北京
文｜鄧詠儀
編輯｜蘇建勛
僅用半年時間，楊萍就目睹了AI Coding賽道有多瘋狂。
2024年，Vibe Coding賽道發展如火如荼。Cursor從2023年的100萬美元ARR，暴漲至2024年11月的6500萬美元，估值更是在短短四個月內翻了超6倍。
彼時，楊萍正在字節將第一款Coding產品MarsCode推向市場不久。作為技術研發負責人，從2021年開始，她就已經在字節帶領百人團隊，探索將AI應用在軟件領域的應用，打造的產品曾服務字節內部數萬研發人員，幫助公司節省億級別的研發預算。
“那時我們就已經發現，AI在Coding領域的應用潛力很大，并且用戶更關心的是能否直接看懂和有效使用?！彼龑Α吨悄苡楷F》表示。
但當賽道急劇變化時，楊萍內心產生了強烈的緊迫感。
變化體現在兩個維度：一是這些C端Coding產品不僅獲得了資本的高估值，收入也在猛漲，證明市場對AI編程工具的真實需求；
二是市場格局正在重構——無論國內還是海外，To C方向的Coding產品，已經插滿了先行者的旗幟，但越來越多廠商轉向To B市場，企業級需求開始爆發。
這些變化讓她意識到，創業時機已經不能再等。2025年7月，楊萍與兩位聯創正式成立新公司“詞元無限”，希望提供面向B端企業的AI Coding Agent服務。
近期，詞元無限正式完成了數千萬元天使輪融資，投資方為某軟件產業CVC。本輪融資由航行資本擔任長期財務顧問。
詞元無限也吸納了來自畢業于清華姚班、字節等公司的資深人才。CTO王偉為清華姚班校友，曾任國內知名具身機器人公司與大模型創業公司的技術合伙人。商業化負責人李瑩擁有十余年AI產業落地經驗，曾在大模型To B領域主導完成了數億元規模的項目落地。
市面上的通用AI編程工具，雖然代碼生成速度快，能迅速編寫許多小型應用，但在面對企業復雜的遺留系統（Legacy Code）、技術棧和嚴苛的業務規范時，往往顯得水土不服。
比如，一個典型的金融場景案例是：銀監會規定開戶流程必須包含特定的合規步驟，而通用AI工具可能會根據公開數據自行設計出若干個步驟。這種代碼生成得再快，在企業眼中也是不可用的廢代碼。
為了讓Vibe Coding真正進入企業級生產場景，硅谷正在復興一個經典概念——FDE（Forward Deployed Engineer，前沿部署工程師）。
這一模式由Palantir在2010年提出，目前已經在AI行業掀起招聘熱潮，包括OpenAI、Anthropic在內的企業，均宣布將包括FDE在內的應用AI團隊，擴大數倍規模。
詞元無限希望用AI，打造類似這樣的Agent服務——讓高水平工程師直接進入客戶現場，他們既是技術專家，又是商業顧問，幫助企業將前沿AI技術應用到生產環境中。
InfCode
12月初，詞元的核心產品InfCode正式上線了第一個版本，形態為插件+企業級的AI Coding平臺。InfCode幫助企業完成代碼治理、補全、審查、任務規劃等等工作，相當于一個中階研發工程師。
InfCode通過兩層機制解決這一問題：第一層是標準化對接——通過內置的MCP Server連接器，快速集成飛書、企業OA等常見辦公系統，使AI能夠實時查詢企業內部文檔和規范；
第二層是個性化適配——針對每家企業獨特的微服務架構、內部流程和遺留系統，提供開放接口，由企業IT團隊進行輕量級適配。
在實際POC驗證中，詞元合作目前正在合作的客戶案例中，研發效率提升了近40%，AI生成代碼的可用率達到88%以上，質量達到中級程序員水平。
更重要的是，詞元無限并不關注中間過程的AI準確率，而是直接衡量項目交付的價值——比如人效、項目時間的提升等。
目前，在全球權威智能體評測基準SWE-Bench Verified上，InfCode以79.4%的得分刷新了世界最佳紀錄（SOTA），超過公開排行榜上GPT-5、Claude等頂尖模型65%左右的成績。
在2025年的中國，做To B市場依舊是個不容易的決定。在上一個AI 1.0時代，不少AI公司的發展說明，如果只有單點技術能力，很容易落入無窮無盡的定制化、大項目中。
不過，楊萍認為，AI Coding或許能讓To B落地走出一條不一樣的道路。
