Serval 推出 Catalyst 超级代理：自动生成工作流并构建主动式后台智能体

Serval 正在推出 Catalyst——其面向企业自动化构建的 AI 代理——将于本周四起全面开放，并默认为所有客户启用，从而允许 AI 代理团队自行决定哪些工作应被自动化，然后自主构建该自动化流程。

Catalyst 位于 Serval 原生 AI 服务管理平台之上，是一个面向管理员的“超级代理”。它可检查工单历史、标准操作规程（SOP）或自然语言指令，识别重复性工作，并草拟实现自动化所需的各类要素，包括工作流、技能、表单、访问策略、用户旅程及仪表板。

Serval 还正利用 Catalyst 创建后台代理，持续检查已连接系统以发现新出现的问题，并在员工提交工单前即提出修复方案。

这一区别至关重要，因为企业服务管理（ESM）供应商正迅速趋同于借助 AI 辅助创建工作流。

ServiceNow 的 Build Agent 目前已能将自然语言指令转化为全栈应用程序、流程、脚本及其他平台元数据；其 AI Agent Advisor 则可分析实例记录，识别自动化机会。Atlassian 的 Rovo 可根据纯英文需求生成 Jira 自动化流程；Freshworks 则提供 Freddy AI Agent Studio，用于创建可在 Freshservice 工作流中跨域执行任务的服务代理。

因此，Serval 所宣称的差异化优势比简单宣称“我们使用 AI 构建工作流”更为聚焦——也潜在地更具影响力。Catalyst 被设计为单一管理层面，能够从发现自动化机会起步，到组装多种受管控的自动化类型，再到创建主动式代理，持续搜寻新的可自动化任务。

“你只需输入一条初始提示，随即就能获得可供部署的企业级工作流，从而解决全公司范围内的所有密码重置请求。”Serval 联合创始人兼首席执行官 Jake Stauch 在接受 VentureBeat 采访时表示。

从工单历史到可用自动化

Serval 表示，Catalyst 可在组织尚未决定自动化目标之前，即分析现有帮助台数据。若其发现某类请求具有重复性，即可草拟解决此类请求所需的自动化流程，并将结果暂存以供管理员审核。用户亦可上传一份 SOP 或电子表格，并要求 Catalyst 将其中记载的流程转化为可执行系统。

Serval 的文档 指出，Catalyst 可构建工作流、编写帮助台技能、创建入职与离职用户旅程、配置访问管理策略、构建仪表板、调查运营问题以及调试失败的工作流运行。与 Serval 此前的工作流构建器不同，Catalyst 旨在成为配置该平台的主要界面；该公司表示，其长期目标是：管理员通过 UI 所能完成的任何操作，均应同样可通过 Catalyst 实现。

实际工作流均以代码为支撑。在一次演示中，Stauch 展示了 Catalyst 如何接收构建密码重置工作流的请求，识别出已连接的 Okta、Google Workspace 和 Microsoft Entra 等系统，并生成执行这些操作所需的底层 TypeScript 代码。管理员随后可添加审批环节，或限制可运行该工作流的人员范围。

Catalyst 底层模型刻意设计为可替换

Serval 并未自研基础大模型。Stauch 在采访中表示，该公司采用来自“前沿实验室”的模型，通过运行评估确定何种模型最适合特定任务，并刻意保持模型无关性。“你可以随意更换不同模型，”他说道，并补充称 Serval 亦与自行构建模型的企业合作。

Stauch 在一次 2026 年 5 月与红杉资本（Sequoia Capital）的访谈中提供了更多细节，称 Serval 当前同时使用 OpenAI 与 Anthropic 的模型。他表示，OpenAI 的 GPT 系列模型在终端用户交互与工具调用方面表现最佳，而 Anthropic 的 Sonnet 与 Opus 模型则在 Serval 自动化系统的代码生成环节产出最强效果——该环节与 Catalyst 最直接相关。Stauch 称，Serval 持续开展模型评估，而非自动将全部工作负载迁移至最新发布的模型。

