Autoheal：面向AI编码代理后运维的自我改进软件工厂

AI 编程工具生成新代码的速度，已经超过了企业团队评估代码的速度。

每个新应用和代码变更仍需进行监控、事件响应、安全修复及发布检查，这正是 Autoheal——一家总部位于旧金山的新创公司——专门开发一个平台来应对所有这些额外工作的原因。

Autoheal 表示，团队可将该平台用于事件调查、漏洞修复、发布准备、支持升级以及管理 AI 编程的成本。该平台既提供预构建的智能体（agent），也提供供团队自行创建智能体的工具。

据其官网所述，Autoheal 将该产品称为“自我改进的软件工厂”。

这一短语描述了一种系统：它使多个专业智能体能够访问相同的工程上下文，评估它们完成的工作，并在性能下滑时提出变更建议。

该公司今日 宣布完成 790 万美元种子轮融资 ，由 Innovation Endeavors 领投，同时宣布其平台正式全面可用。

该公司官网引导潜在客户预约演示，并描述了一个由嵌入式工程师主导的为期三周的评估流程：界定期望成果、连接客户的系统、在真实工作负载上运行智能体、审查结果，再决定是否继续推进。

连接彼此割裂的编程智能体以减少碎片化

实际问题在于碎片化。一次生产故障可能要求工程师拼凑监控告警、近期代码变更、云活动、部署记录及内部文档。仅能访问其中单一数据源的智能体，可能得出看似合理但不完整的诊断结论。

Autoheal 将编程智能体、代码仓库、构建与部署工具、监控系统、云环境及问题追踪器连接至一个共享上下文层。该公司表示，其智能体可在组织的访问规则下跨这些数据源协同工作。

该 事件响应页面 展示了这一机制在实践中的运作方式。Autoheal 表示，它先使用常规规则对告警进行分组，再将调查任务分配给智能体。该智能体关联日志、链路追踪、近期部署及代码差异，随后将证据与建议的根本原因发布至事件频道。对于低严重性事件，该公司称，它可在沙盒环境中测试修复方案，并为责任团队发起拉取请求（pull request）；工程师保留合并控制权。它还可根据事件时间线草拟事后复盘报告。上述均为所描述的产品功能，并非针对每次部署独立观测到的结果。

联合创始人兼首席执行官 Sid Choudhury 在一份向 VentureBeat 提供的书面新闻稿中表示：“我们的经验表明，构建首个 AI 智能体版本很容易，但持续规模化地将其部署于企业软件开发生命周期（SDLC）才是真正的挑战。”

Autoheal 的解决方案是为平台团队提供一种通用方式，在不同工程团队间部署、治理并改进智能体。

审查其他智能体的智能体

该系统的标志性特征是其所提出的反馈闭环。

1. 一个 评估智能体（Evaluator agent） 依据代码评审意见、构建检查失败及生产事件等信号，对其他智能体的工作进行评分，从而评估编程智能体的输出质量。

2. 一个 修复智能体（Healer agent） 随后可发起拉取请求，修改表现欠佳智能体的指令、技能、工具或所选模型。它会在工程师审核前，将拟议的变更与历史测试用例进行比对。据 Autoheal 称，行为变更在 Git 中被追踪，且须经人工批准。

Autoheal 的 产品页面 将该闭环描述为两个部分：更新智能体的指令与工具，以及改进其赖以运行的共享上下文。例如，事件处理过程中的人工修正，可转化为后续运行的信息输入。

该页面还指出，团队可为每个智能体设定预算与置信度阈值，重放并对比多次运行结果，并按智能体与团队维度检查成本、延迟与准确率。智能体可通过命令行工具、API 或 Webhook、MCP、Slack 或 Microsoft Teams 调用。