這背后，既有基模發展迅速的原因——2025年，基礎模型廠商在Agent能力上的建設上，不遺余力，剛上新的Gemini 3 flash，就已經比數月前的Gemini 2.5 pro能力強上數倍，帶來的業務價值是立竿見影的；
二是C端AI產品在迅速普及，比如Cursor、Replit等垂類Coding產品，還有ChatGPT等通用的AI助手，都在讓企業研發群體對AI的接受度和付費意愿，遠超預期。
楊萍表示，最終Agent的商業模式，會走向以結果為導向的方式（RaaS, Result as a Service），讓企業管理者能夠清晰計算投資回報率。“C 端產品的普及已經完成了對企業研發人員的市場教育，現在的關鍵是解決最后一公里的業務理解問題?！睏钇颊f。
在第一輪融資完成之際，詞元無限的幾位聯創也和《智能涌現》聊了聊，To B AI Coding的痛點、機遇都在何處。
以上為訪談原文，經《智能涌現》編輯整理：
企業級場景和Vibe Coding，很大程度是相悖的
《智能涌現》：咱們從創業的起點開始聊吧，一開始你是在字節做Coding產品，再到創業，整個過程背后是怎么考慮的？
楊萍：2018年到2024年，我在字節主要負責智能化和軟件工程相關的工作。在大語言模型爆火之前，我們已經在研究一些深度學習和生成學習模型，但那時候主要還是在學術界做一些探索。
從2021年開始，我和整個團隊持續觀察、做一些強化學習的相關應用，包括深度學習在代碼場景的應用等。
字節內部的AI Coding產品始于22年中，我們相當于完整經歷了從0到1的過程。后來我選擇在24年8月離開，經過一段時間的學習后，在今年7月創建了詞元無限。
《智能涌現》：2024年8月，那會Marscode剛推出不久，離開自己一手帶起來的產品，會不會有猶豫？
楊萍：最關鍵的還是大模型的浪潮下，機會多。人應該在巔峰時期做選擇，不應該在落寞的時候做選擇。要不然，你覺得你有什么理由去說服別人愿意真金白銀投給你？
創業者心態應該是在干得好的時候出來高舉高打，這時候恰恰是有經驗，也是有自信的。
在我們成立公司之前，Cursor、Replit這些明星公司，基本都在2023年的大半年間，市場表現和估值開始猛漲。
這個事情對我還是有挺大觸動的，覺得在大廠，競爭跑得也不一定有外面的快，創業時機很重要。
《智能涌現》：以前你們做的AI Coding產品，是直接面向開發者的，但新公司詞元無限選擇了面向企業端市場，為什么會選擇轉變方向？
楊萍：To B和To C在開發者工具上的區別，其實沒有傳統軟件產品的區別那么大。我們強調企業級，更多的是指想要面對的問題域——企業級場景需要規模化的Agent能力，解決軟件交付全流程的問題。
舉個例子，有很多個人Vibe Coding產品，主打的是一句話能生成一兩萬行的demo項目。但你可能很難相信，Vibe Coding能給你生成一個1000萬行級別的、可以增加營收或者承載核心業務的軟件。
我們其實更關注的是這種嚴肅級的企業級編程的場景，去挑戰這種更復雜的規?；瘑栴}。
《智能涌現》：用一句話概括，詞元無限的產品能做什么？
楊萍：我們是一個聚焦于企業級場景的AI Coding Agent平臺。
從底層定義上，我們提供的不只是一個工具，也會提供Agent的平臺級能力。這些Agent會深入到企業級軟件開發的各個環節，比如在企業級的Coding、Debugging（代碼排錯）等等，把AI能力深度集成到開發者常用的IDE（開發環節）中。
《智能涌現》：企業級的開發場景里，為什么沒法用Vibe Coding產品解決需求，用戶痛點是什么？
楊萍：企業開發者最頭疼的是在需求、開發、測試、運維等多個平臺間頻繁切換，這中間有巨大的數據和流程壁壘。比如，在金融、醫藥這些關鍵行業，每一次代碼改動都要對業務負責。
嚴肅編程場景，相對來說結果是確定的，對服務穩定性是有要求的，需要按照特定的Context（上下文），來指導用戶完成整個Coding過程。
所以本質上，這跟Vibe Coding是相悖的。Vibe Coding產品往往更多依靠基礎模型的能力，工程層比較薄。它不完全是你個人意愿的承載，就是你得去理解業務的需求，按業務規范寫業務代碼，在一定的限制下做項目。
