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
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。