一年连融三轮数亿元，词元无限完成新一轮融资

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。

起点，来自她当时的一个判断：

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。

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%。

中间差掉的那部分，去哪了？

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。

资本连投三轮，看中的正是这一层。

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。

客户不为工具买单，只为结果买单

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。

但软件研发，从来不只是写代码。

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。

她打了个很生活化的比方：

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。

七个产品，一座金字塔

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。

这背后有不少自研的硬功夫。

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。

第三层，是模型与Token治理。

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。

塔尖，是InfOne。

可以把它理解为企业里的数字负责人。

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。

整套体系连起来看就会发现——

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。

会不会被下一代模型吃掉？

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。

分析下来，能力被分成两类：

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。

王伟把这套判断总结为「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。

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。

字节遇上清华

聊完产品和技术，再看这支团队。

外界最容易看到的，是两个标签：字节和清华。

但两位创始人的相识，其实是在一张榜单上。

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。

要做硬核的事，而非摘低垂的果实

采访中，杨萍有一句话让人印象深刻：

要做硬核的事情，而非摘低垂的果实。

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。

这就形成了一套企业Harness飞轮：

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。

资本的判断，也集中在这两个方向上。

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。

这也是「词元经济」开始被讨论的原因。

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。

而词元无限押注的，正是这个开始。

文章来自于"量子位"，作者 "听雨"。