《智能涌現》：能舉個例子，說明企業客戶實際遇到的困難，以及你們怎么是解決的嗎？
王偉：企業開發往往是幾十甚至上百人協作，因此產品必須能與企業現有的研發流程自然對接。
比如，開發電商系統的前端頁面，如果只使用Vibe Coding，寫出來的頁面可能跟后端系統邏輯對不上；但我們的AI Coding Agent能連接到多個后端項目，參考相應的代碼接口和文檔，確保前后代碼邏輯一致并且能真正跑通。
Vibe Coding產品在B端場景效果有限，正是因為它們基于這類場景來設計的。
以金融的賬戶風控邏輯為例， 銀監會有明確的政策指導文件，要求開戶流程必須檢查若干步。如果簡單使用Vibe Coding產品去生成，它可能會很“聰明”地幫你設計出很復雜的檢查流程，但最終結果貨不對板，完全不滿足基本的流程要求。
我們的Coding Agent要解決的就是這種依賴復雜、代碼量大且關聯多的場景。例如企業系統“存量項目”，動輒十幾萬甚至上百萬行的代碼倉庫，模型的上下文空間肯定是不夠的。
這就需要在Agent層面來優化設計， 我們Agent設計了兩種機制，內功方面主要是針對受限上下文窗口下的Context優化，包括上下文動態壓縮、加載卸載機制，用于解決模型先天局限性，外功方面主要是引入更多的連接，通過mcp等開放協議將企業研發過程中的各類信息（包括文檔、外部依賴、數據庫等）動態的引入到Agent環境中。這種內外兼修的方式取得了不錯的效果。
《智能涌現》：用一個具體的案例，來說明你們的產品是怎么幫助用戶解決問題的？
王偉：我們現在有一個典型的合作案例，是跟一家金融上市公司做的。實施分為兩步：
第一步是提供標準化產品，重點關注上下文工程（Context Engineering），確保智能體自身的設計能夠避免上下文長度不夠的問題。
第二步是解決“信息從哪里來”的問題。
這部分信息對接分為兩類：一是標準化的，通過內置MCP Server連接器快速集成git倉庫、制品管理系統和文檔系統等環境，讓Agent能精準讀取外部信息；
另外一部分是非標的個性化系統，我們開放接口和適配器，客戶側的團隊快速集成了他們內部的OA系統。
這兩步實施下來，最終實現了又快又好的效果?？蛻魧嶋H測試，與中級開發人員的能力水平基本持平，最終幫客戶提升了將近40%的人效。
《智能涌現》：這個40%是怎么算的？怎么定義任務被解決？
王偉：只看最終效果，也就是直接對比人力投入，比如研發周期（人天）。
這些指標一定是跟業務目標直接掛鉤的。在整個開發過程中，我們不去拆解中間有多少類型的情況，也不管用 AI 生成后還需要多少人力去修復或者調整。只看這個團隊把同樣價值的事兒做完，到底節省了多少人力成本。
從企業管理者視角看，最關心的就是這個最終交付的價值，而不是其他的過程指標。
《智能涌現》：那你們的收費模式是怎么樣的？
李瑩：目前我們正在有在和頭部的幾家 ISV（獨立軟件開發商）以及大型終端客戶進行協議簽署和探索。
針對工具類產品，我們會收取 License（授權）和Agent 訂閱費；針對平臺類產品，除了收取一些標準費用外，也在考慮分潤模式。
從插件到IDE，產品形態不是最核心的問題
《智能涌現》：你們剛剛提到詞元無限是解決“嚴肅編程場景”的問題，這跟Vibe Coding解決的問題，主要區別是什么？
李瑩：市面上C端市場大家做的Coding類產品，實際上解決的是輕量化軟件的交付能力。而面對一個復雜的企業級業務場景，它其實很難做到更好。
而這恰恰是我們眼中巨大的市場空間，可能看上去是dirty work，這反而成為創業公司的機會。
王偉：資本往往偏好C端Coding產品，因為在大模型時代它像快消品，商業模式簡單清晰且容易擴張。但你會發現，越平權的技術，或者越薄的 Agent 產品，往往非常依賴信息差和時間差。
現在的情況是Vibe Coding產品層出不窮，但各領風騷幾十天。最終的結果就是Vibe Coding交付物泛濫，最終價值快速衰減甚至接近歸零。
我們更想去真正有挑戰的地方，要去有復雜度壁壘的地方，比如如何通過Coding Agent來交付一套電商系統。這是我們認為真正價值的場景，也是和C端的根本差異。
