随着今日宣布的1亿美元融资,Port IO Ltd.将自身定位在快速兴起的智能体人工智能平台转型的中心,这种平台能够自动化软件开发生命周期的大部分流程。
General Atlantic领投了这轮C轮融资,Accel、Bessemer Venture Partners和Team8参投。结合公司此前3500万美元的B轮融资,新资金使总融资额达到1.58亿美元,公司估值达8亿美元。
Port是一个内部开发者门户的提供商,它充当开发者在构建、维护、测试和编排软件工程过程中所有工作的记录系统。它拥有项目跟踪工具,能够连接开发者在开发生命周期中使用的日常工具,并将团队其余成员与运营进行互联。
公司表示,下一步是构建一个智能体工程平台(AEP),它不仅仅提供集成的协作工作空间,而是通过将AI引入整个软件开发生命周期,主动协助工程团队,让AI随时待命为开发者服务。
"如果你想要像自主工单解决这样的功能,仅有编码助手是不够的,"Port联合创始人兼首席执行官Zohar Einy表示。"它需要一个完整的智能体系统,包括多个智能体、团队、为每个智能体提供正确的上下文、保护机制和审计功能。"
在Port的愿景中,AEP将成为现有开发者门户之上的一层,成为命令控制中心,让人类开发者能够指导自主AI智能体的活动。
据Einy介绍,在其平台中添加智能体AI是公司门户发展的自然演进,因为该门户通过强大的软件目录和生产力监控提供了日常自助服务操作的访问。凭借对服务、组件和工作流程知识图谱的访问权限,Port的AI智能体将能够解决工单、自我修复事件、修复漏洞并维护最佳实践。开发者仍然保持"人在环路中"的角色,通过仪表板指导、审查和批准AI驱动的工作。
开发者环境已经变得如此分散,以至于团队往往花费更多时间在导航工具而不是编写代码上,Port认为其统一门户和智能体层最终可以解决这个问题。
开发者只有部分时间在编辑器中编写代码。之后,他们必须测试、验证和协调新功能和应用程序的潜在问题,然后与运营团队合作部署和维护已发布的代码。在DevOps团队中,运营人员与开发团队保持紧密协作,通过监控提供关于潜在错误、瓶颈或其他需求的快速反馈,以便开发者能够快速修复。
Port已经提供了一个名为Port AI的AI助手,目前处于开放测试模式。它在仪表板内运行,通过目录和跟踪服务了解项目进度和开发的当前状态。用户还可以定义和构建AI智能体来完成繁琐的任务,如回答复杂问题和自动化重复的自助服务操作。目前,该平台提供多个现成的智能体,可以完成解决问题工单和处理资源设置配置等任务。
公司表示,它打算通过将AI智能体直接集成到门户中,使其成为"一等公民",而AEP将是这一愿景的最终实现。
Port进军智能体自动化进入了DevOps和开发者体验供应商之间日益激烈的军备竞赛,每家公司都希望成为工程师编排代码和AI协作者的默认界面。
Spotify AB的Backstage等开发者和DevOps平台已经为开发者门户提供了流行的开源环境。Harness Inc.等工程团队生命周期管理初创公司也提供从构建到发布的智能体AI驱动工作流自动化,UiPath Inc.等流程自动化巨头也开始融入智能体功能。
Port的价值主张是,用户不仅能获得智能体AI自动化功能,还能获得一流的开发者体验,在那里他们可以管理影响其工具和工作的日益增长的复杂性。
Q&A
Q1:什么是Port的智能体工程平台AEP?
A:AEP是Port计划构建的智能体工程平台,它是现有开发者门户之上的一层,成为命令控制中心。它通过AI智能体自动化软件开发生命周期的大部分流程,如解决工单、自我修复事件、修复漏洞等,同时让人类开发者保持指导和审查的角色。
Q2:Port AI助手现在能做什么?
A:Port AI目前处于开放测试模式,在仪表板内运行,能够通过目录和跟踪服务了解项目进度和开发状态。用户可以定义和构建AI智能体来完成繁琐任务,如回答复杂问题和自动化重复操作。平台已提供多个现成智能体,可以解决问题工单和处理资源配置。
Q3:为什么开发者需要统一的门户和智能体层?
A:开发者环境已经变得非常分散,团队往往花费更多时间在导航各种工具而不是编写代码上。开发者需要测试、验证、部署和维护代码,还要与运营团队协作处理监控反馈。Port的统一门户和智能体层可以解决这种工具分散问题,提高开发效率。
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。