AI DevOps工具公司Harness由连续创业者Jyoti Bansal于2017年创立,该公司预计2025年年度经常性收入将超过2.5亿美元。
这家初创公司刚刚完成了2.4亿美元的E轮融资,融资后估值达到55亿美元。本轮融资包括由高盛领投的2亿美元主要投资,以及计划中的4000万美元要约收购,参与方包括IVP、Menlo Ventures和Unusual Ventures。要约收购旨在为长期员工提供一些流动性。
新估值较2022年4月2.3亿美元融资时的37亿美元估值上涨49%。通过这次融资,该公司迄今已筹集了5.7亿美元的股权融资。
随着AI加速代码生产,软件开发中"编码后"阶段的瓶颈正在扩大——测试、安全检查和部署工作仍然消耗近70%的工程时间。Harness的工具帮助自动化这一庞大且容易出错的层面,即使企业正在应对不断增长的AI代码量以及将单行错误代码部署到生产系统的风险。
Bansal因构建并将应用性能公司AppDynamics以37亿美元出售给思科而在开发者中闻名。因此编码后的世界是Bansal非常熟悉的领域。
Harness使用AI智能体来自动化测试、验证、安全和治理等功能。它建立在软件交付知识图谱之上,该图谱映射代码变更、服务、部署、测试、环境、事件、策略和成本。Bansal表示,知识图谱帮助Harness与其他AI平台区分开来,因为它让系统深度理解每个客户的软件交付流程和架构。
"这个知识图谱是我们AI智能体使用的上下文,"他告诉TechCrunch。
专门构建的智能体利用这些上下文来生成匹配每个客户特定策略、架构和操作要求的流水线。
Harness还使用编排引擎将AI的建议转化为自动化操作,并设置检查以确保这些更改被安全应用。
由于AI并非万无一失,Bansal表示系统设计了人工监督,AI生成的测试或修复会在投入使用前由工程师、合规团队或审计师审查。
微软的GitHub、GitLab、Jenkins和CloudBees是Harness的主要竞争对手。但Harness拥有强大的牵引力,声称拥有超过1000家企业客户,包括美国联合航空、晨星公司、Keller Williams和澳大利亚国民银行。过去一年,该初创公司处理了1.28亿次部署、8100万次构建、保护了1.2万亿次API调用,并帮助客户优化了19亿美元的云支出。
这家总部位于旧金山的公司在全球14个办公室雇佣超过1200名员工,包括欧洲和英国。约33%的员工在印度,在班加罗尔有大型工程团队,在古尔冈有企业办公室。班加罗尔站点是Harness在美国以外最大的开发中心。
Harness计划利用新资金扩大研发工作,在班加罗尔办公室招聘"数百名工程师",并构建额外的自动化测试、部署和安全能力,同时提高其AI系统的准确性。公司还打算加强美国市场开拓运营,并显著扩大在国际市场的存在。
值得注意的是,今年早些时候,Bansal将他的软件可观测性公司Traceable与Harness合并,这一举措帮助初创公司增长其年度经常性收入预测。
"我们将两家公司合并,因为我们开始看到DevOps和应用安全正在以非常深入的方式结合,"Bansal说。"我们看到这在今年被证明是一个非常成功的论题……这推动了我们DevOps和应用安全产品组合的大量增长。"
虽然这次融资让一些员工能够套现一部分,但Bansal仍计划有一天让Harness上市,尽管他没有分享具体的时间表。
"这是我们的目标和计划所依赖的,"他谈到最终的IPO时说。"我们的业务非常健康、强劲、高增长和高利润率,在时机合适时将成为一家优秀的上市公司。"
Q&A
Q1:Harness是什么公司?主要做什么?
A:Harness是一家AI DevOps工具公司,由连续创业者Jyoti Bansal于2017年创立。公司专注于自动化软件开发中"编码后"阶段的工作,包括测试、安全检查和部署等,这些工作通常消耗近70%的工程时间。
Q2:Harness如何使用AI技术来帮助企业?
A:Harness使用AI智能体来自动化测试、验证、安全和治理等功能。它建立在软件交付知识图谱之上,该图谱映射代码变更、服务、部署等信息,让AI系统深度理解客户的软件交付流程,生成匹配特定需求的流水线。
Q3:Harness目前的业务规模如何?
A:Harness拥有超过1000家企业客户,包括美国联合航空、晨星公司等知名企业。过去一年处理了1.28亿次部署、8100万次构建,保护了1.2万亿次API调用,帮助客户优化了19亿美元云支出,预计2025年年度经常性收入将超过2.5亿美元。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。