这种架构有助于解决一个常见的维护难题：某个智能体对某一团队运行良好，但随着应用、工具及组织规则的变化，其性能可能下降。

它还将一个可验证的问题置于 Autoheal 推广主张的核心位置。 该平台能否证明其建议的变更能在各团队间提升成果，且不引入新的故障？ 该公司提到了私有评估与回归检查，但提供给 VentureBeat 的材料中并未包含针对该反馈闭环的独立基准测试或对比结果。

Autoheal 表示，该平台提供安全沙盒、审计追踪、成本控制及模型路由功能。Choudhury 在一份书面公司背景资料中表示，它可将高吞吐量任务导向成本更低的开源权重模型，同时将更昂贵的前沿模型保留用于更复杂的编排任务。

他表示，自带模型 API 密钥的客户可享受此类路由带来的成本节约。该公司的商业模式主要基于用量计费，与智能体使用挂钩；但未提供价目表或典型客户账单。

该 编程成本页面 补充了一个更具体的工作流：读取团队现有编程智能体的执行追踪（execution traces），将实际编程会话转化为评估任务，在这些任务上对比不同模型与配置，再通过拉取请求提议一项技能或配置变更。

该页面举例说明：通过降低模型的“努力程度”设置，可实现每项任务成本降低 30%；再将常规工作分配给更小的辅助模型，可进一步降低成本 10%。

该页面未指明上述数据所基于的基础工作负载、样本或客户，因此这些数字应被视为方法论的示例，而非买家可预期的实测节省额。

该产品亦设计为可与现有编程智能体协同工作。Choudhury 列举了 Claude Code、Codex 和 GitHub Copilot 等外部工具，称 Autoheal 旨在评估并改进这些工具的工作流。他将 Factory.ai 和 Cognition 的 Devin 定位为竞争对手，同时强调，仅靠编程智能体无法覆盖其公司所聚焦的重复性、跨团队运维工作。

这些比较反映了 Autoheal 的观点；VentureBeat 并未独立测试这些产品之间的性能差异。

官网还列出了 Cursor 及自定义智能体作为可能的输入来源。Autoheal 表示，其支持 SaaS、混合及隔离式部署，可部署于客户自有云环境，并使用经批准的模型。它描述了策略限制的访问权限、临时凭证以及智能体操作日志。

官网展示了 ISO 27001、SOC 2 Type II 及零数据留存（zero-data-retention）标识，但所提供材料未明确这些保证的适用范围或独立认证状态；企业买家需审阅底层文件以确认细节。

定价问题

Autoheal 宣传智能体可快速搭建，但这与在整个企业范围内部署并评估该平台是两回事。官网未列出自助式定价或标准试用计划。

当被直接问及具体成本和定价计划时，一位发言人表示，该公司按“每代理会话美元”收费。

客户公司的管理员为每次会话控制一个预算。但每次会话的总预算可被以不同方式使用——例如，一次复杂的生产事故响应可能消耗20美元，而一次简单的漏洞修复可能仅需2美元。

该价格区间对企业买家至关重要：上述示例相差十倍，因此即使管理员设定了预算，会话的数量与复杂性仍会影响支出。

Autoheal尚未明确说明一次会话如何开始与结束、若代理在完成任务前耗尽其预算将发生什么、失败或重复尝试是否计费，以及底层模型的费用是否已包含在内。

Autoheal亦未披露最低承诺金额、批量折扣、平台费或支持费，也未说明其为期三周的评估期费用。这些细节对于预测月度账单或将其服务与内部自建系统进行比较而言均属必要。

Autoheal称其路由功能可将高流量工作导向成本更低的开源权重模型（open-weight models），并将前沿模型（frontier models）保留用于更困难的编排任务。在客户自带模型API密钥的部署场景中，该公司表示将把此类路由节省额全额让渡给客户，不额外收费。这解决了运营成本的一部分，但并未确立在扣除Autoheal按次会话收费后的净节省额保证。