《智能涌現》：從產品形態來看，InfCode為什么會選擇從插件做起？
楊萍：現在大家習慣使用插件或IDE，但這只是代表這個階段用戶習慣用什么樣的產品而已，不是最本質的形態，但我們可以用這種形態去切入市場，減少用戶的使用門檻。
我們的IDE還在籌備中，很快就會上線，后續會建立起Coding Agent企業級平臺。
Coding工具鏈其實很長，涵蓋了從編輯器、調試、編譯到產物管理及上線服務的全過程。我們認為，整個工具鏈一定會Agent化的。未來我們提供的不再是一個單一工具，其實會更像是一堆Agent的集成平臺。
《智能涌現》：詞元無限的產品開發過程中，你們大概多少代碼會用Agent直接寫？
王偉：通用類型代碼編寫，占比比較高，大約80%左右。Agent核心代碼部分大約50%上下。
目前Agent核心部分是使用rust編寫的，由于很多功能屬于新的設計，目前基模對這類模式沒有太多的預訓練知識支撐，所以很多時候需要我們自己去摸索和實現。
《智能涌現》：你們剛剛提到企業上下文管理和業務承載能力，這個具體是怎么實現的？因為每家企業的infra都不一樣，這個挑戰其實挺大的。
楊萍：這里分幾類。第一是偏標準的場景，比如說文檔管理，不管對接到飛書文檔還是企業的OA系統，這其實是有市占率比較高的產品，來提供服務的。
對于這類產品，我們會內置連接器，類似MCP的服務，能夠把這些產品快速集成進來。一旦配置完成，我們的Editor在工作時就能直接查到這些信息，服務于整個工作流程，讓它工作得更精準。
第二類就是Infra和更底層的服務，這確實是個挑戰。因為每家公司的微服務、日志體系、日志等級定義甚至規范都不一樣，這些東西永遠沒辦法被文檔去窮盡。
我們目前通過提供一整套進程系統，把定義問題和發現問題的能力交給企業自己。我們提供機制，讓他們能夠把自己的這些非標的Infra接入進來，而不是我們去一家家硬適配。
《智能涌現》：你們現在的產品，可以達到什么級別的研發人員的水平？
楊萍：我們的插件產品，是瞄準初階程序員或者實習生所能解決的問題的。在代碼補全/Debugging這個場景，會進一步面向中階程序員所能達到的水平。
本質上，我們看的不是只是單純寫代碼的那個部分，寫代碼只占一個研發人員可能30%的時間，研發人員還有其他時間，要收集信息，整理任務規劃，我們的產品是會瞄準這個環節的。
過去，研發很難像測試那樣量化工作量，但未來我們可以通過Agent來觀察。我們很認同紅杉提出的 RaaS（Result as a Service）理念，即以結果為服務。
在軟件工程領域，這套模式可能會最早實現，因為最終解一定是看你給客戶創造了多少實打實的價值。
企業級Coding Agent，還處在賣方市場
《智能涌現》：早期在字節內部做Marscode，其實你經歷了從對內提供服務，到對外提供服務的過程。在這個過程中，你有哪些核心的know-how？
楊萍：字節是工程師文化，大家對于技術棧的選擇比較自由。所以，沉淀下來的代碼資產挖掘起來的難度特別大，所以我們給自己定的ROI，就是不想只做技術，而是要看具體的業務價值。
第二個很重要的發現是，業務方更在意的是你能不能直接講清楚價值，而不是那些抽象的提效概念。比如說代碼刪除，我們會直接把算一下能夠給服務器資源帶來的減少，折算成節省的錢。這對于我們后來看這個賽道非常重要。
《智能涌現》：當時對AI Coding在企業端市場落地，有什么關鍵判斷嗎？
王偉：我們認為AI Coding還沒有到終局形態。哪怕到現在，這個賽道的高光，也都集中在C端市場。那個時候，我們就覺得B端是空間更大的藍海市場。
我們過去一年一直在思考：如果這件事情未來一定會有人能做出來，為什么不是我們？所以，這決定了我們哪怕在2025年，也要堅定出來應對這個事，要直接奔著目標去。
《智能涌現》：現在詞元無限切入的場景是否有側重，比如主要側重Coding部分，還是做debugging（代碼補全、修復等）？
李瑩：在實踐中我們發現，直接滿足企業業務需求的周期往往很長，僅僅交付環節就可能需要3到6個月甚至更久。如果要深入前端去理解業務屬性，難度其實更大。
