随着"氛围编程"概念的兴起,AI智能体正在向企业输出海量代码,许多企业如今已难以有效管理这一局面。这种现象被称为"代码过载"。有报告指出,AI生成的代码可能给代码库带来严重问题,包括漏洞及其他质量隐患,这些问题往往需要资深工程师介入修复,才能将代码正式推向市场。
现在,一家新公司正试图用引发这一问题的工具来解决它——那就是AI。
Gitar是一家由Ali-Reza Adl-Tabatabai创立的初创公司。这位创始人曾任职于英特尔实验室、谷歌和Uber,拥有丰富的行业经验。本周三,Gitar正式宣布结束隐身期,完成了一轮900万美元的融资,由Venrock领投,Sierra Ventures跟投。
这家成立已有两年的公司以订阅制方式提供平台服务,通过部署AI智能体执行多种代码质量管理操作,涵盖代码审查和持续集成工作流管理——即定期合并并测试代码变更、保持代码库稳定更新的自动化流程。此外,该平台还允许工程团队自主创建智能体,代为执行安全检查和系统维护等任务。
"AI生成的代码意味着需要审查的代码更多、需要编写的测试更多、需要诊断的持续集成失败也更多。"身为CEO的Adl-Tabatabai在接受TechCrunch采访时表示。他将Gitar的核心功能定义为"代码验证"——确保企业内部构建的内容达到上线标准。"代码生成负责产出代码,代码验证负责让它值得信赖。Gitar就是主导这一流程的工作流智能体,端到端地统筹审查、测试和诊断工作。"他补充道。
展望未来,Adl-Tabatabai认为自动化将在软件开发中扮演更加全面的角色。"目前,代码在发布到生产环境之前需要经过人工审查,这样做当然有其合理性——你需要确保有人在监督,有人在把关,防止任何问题代码被推出去。"
他的愿景是,人工代码审查将逐步退居次要位置,企业转而信任Gitar平台来处理这些任务,从而加快发布节奏。"我们拥有一个验证智能体,能够自动确认代码是否安全可发布,只在出现异常情况时才介入人工处理。"Adl-Tabatabai表示。
目前,自动化代码审查赛道上已有多家公司布局,但Gitar希望凭借对这一问题的专注深耕实现差异化竞争。"市场上大多数玩家都在追逐代码生成,而我们没有。"Adl-Tabatabai说,"Gitar围绕代码写完之后发生的事情而构建。"
此轮融资所获资金将用于扩充Gitar工程和产品团队的人员规模,同时这家位于圣马特奥的公司将持续深化其规模化服务能力的系统建设。
Q&A
Q1:Gitar平台具体能做哪些事情?
A:Gitar平台通过部署AI智能体,执行多种代码质量管理操作,包括代码审查、持续集成工作流管理(自动合并和测试代码变更),以及安全检查和系统维护。工程团队还可以在平台上自主创建智能体,代为完成特定任务。其核心定位是"代码验证",即确保AI生成的代码在上线前安全可靠。
Q2:Gitar和市面上其他代码审查工具有什么区别?
A:Gitar的主要差异化在于它专注于"代码生成之后"的环节,而非追逐代码生成本身。市面上大多数工具聚焦于帮助开发者生成代码,而Gitar专门解决代码写完后的验证、测试和诊断问题,致力于成为端到端的工作流智能体,覆盖从审查到上线的全流程。
Q3:Gitar这轮融资的钱会用来做什么?
A:Gitar完成的900万美元融资由Venrock领投、Sierra Ventures跟投。这笔资金主要用于两个方向:一是扩充工程和产品团队的人员规模;二是进一步开发和完善支撑平台规模化服务的底层系统,以便为更多企业客户提供稳定可靠的服务。
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。