：企业真正关注的整体交付效率，并没有同步实现10倍的提升。有大厂研发负责人公开分享过一组数据：即便个体提效能做到10倍，激进使用AI工具的部门，整体研发提效也仅约60%。

中间流失的效率究竟去了哪里？答案藏在软件工程的全链路中。软件研发绝非仅靠写代码就能完成，从需求理解、架构设计、代码评审、测试验证到上线发布、长期维护，任何一个环节出现卡顿，都会抵消前期的代码生成效率。

企业级场景的特殊性进一步放大了这个问题：动辄几十万、上百万行的存量代码库、盘根错节的调用依赖，加上严格的测试评审与安全要求，比如银行场景中90%以上的开发工作都是存量系统迭代而非从零搭建新应用。这也解释了为何通用Agent平台进入严肃业务场景后，往往难以发挥作用。

对企业来说，AI生成了多少行代码并非核心关注点，真正的问题在于：需求能否更快上线？系统稳定性与交付质量能否得到保障？这笔AI投入的ROI是否划算？

企业付费逻辑：以结果为核心

AI Coding早期的吸引力在于实现了代码编写的自动化，从Copilot、Cursor到Claude Code等多款工具，都证明了大模型可以显著提升个人开发者的编码效率。但软件研发是完整的流程，单个工具的提效无法覆盖全链路的需求。

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。

杨萍用日常就餐打比方：走进餐馆，顾客不会关心一碗面的制作过程，只要最终端上来的食物符合预期、口感合格即可。软件研发也是同理，企业不会为代码本身付费，而是为软件解决的问题、稳定运行的服务买单。

基于这个逻辑，词元无限调整了商业模式，不再单纯售卖使用席位、API调用次数或Token消耗，而是转向“结果即服务（Result-as-a-Service）”。传统的计量方式无法回答“AI到底为企业交付了什么”这一核心问题，而新的模式直接锚定最终交付结果。

词元无限给客户的提效目标也十分务实：不追求“人人10倍”的个体效率，而是通过统一的Agent Infra与Harness框架，实现团队整体提效2倍，并逐步向3倍、4倍推进。对百人乃至上千人的研发组织来说，这是极具吸引力的真实价值。

这也将AI Coding的竞争焦点向前推进了一步：第一阶段比拼的是谁写代码更快，进入企业级场景后，比拼的是谁的交付更稳定可靠。在银行、保险、政企、大型软件服务商等严肃场景中，企业并非不敢尝试AI，而是无法接受不可控、不可审计、不可解释的Agent直接接入生产系统。

为此，词元无限为企业级AI Agent基础设施定下了三个核心关键词：全自主、高安全、自进化。

全自主意味着企业可以完全掌控自身的AI基础设施：词元无限从设计之初就保持模型中立，不绑定任何单一模型，支持全套私有化部署，代码、数据与业务流程全部运行在企业自有环境中，让企业拥有完整的数据主权与产品主权。

高安全则体现在对Agent运行边界的系统性管控：Agent接入研发生产系统时，必须明确权限、数据与能力调用的边界。词元无限的安全体系覆盖权限管控、数据隔离到操作审计的完整链路，确保过程可追踪、风险可阻断。

自进化指向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，每一次落地反馈与业务上下文理解都会回流到产品中，在真实任务与代码评审中持续沉淀企业专属的工程知识，让Agent越用越熟悉客户的系统、流程与标准。

这一理念与2026世界人工智能大会释放的行业风向高度契合：AI要更快落地千行百业，必须将安全、可靠、可控放在更重要的位置。

七层产品构建的金字塔体系

词元无限的产品体系呈现清晰的金字塔结构，共计七款核心产品，覆盖企业研发全流程。

第一层：直接落地的业务Agent

该层从AI编码与测试两个高频刚需场景切入，两款核心产品分别对应不同的业务角色。

InfCode是面向企业级复杂代码开发的“数字程序员”，可覆盖存量代码理解、任务拆解、代码生成、代码评审与测试生成全流程，将业务需求转化为可执行的代码变更。

InfTest则是“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、回归测试等多层场景，可自动生成测试用例、执行测试、分析缺陷，并与开发Agent实现联动。