我們會分三個階段去迭代，第一階段是工具，以輕量化的模式嵌入到企業內部，輔助其完成代碼研發交付。從Coding切入，先去理解企業的代碼庫和知識庫，進而看企業的業務系統，這塊可能更好落地，離商業化更近。這也是創業公司擅長做的——跑得夠快，迭代夠快，能更好地支撐服務。
第二階段，我們會變成工具+平臺，目前我們正處于第一和第二階段混合的階段。平臺本質上是一個連接器：向下連接新一代AI底層的模型能力，向上搭建Agent。它能幫企業更好地理解自身的業務邏輯與屬性，構建底層的代碼庫。
更重要的是，它還能解決企業遺留了一二十年、壓根沒有梳理過的業務系統，我們管這叫“舊改”——只有先幫企業梳理好這些舊系統，才能支撐更上層的應用，這其實是更大的市場空間。
《智能涌現》：現在阿里、字節、百度這些大廠都在做Coding Agent，包括Cursor這樣的垂類廠商，也在做企業版。你們怎么看待這些競爭？
楊萍：頭部企業的布局未必意味著市場的終局。
首先，頭部廠商的策略往往高舉高打，國內早期Coding產品，比較多聚焦在C端用戶運營，例如字節、百度等企業的初期動作。真正具備To B屬性的產品，例如Qoder，直至今年下半年才陸續出現。
其次，許多大廠布局Coding Agent的根本動機，很多并不在于工具本身的產品價值。更多是作為云服務與模型業務的入口策略——比如說，會用極低定價甚至“買云送工具”的方式來牽引客戶。這種模式雖然可以快速獲客，但是難以真正沉下心，來構建扎實的產品能力與生態體系。
現在，端到端的AI編程尚未形成明確的市場標準與行業共識，我們認為這是一個關鍵的時間窗口，必須要加速確立標準，深度打通企業級的研發流程。
《智能涌現》：所以你們覺得，AI Coding領域的最終態會長什么樣？
王偉：如果我們把時間維度拉長一點，AI Coding會逐步從單體工具，進化到人機協作模式，最終會演變為程序員群體本身。這種模式意味著現在的生產力主體和組織就變了。
如何加速這個變化的到來，并實現組織的快速升級轉型。這是我們認為這個事情真正的意義。
《智能涌現》：現在投資人最challenge你們的是哪一點？是技術能力、商業化路徑還是競爭壓力？
楊萍：商業化。
《智能涌現》：上一代AI 1.0時代，很多AI和SaaS公司很多都淪為做大項目、重交付卻不賺錢的境地，做AI Coding，怎么避免走這條老路？
楊萍：傳統SaaS，更多是用標準化模塊來固化解決問題的流程，本質還是單點工具價值。但AI Coding的核心價值是通過N個動態能力，組合在一起解決企業復雜問題。這是在推動業務從流程執行，走向智能決策與生成，商業定價也會和以前不一樣。
王偉：我的觀點會更樂觀一點?？靹t兩三年，慢則三五年，所謂的“定制化”都會變得唾手可得。
AI Coding 與以前的 AI 模式最大的區別在于，它本質上是在創造一種由AI驅動的數字勞動力，規?；瘮U展、個性化方案與低實施成本的不可能三角，在AI Coding的背景下獲得了新的可能性。
在我們的規劃里，未來會產生一種新的組織形態——“ISV Agent”（基于Agent作為生產力的獨立軟件開發商）。
生產模式類似ISV，但核心在于其管理的生產力對象和機制不同——不再是大量的人力，而是由人類直接管理大量的高效Agent員工。Agent能力高低，直接決定新組織形態的生產效率。
《智能涌現》：意思是說現在Agent的供給還偏少，所以企業其實愿意為提供Agent管理服務的廠商付費。
王偉：一是，產品需要能提供足夠的價值，如果我們的產品創造的價值不夠厚，客戶會要求我們做適配，進而失去議價權和競爭優勢。
二是，技術會逐步平權，如果三五年后大量對手涌進來，同質化競爭，那客戶自然會拿到更多的話語權，這是市場博弈的結果。
所以，創業的時機很重要。現在To B的AI Coding產品還沒有形成市場標準和供需平衡，但又有巨大的商業價值，市場是存在紅利的。
封面來源｜AI生成
歡迎交流
本文來自微信公眾號“智能涌現”，作者：鄧詠儀，36氪經授權發布。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