网站上单独列出的“每任务成本降低30%”示例涉及对现有编码代理（coding agent）的调优；它并非Autoheal服务费用的折扣。

客户反馈

Autoheal提供了具名客户案例，使其所主张的实用性更为具体。该公司称，野村证券（Nomura）通过使用该平台检查监控系统、代码库、云系统、部署流水线及知识库中的信息，将其平均事故解决时间从两小时缩短至15分钟。野村证券批发业务首席信息官Sameer Jain在Autoheal提供的声明中表示，该平台将调查工作“从数小时缩短至数分钟”，且运行于银行自身的云管控体系之内。该公司未提供该“两小时至15分钟”数据所依据的时间段、样本量或方法论。

据背景资料介绍，AvidXchange将Autoheal用于事故响应、发布就绪性审查及新工程师入职培训。Autoheal称此类工作每月可节省数千工程工时。AvidXchange首席技术官兼高级副总裁Krish Shetty表示，该事故处理工具可在数分钟内引导工程师定位最可能的根本原因。这些均为公司提供的客户陈述，而非经独立审计的测量结果。

这些用例不仅限于生产事故。Autoheal称，运营车队安全平台的Nauto公司在客户报告问题时，利用该平台连接设备日志、仓库数据、近期发布版本及内部问题记录。该公司声称，Nauto的待命工程师关闭此类问题的速度提升了50%。在Autoheal提供的另一份声明中，Oscilar公司副总裁Joby Babu描述了一种代理，该代理整合Grafana、Slack、ClickHouse、产品文档及Pylon中的信息，用于支持工单的初步分类。Empiric Earth亦提供了一份关于故障排查与监控成本的声明。Autoheal未为这些示例提供可独立验证的基线数据。

这一区别至关重要，因为该产品涵盖多种不同类型的工作。更快的首次诊断并不必然意味着更快的完整修复，而节省的工程工时则取决于团队在部署前后如何计量工作量。潜在买家将希望看到任务层级的结果、每次成功任务的成本，以及工程师拒绝代理建议的频率。

官网还展示了变更前置时间、事故数量及安全修复方面的“前后对比”示意图。但这些示意图未被标注为经测量的客户成果。因此，它们应与具名客户陈述及公司更具体的野村证券（Nomura）声明分开解读。

融资、推广进展及后续规划

Innovation Endeavors领投了种子轮融资，其合伙人Harpinder Singh加入Autoheal董事会。该公司还列出了Emergent Ventures、U&I Ventures、Darkmode Ventures、Batch Ventures及Param Hansa Values作为投资者。Choudhury表示，Autoheal在硅谷与班加罗尔共拥有13名工程师。该公司三个月前开始销售该平台，并预计年内营收将达到七位数；根据其书面回复，公司未披露当前年度经常性收入（ARR）、利润率或现金流。

该 公司官网‘关于我们’页面 将Choudhury列为前Harness与Yugabyte高管，CTO Utkarsh Ohm为前ThoughtSpot人工智能与机器学习工程负责人，首席开发官Puneet Saraswat为前Harness与微软工程负责人。

长期规划是 利用重复性任务（如事故分析）所产生的反馈，在每位客户的私有工程数据上训练更小规模的模型。Autoheal认为，此类模型最终可降低运营成本，并提升在组织特定任务上的性能表现。

该训练能力属于已声明的发展方向，而非所提供材料中已证实的结果。当前产品页面在其部署部分亦标有‘零模型训练’（Zero model training）标签，但未解释其适用范围，亦未说明其与未来客户专属模型计划之间的关系。该公司还认为该技术在安全、数据、支持及销售工程领域具有潜在应用价值。

目前，其即时主张范围更窄、也更易评估：即工程团队能否为代理提供恰当上下文、持续约束其行为，并在其系统变更过程中持续提升其性能。Autoheal此次全面上市（general availability）的推进，为企业提供了机会，使其得以在代码编写完成后积压的真实工作任务中检验这一主张。