InfCode与InfTest之间还设计了“生成—测试—对抗”的闭环机制：当模型能力不足以一次性解决复杂问题时，通过代码生成与测试的互相迭代，将“抽卡式”的不确定过程转化为可靠交付，正如CTO王伟所说，让复杂任务的交付变得可预期。

选择编码与测试作为切入点，正是因为这两个场景高频、刚需且结果易于验证，恰好契合“以结果为核心”的商业逻辑。

第二层：工程理解与能力沉淀

该层相当于企业的“数字架构师团队”，包含三款核心产品，负责梳理企业系统与沉淀工程经验。

DeepMap的核心能力是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，梳理系统架构、调用链路与工程语义，相当于为企业的整个信息系统绘制一张精准地图。在企业场景中存量系统占绝对主导的背景下，DeepMap的需求格外旺盛。

HarnessAgent则像常驻现场的技术架构师，可将企业流程、工程规范、专家经验与真实任务反馈，沉淀为对其他Agent的约束规则。约80%的Harness规则可由Agent自动生成，经人工确认后即可成为团队统一规范。

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

这三款产品形成完整闭环：先理解系统现状，再沉淀专属规则，最后用规则约束并优化每一次代码变更。对企业软件研发来说，关键上下文不仅存在于代码中，还包括历史文档、流程规范、评审习惯与资深工程师的判断，词元无限希望将这些经验沉淀为企业专属的Harness，让Agent越用越懂这家企业。

这背后离不开多项自研的技术细节：比如针对不同编程语言构建抽象语法树（AST）实现检索增强，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；同时采用项目级、用户级、团队级的分级记忆设计，且对企业强调透明可控、可审查、可编辑。这些细节正是通用Agent难以覆盖的领域。

第三层：模型与Token治理

TokenHub负责模型路由、Token调度与成本优化：将复杂任务分配给能力更强的模型，简单任务路由至更轻量的模型；同时处理上下文治理与缓存复用，减少重复推理与无效消耗。在代码生成任务中，TokenHub的智能路由能力可将Token成本降低25%以上，同时为客户提供透明账单，清晰展示每个Token的消耗位置与价值，实现可解释、可度量。

塔尖：InfOne数字负责人

InfOne是企业级研发体系的“数字负责人”。在词元无限的设想中，未来企业内部将同时运行需求、设计、开发、测试、运维等多类Agent，而InfOne的核心职责是将这些能力映射为可治理、可度量的Agent角色，定义职责、目标与成本，调度各Agent协同工作，并衡量最终的投入产出比。这套能力的最终目标是：让少数人带着一组Agent，完成过去一个团队才能达成的工作。

整体来看，词元无限交付的并非单个“会写代码的工具”，而是一支可治理的数字员工团队，覆盖从基础编码到全局调度的全流程研发能力。

如何应对模型迭代的挑战？

所有Agent相关的创业公司都无法回避一个灵魂拷问：模型迭代速度极快，几个月就会有新的突破，公司研发的产品会不会被下一代模型直接替代？

CTO王伟的回答基于第一性原理，采用严谨的技术分析：并非通过试错应对模型迭代，而是从Transformer架构的技术原理出发进行白盒分析。

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。

通过分析，AI能力被分为两类：一类是短期可能被模型突破、吸收的能力，比如部分Harness规则知识，会被模型学习内化；另一类是短期内难以突破的基础范式级难题，比如真正的无限上下文、自主学习机制。

王伟将这套判断总结为“水涨船高”论：

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。

基于这一框架，多模型协同是模型厂商难以复制的核心优势。通过将不同能力、不同成本的模型按任务组合，让严谨的模型负责严格执行、发散的模型负责创造性任务、成本敏感的任务交给轻量模型，如同用不同水平的员工搭建高效团队，创造超越单一基础模型的价值。而模型厂商本身很难做好这件事，没有厂商会在自家模型之上认真调度竞品模型。