该架构使底层大语言模型（LLM）在 Serval 的差异化竞争中处于相对次要地位。 该公司自身文档 现已允许组织管理员提供其自有 OpenAI 或 Anthropic API 密钥，包括兼容的自定义端点；Stauch 同时表示，更广泛的架构亦可容纳不同模型。

然而，相关材料并未确立每名 Catalyst 用户均可通过自助式菜单任意选择单个模型。Serval 的核心主张在于：其专有价值并非模型本身，而是围绕这些模型所构建的“套件”——即企业上下文与记忆、集成能力、生成代码、权限设置、审批机制，以及约束代理实际行为的各类管控措施。

该代码生成模型正是 Serval 对抗 ServiceNow 的核心主张。Stauch 指出，传统 ITSM 部署往往累积大量自定义表、业务规则、工作流及平台专属专业知识，致使看似简单的自动化变更实施成本高昂。相比之下，Serval 希望管理员与业务团队仅需描述所需结果，即由模型自动生成具体实现。

但 ServiceNow 在此领域亦不再停滞不前。其当前 Build Agent 同样支持基于自然语言提示创建应用程序与代码，支持流程设计与测试，并在 ServiceNow 的治理框架内运行。ServiceNow 的 AI Agent Studio 允许客户创建代理及具身式工作流，而 AI Agent Advisor 则明确设计用于分析运营记录以识别自动化候选对象。

因此，竞争焦点正从“谁拥有生成式 AI？”转向：从观察到运营问题，到最终上线自动化，究竟需要多少种独立工具、配置概念及专业人员？

Serval 实质上主张 Catalyst 将上述步骤压缩为一个对话式界面及一个更精简的平台模型。相比之下，ServiceNow 当前已拥有强大但覆盖范围更广的一整套 AI 与开发界面，涵盖 Build Agent、AI Agent Studio、AI Agent Advisor、Workflow Studio 及 AI Control Tower。这种广度对已深度投入 ServiceNow 的客户而言是一大优势，但也恰恰凸显了 Serval 所致力攻克的复杂性。ServiceNow 自身亦指出，Build Agent 主要面向理解并能支持其生成内容的管理员与开发者。

Atlassian 正从不同起点朝同一方向推进。Rovo 可依据自然语言描述生成“若发生此事，则执行彼事”的自动化流程；而 Jira Service Management 则日益支持可执行服务工单分诊、调查与执行任务的代理。

FreshworksFreddy AI Agent Studio 同样强调端到端解决请求的智能体，提供预构建的 IT 和 HR 智能体，以及 30 多个工作流模板。

因此，Catalyst 的差异化优势并非竞争对手无法从一句话生成自动化流程，而是 Serval 试图使整个自动化生命周期本身具备智能体化（agentic）特性。

构建能在工单产生之前就主动发现隐患的智能体

这一方法在 Serval 的后台智能体（background agents）中体现得最为清晰。

后台智能体无需等待服务台请求，即可按预定时间表在已连接的系统中运行，关联各类信号并草拟修复方案。Serval 提供的一个客户案例显示：某智能体利用交换机遥测数据、DHCP 数据及历史工单，在两家办公室之间关联网络事件，排除了硬件故障与无线干扰的可能性，将问题根源追溯至配置漂移（configuration drift），并生成了一个供管理员审批的修复工作流。

斯塔赫（Stauch）表示：“当今大多数 AI 智能体都需等待员工提出问题或提交工单后才开始响应。我们认为，未来属于在员工提交任何请求之前即主动采取行动的 AI。”

这种表述也凸显了 Serval 推广主张中的一种哲学差异：该公司不希望服务管理围绕创建、分派和追踪更优工单展开；而是希望系统通过将重复性支持工作转化为可执行的自动化流程，尽可能消除请求本身。

