昨天，S朋友分享了一家企业给我，这个月刚它完成了7200万美元C轮融资，YC跟投，发展速度很快。它是一家为工程机械和硬件开发团队打造协作工具的SaaS公司，名叫CoLab，这家成立仅8年的公司，累计融资已超1.3亿美元。
更值得关注的是增长数据。过去三年收入增长超过10倍，2024年B轮时实现了158%的净收入留存率(NRR)，C轮披露2025年预计收入再翻三倍。福特、通用电气、江森自控、施耐德这些制造业巨头都在用他们的产品。
01 选对了赛道
CoLab做的事情很具体：帮机械工程师做设计评审。
这个场景听起来小众，但痛点真实。一个汽车零件的设计评审，传统流程可能要数周。工程师们在邮件里来回发图纸，用Excel记录问题，开会时靠PPT展示。效率低，信息散乱，很多问题根本没记录下来。
创始人Adam Keating和Jeremy Andrews都是机械工程师出身。Andrews在特斯拉参与Model 3电池包设计时，单个塑料卡扣的评审就花了8周。Keating在医疗设备公司工作时发现，即便是救命的产品，评审流程依然混乱低效。
2017年两人创立时想法很简单：把设计文件搬到浏览器上，让工程师能直接在3D模型上打标注、讨论问题，所有反馈自动保存、可追溯。
切入点精准。工程设计是高价值场景，决策错误代价高昂。一个设计缺陷可能导致召回、返工、甚至安全事故。而且这个领域的软件工具确实老旧，大多数公司还在用20年前的协作方式。
02 AI不是锦上添花，是核心能力
CoLab真正的护城河不是协作平台本身，而是8年积累的工程决策数据。
平台记录的不只是最终结果，还有完整的讨论过程：为什么这个孔要改位置？为什么壁厚要调整？哪些方案被否决了，原因是什么？这些散落在工程师脑子里的经验，变成了结构化的知识库。
数百万条设计标注，数千万次评审讨论，形成了独特的训练语料。这让CoLab的AI知道的不只是"改了什么"，更重要的是"为什么这么改"。
2025年6月，CoLab推出第一个AI代理AutoReview。功能直接：自动检查图纸和模型的错误、不合规范的地方、制造工艺问题。
效果立竿见影。推出后4个月，4.7万名工程师排队试用。用过的工程师评价，"像有个资深师傅在肩膀上看着你"。
这不是简单的规则检查。AI会从历史项目中找相似零件，看之前遇到过什么问题、怎么解决的。它能提醒你，"上次类似的设计在装配时出过问题"，然后给出当时的讨论记录和解决方案。
某客户用AutoReview后，BOM成本直接降了50%，设计周期快了一倍。不是因为工程师变聪明了，而是AI帮他们避开了之前踩过的坑。
03 产品逻辑：先积累数据，再释放AI
CoLab的产品路径值得琢磨。
前5年专心做协作平台，不急着上AI。让工程师用起来，习惯在上面标注、讨论。体验足够自然，工程师才愿意持续使用，数据才能积累起来。
这是个关键设计。工程师的知识大多在脑子里，文档化意愿低。如果工具用起来麻烦，或者看不到价值，根本不会有人记录。
CoLab的办法是把记录融入日常工作。评审时顺手标注，讨论自动保存，不用额外填表、写文档。工程师获得了更高效的协作工具，公司收获了持续增长的数据资产。
等数据量够了，AI的价值才能真正发挥。AutoReview推出时，背后已经有数百万条专业标注作为训练基础。
这种"先服务后智能"的路径，避免了很多AI创业公司的通病：有模型没数据，或者有数据但不够精准。
04 解决的社会问题
制造业正在面临知识断层。大批资深工程师即将退休，新人补不上。那些判断力、经验、直觉，都在这些老师傅脑子里。
传统做法是写标准、编手册。但标准文档往往有几百页，谁也记不住。关键时刻还是得找人问。
CoLab的AI提供了新解法。把专家的判断转化成AI的能力。新手工程师也能获得资深导师级的指导。不是替代人，而是把知识扩散出去。
福特的工程师说，用了CoLab后，可以在投产前几年就跟供应商协作设计，以前根本做不到。因为协调成本太高，文件传来传去，讨论跟不上。
这套系统还在进化。未来会推出更多AI代理，覆盖设计流程的各个环节。从概念设计到制造验证，AI都能提供基于历史经验的建议。