兼具模型与工程经验的团队

聊完产品与技术，再看词元无限的核心团队。外界最容易注意到的企业与名校标签，但团队的结缘并非来自大厂或名校，而是源于一场技术竞赛。

2024年上半年的SWE-Bench早期榜单竞赛中，杨萍与王伟带领的团队分别位列全球第二与第三，因工程理念契合结缘，2025年两人决定共同创业。

CEO杨萍曾主导数万人级研发体系的AI化改造，参与搭建头部科技企业的软件开发体系、工具链、质量体系与AI效能体系。CTO王伟毕业于清华计算机系，是姚班第一批学生，职业生涯先后就职于外企世界五百强、国内分布式系统架构师团队、具身机器人独角兽公司，负责AI Infra与机器人算法工作。首席科学家袁源是北京航空航天大学教授、博导，师从中国科学院院士张钹，同时是北航复杂关键软件环境全国重点实验室的核心成员。

这些背景背后，是词元无限的两大核心优势：一是模型原生能力，可深入解决Agent、上下文、模型路由、多模型协同与推理成本等技术问题；二是深厚的软件工程经验，清楚企业软件绝非演示Demo，需要长期维护、跨团队协作、严格的测试评审，且必须对最终结果负责。一端对接企业软件工程现场，一端掌握模型原生能力，词元无限的业务恰好落在两个赛道的交汇点。

深耕硬核赛道，拒绝短期红利

采访中杨萍曾提到：“要做硬核的事情，而非摘低垂的果实。”如果仅开发一款更易用的Coding插件，产品边界清晰，增长路径也更偏向工具类产品。但选择进入企业研发现场，就必须直面更复杂的问题：客户流程各不相同、历史系统迁移难度大、测试评审要求严格、安全边界必须严格守住。

王伟还提到国内SaaS领域长期存在的“阿喀琉斯之踵”：单点工具容易开发，但商业天花板有限；整套平台的价值更高，却容易陷入客户适配的困境，最终演变为无穷无尽的定制化开发。企业级AI Agent基础设施同样面临这一挑战，而词元无限的解法是“AI Native FDE”模式。

FDE即前置部署工程师，会进入客户现场，先找到最具价值且易于验证结果的场景，再将InfCode、InfTest、HarnessAgent、TokenHub等产品能力组合，跑通交付闭环。但这套模式与传统定制开发有本质区别：词元无限的FDE是带着Agent一起工作的，现场沉淀的流程、规则、测试反馈与专家经验会进入Harness，反哺产品体系；在打透行业标杆后，再培训合作伙伴的FDE团队实现规模化复制，而非无限扩张自身的交付人力。

这形成了一套“企业Harness飞轮”：每一个客户项目结束后，留下的不仅是单次交付结果，还有可复用的上下文、路由规则、评测集、行业模板与工程经验。当然，飞轮有明确的红线：合规场景下客户数据绝不对外流出，可跨客户复用的仅为抽象、脱敏后的工程经验，具体业务流程严格禁止跨客户迁移。

任务完成越多，系统越熟悉该企业的需求；行业覆盖越深，平台越能抽象出可复制的方法，这正是“自进化”理念的真正落地方式。

资本的判断也集中在这两个方向。华控基金认为，2026年将成为AI从对话工具转向生产力引擎的关键拐点，AI要将Token消耗转化为严肃场景中的真实生产力，对创业公司的AI原生能力与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，词元无限在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，已经成长为国内企业级AI基础设施领域的重要玩家。

临芯投资则更关注产业落地：AI下半场的核心在于产业落地，而编程智能体是衡量企业研发生产力的重要标准。除了团队的AI经验与技术背景，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。

因此，词元无限从创立之初就没有将自己定位为AI Coding工具公司，编码与测试仅仅是入口——它们足够高频、刚需且易于验证结果。一旦这条路径跑通，后续的延伸空间将十分广阔：研发、测试、运维、安全乃至更多业务流程，都会被Agent重新组织，最终指向一条Agentic软件智能生产线。

到那时，企业需要的不再只是单个会写代码的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。这也是“词元经济”被行业讨论的原因：在企业场景中，Token不能仅停留在账单上，而要转化为真实的任务推进——代码被修改完成、测试顺利执行、缺陷得到修复，最终通过客户验收。

当AI真正接入生产系统，如何让Token消耗转化为可验收的结果、让Agent从工具升级为数字员工、让单次执行沉淀为企业专属的智能资产，将成为新的基础设施命题。

写代码变简单之后，软件工程领域真正硬核的挑战才刚刚开始。而词元无限押注的，正是这一全新的赛道起点。

以上内容不代表本平台立场，仅供读者参考