斯塔赫解释道：“企业中编写的大量代码其实与软件工程毫无关系，它们实际上是公司内部的自动化脚本及其他脚本；因此我们利用该技术来构建更优质的服务管理平台。”

Serval 向企业提出的主张是，它能基本实现此类脚本的自动化。而治理模型至关重要，因为 Catalyst 能够生成代码，并可能在生产系统中发起变更。Serval 表示，Catalyst 继承操作用户的权限，并严格限定于该用户所属团队的工作区范围内。

其所有产出均以草稿形式起始，组织可限制发布权限，或要求在自动化正式启用前完成正式评审与批准。

客户数据始终归客户所有，并提供多种部署选项

这些管控措施同样适用于 Catalyst 所检查的企业数据。斯塔赫表示，Serval 定位为客户的“记录系统”（system of record），并告诉 VentureBeat：“客户拥有全部数据。”

Serval 当前 主服务协议（Master Services Agreement） 措辞更为精确：客户保有其“客户资料”（Customer Materials）——该类别包括记录、文档、工作流、提示词（prompts）、输入内容及配置——以及 Serval 基于这些资料所生成输出的所有权、权利与权益；Serval 则仅获得为提供、维护、支持及保障服务所必需的处理该信息的权利。

Serval 还表示，其不会保留或使用客户资料、输入内容或输出内容来训练、微调或改进自身或第三方 AI 模型。

其《数据处理附录》（Data Processing Addendum）将 Serval 明确界定为客户个人数据的处理方（processor），允许其为运营服务、响应支持请求、诊断问题及保护平台之目的处理数据，同时授权的分包处理方（subprocessors）亦可参与处理。Serval 的可接受使用条款（acceptable-use terms）称，公司将为客户持续维护一份当前 AI 分包处理方及模型提供商清单。

数据存储位置依部署方式而异。斯塔赫表示，客户可将 Serval 用作云 SaaS 服务，也可在本地环境运行，或将其部署于客户自有的虚拟私有云（VPC）中。Serval 的自托管文档目前描述了两种更完整的部署选项：一是在客户拥有的 AWS 账户内由 Serval 管理的单租户部署；二是客户在任意云环境或本地环境中、于其 Kubernetes 集群上自主管理的部署。

在 AWS 部署选项中，Serval 表示其负责安装运维，但不会对客户的 AWS 账户保持持久性的 IAM 访问权限。

因此，企业采购方需考虑两个明确的访问边界。

1. 在 Catalyst 层面，该智能体仅能访问其运行所依托的用户及团队工作区权限范围内的数据、集成与自动化功能。

2. 在平台层面，Serval 及经授权的分包处理方必然需要处理客户信息，以交付并支持服务，且须遵守公司合同约定的保密义务及数据处理条款。

这使得斯塔赫关于 Serval “不接触”客户数据的非正式说法，更宜理解为一项关于数据所有权与部署方式的主张，而非字面意义上断言该服务绝不会处理客户数据。

Ramp 及其他客户提供了早期验证

客户部署情况提供了一些证据，表明“更快构建”（faster-build）这一主张确实可转化为实际运营变化，尽管相关指标源自 Serval 自身的案例研究。

企业费用与金融科技公司 Ramp 在一份 Serval 案例研究中表示 ，Catalyst 已使工作流构建速度提升 50%，并助力 Serval 扩展至约 10 个团队，涵盖 IT、财务、设施、人事与人才、法律及业务运营等部门。在一项硬件更换计划中，Serval 称 Ramp 实现了 600 台笔记本电脑更换的自动化，节省 150 小时工时，仅将审批环节保留为主要人工步骤。

更具启示意义的 Catalyst 案例或许是后续发生的情况：Ramp 在 Catalyst 上线前已实现笔记本电脑更换自动化，而 Catalyst 建议将其物流逻辑拆分为独立的办公室与家庭工作流，以减少错误。该公司还表示，IT 部门以外的员工如今正使用 Catalyst 进行数据分析、批量工单操作、工作流排障及 HR 流程自动化。

