AI news

深度访谈 | 红杉对话 Factory CEO:聊聊 AI 软件“黑灯工厂”的终局

By GD梯度下降0 viewsSource: GD梯度下降
深度访谈 | 红杉对话 Factory CEO:聊聊 AI 软件“黑灯工厂”的终局

Factory 成立于 2023 年 4 月。彼时,企业市场连 GitHub Copilot 都尚未完全接受,更不用说完全自主的 AI 软件工程代理(Autonomous Agents)了。Matan 形容创业最初的两年是一场在沙漠中的跋涉:技术理念过于超前,工程师还没准备好改变习惯,企业采购团队也充满怀疑。

The full text has not been translated yet. The Chinese original is shown below.

文章配图

在全行业都在疯狂拼 ARR 和 Token 消耗量的时代,AI 软件工程平台 Factory 联合创始人兼 CEO Matan 的打法显得有些异类。

红杉资本(Sequoia Capital)近期对话了致力于构建自主软件开发 Agents的初创公司 Factory 的联合创始人兼 CEO Matan Grinberg。对话深入探讨了 AI 编程的演进、企业如何进行大模型的“成本管理”,以及未来软件“黑灯工厂”的终极愿景。

退还 200 万美元营收

Factory 成立于 2023 年 4 月。彼时,企业市场连 GitHub Copilot 都尚未完全接受,更不用说完全自主的 AI 软件工程代理(Autonomous Agents)了。Matan 形容创业最初的两年是一场在沙漠中的跋涉:技术理念过于超前,工程师还没准备好改变习惯,企业采购团队也充满怀疑。

靠着强悍的企业级销售能力,Factory 在前期硬是签下了近 200 万美元的合同。然而在交付过程中,Matan 却发现了一个危险的信号:开发者并没有对产品真正“上瘾”(Obsessed)。

“在亚马逊,贝佐斯提倡‘客户狂热’(Customer Obsession)。但在我们看来,那只是一个输入指标。就像篮球教练不会在赛前跟队员说‘大家待会儿多流汗’一样。流汗是过程,得分才是结果。你的目标是造出足够好的产品,让客户反过来对你狂热。”

如果产品体验没达到极致,继续履约就像坐在一颗随时会引爆的定时炸弹上。Factory 做出了一个让团队和投资人震惊的决定:主动全额退还这 200 万美元营收,全面收缩并潜心打磨产品。

经历艰难的闭关与产品重构,直到 2025 年 9 月——模型基础能力演进与开发者使用习惯彻底匹配时,Factory 才带着真正成熟的 Droid CLI 重新杀回市场,一举完成了从无人问津到爆款的逆袭。

拒绝“大厂锁定”:多模型 Harness 的反直觉优势

重回赛道的 Factory,精准击中了大型企业在 AI 时代最深层的恐惧:被单一模型供应商(如 OpenAI 或 Anthropic)深度绑定。

大部分大型企业在云计算时代都留下了深厚的“伤疤”。当年 AWS 或 Azure 经常用低价补贴吸引企业签下三年长约,等企业把数据和业务迁移过去、形成数据重力(Data Gravity)后,续约时价格动辄翻倍甚至涨价 10 倍。如今大厂 Lab 内部内斗频繁、与政府争议不断,没有哪家企业愿意把自己的核心工程生命线押在单一家厂商上。

企业强烈要求代码代理平台必须是模块化且模型不可知(Model-agnostic)的,能够随新模型的推出进行无缝热插拔(Hot-swapping)。

这里存在一个极具颠覆性的工程结论:支持多模型的通用线束(Harness),实际表现反而优于大厂为自家模型深度定制的 Harness。

这与早期机器学习的逻辑完全一致:用全网数据训练的模型,效果远好于仅用个人数据训练的模型。将 Harness 暴露给不同的模型,能有效避免对单一模型的缺点发生过拟合(Overfitting):

  • Opus:像个性格随和、善于自我调适但容易偏离路线的同事;
  • GPT 5.6:则像个强迫症且极其严谨的特工。

只有同时让 Harness 适应各种不同性格的模型,它在上下文压缩、工具调用和长任务调度上才能表现出更强的鲁棒性。

从“Token 狂热”走向“智能路由”

过去一段时间,许多企业经历过一段盲目的Token 狂热期(Token Maxing)。为了推动 AI 落地,高管们甚至把 Token 消耗量纳入绩效排名,导致员工连查天气、询问基础 Python 语法都在无脑调用最贵的顶尖模型(如 Opus),许多银行每月为此白白浪费数十万美元。

这种狂热退潮后,企业必然走向成本理性化(Cost Rationalization)。Factory 打造的智能路由器(Factory Router),能够根据自然语言指令或内部基准测试,实现动态分发:

  • 日常查询与基础代码:路由给极速且廉价的模型;
  • 老旧遗留系统(如 COBOL 代码库):路由给专门微调过的特定模型;
  • 高风险核心重构:由 OpenAI 生成代码、Anthropic 进行测试、Gemini 交叉审查。

在这个过程中,以GLM 5.2为代表的开源权重模型(Open Weights Models)展现出了惊人的性价比。开源模型通常只比最前沿大厂慢半代(Frontier - 1),但成本和速度优势极其明显。在 Factory 的平台消耗中,开源模型的 Token 占比已从年初的不到 1% 快速冲进双位数。

“如果请个高中生就能把初中代数教好,你完全没必要非请爱因斯坦来当家教。”

开源模型的崛起,让企业可以把宝贵的算力预算用在真正高杠杆的刀刃上。

迈向“黑灯工厂”:异步 AI 代理的爆发

今天的 AI 代码工具大多还是同步(Synchronous)的,本质上依然处于 Copilot 模式——人类给出一个 Prompt,AI 随之给出一个回应。

Matan 预测,在未来 12 到 24 个月内,超过 90% 的 Token 消耗将是异步(Asynchronous)发生的。

这正是 Factory 名称的终极含义:源自埃隆·马斯克对特斯拉“黑灯工厂”(Dark Factory)的设定——车间里关着灯,无数机械臂在暗光中自主运转,无需人工干预。

未来的软件工程也是如此:不再需要工程师手忙脚乱地在聊天框里给 Agent 发指令,而是在你睡觉时,背景里的 Droid 已经自主捕获到了客户反馈、定位了系统漏洞、跑通了测试,并提交了第一个修复版本的 PR,人类只需要负责最终的验收与架构审阅。

文章来自于微信公众号 “GD梯度下降”,作者 “GD梯度下降”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)