其他 Serval 部署案例则展示了 Catalyst 所需配置的更广泛运行环境。Mercor 表示，其已通过 Serval 自动化流程完成了逾 4,000 名外部专家的入职；Together AI 表示，Serval 自动化处理了其 95% 的即时基础设施访问请求，并在敏感访问环节设置了审批与审计管控；Perplexity 表示，Serval 自动处理了其超过半数的入站 IT 请求及全部员工入职流程。

这些部署超出了 Catalyst 本身范畴，但展示了 Catalyst 当前被要求构建与维护的跨系统自动化底层架构（substrate）类型。

Serval 表示，超过 90% 的客户在测试阶段即采用 Catalyst 作为其自动化起点。Catalyst 于 8 月 20 日起全面开放（generally available），并将默认为所有 Serval 组织启用。

定价及与 ServiceNow 的竞争

定价根据部署规模定制，未在 Serval 官网或文档中公开列出。

Serval 描述其采用单一平台费用模式，通常先开展试点以确定预期部署规模与使用量。

斯塔赫表示，其软件许可模式可与 ServiceNow 类似，但主张总体拥有成本（TCO）可显著更低，因客户所需实施与维护服务更少。

斯塔赫表示：“总体拥有成本将大幅降低——通常仅为ServiceNow总体拥有成本的一半，有时甚至仅为10%至20%。但实际的软件许可费用未必会有太大差异。”

Serval的起源故事与历史

Serval由斯塔赫与首席技术官亚历克斯·麦克劳德（Alex McLeod）于2024年共同创立；二人此前曾担任Verkada的产品与工程负责人。他们在多次听到IT客户抱怨帮助台工作负荷过重以及现有IT服务管理软件存在局限性后，决定创办该公司。

Serval将自身定位为面向ServiceNow和Jira Service Management等平台的AI原生替代方案，在单一系统中整合了帮助台工单处理、访问管理、资产管理及工作流自动化功能。

Serval 和 Sequoia Capital 将该公司的目标描述为：推动IT软件从仅记录与分派请求，转向自动解决请求。

该公司可作为组织的主要IT服务管理系统运行，也可为现有系统增添自动化能力。其已公开披露的客户包括Perplexity、Mercor、Clay、Verkada和Together AI。

Serval 称，客户可自动解决其超过一半的入站IT请求；其 Together AI案例研究 报告称，该客户95%的即时访问请求实现了自动化。

投资者兴趣在2025年末迅速升温。Serval于10月宣布完成由Redpoint Ventures领投的4700万美元A轮融资，使其当时融资总额达5200万美元。

同年12月，该公司又在Sequoia领投下完成7500万美元B轮融资，估值达 10亿美元，使其累计融资额升至约1.27亿美元；Redpoint、Meritech Capital与General Catalyst亦参与本轮融资。

Serval向路透社表示，其营收自2025年8月以来增长了500%，且正将业务拓展至IT领域之外，覆盖人力资源、财务与法务部门所执行的运营工作。

企业客户的重大考验

对大型企业采购方而言，Catalyst面临的最大考验在于：其压缩后的自动化生命周期能否在接触大型、混乱且高度定制化的环境时依然保持有效。

ServiceNow如今已能借助AI生成应用程序并发现自动化机会。Atlassian与Freshworks也正为其自有服务平台持续增强代理式自动化（agentic automation）能力。因此，Serval无法仅凭自然语言生成能力构筑护城河。

其更有力的押注在于：一个AI原生平台可使行政层本身具备代理能力——持续识别重复性工作，在整个服务栈中构建必要资源，公开生成的代码以供审查，并在管理员打开工作流设计器之前即提出下一阶段自动化建议。

若Catalyst能在该广度上成功运行，则竞争单元将不再是一张工单——甚至不再是一个工作流，而是那个持续将企业运营历史转化为新自动化能力的系统。