没有编程背景的人们发现,他们可以使用氛围编程构建自定义应用程序——像Lovable这样的解决方案能将自然语言描述转换为可运行的代码。
虽然这些提示转代码工具能帮助创建不错的原型,但将它们投入大规模生产可能会很棘手,因为需要弄清楚如何将应用程序与外部技术服务连接,比如通过短信、电子邮件发送消息以及处理Stripe支付的服务。
曾在Shopify担任五年支付工程总监的Ilan Zerbib正在构建一个解决方案,可以为非技术创作者消除这些后端基础设施难题。
去年夏天,Zerbib创立了Sapiom,这家初创公司正在开发金融层,让智能体能够安全购买和访问软件、API、数据和计算资源——本质上创建了一个支付系统,让AI自动购买所需的服务。
每当智能体连接到像Twilio这样的外部工具发送短信时,都需要身份验证和微支付。Sapiom的目标是让整个过程无缝进行,让智能体在无需人工干预的情况下决定购买什么以及何时购买。
"未来,应用程序将消费需要付费的服务。目前,智能体还没有简单的方法来真正访问所有这些服务,"Accel合伙人Amit Kumar说。
Kumar已经与AI支付领域的数十家初创公司会面,但他认为Zerbib专注于企业而非消费者的金融层才是真正让智能体发挥作用所需的。这就是为什么Accel领投Sapiom的1500万美元种子轮融资,参与方包括Okta Ventures、Gradient Ventures、Array Ventures、Menlo Ventures、Anthropic和Coinbase Ventures。
"如果你仔细想想,每次API调用都是一次支付。每次发送短信,都是一次支付。每次在AWS上启动服务器,都是一次支付,"Kumar告诉TechCrunch。
虽然Sapiom仍处于早期阶段,但这家初创公司希望其基础设施解决方案能被氛围编程公司和其他创建智能体的公司采用,这些智能体最终将被赋予独立完成许多任务的能力。
例如,任何使用氛围编程创建具有短信功能应用的人都不必手动注册Twilio、添加信用卡并将API密钥复制到代码中。相反,Sapiom在后台处理所有这些,构建微应用的人将通过Lovable、Bolt或其他氛围编程平台以转付费用的方式支付Twilio的服务费用。
虽然Sapiom目前专注于B2B解决方案,但其技术最终可能赋能个人智能体处理消费者交易。预期个人有朝一日会信任智能体做出独立的财务决策,比如叫Uber或在亚马逊购物。虽然这种未来令人兴奋,但Zerbib认为AI不会神奇地让人们购买更多东西,这就是为什么他专注于为企业创建金融层的原因。
Q&A
Q1:Sapiom是什么公司?它主要做什么?
A:Sapiom是由前Shopify支付工程总监Ilan Zerbib创立的初创公司,专门开发让智能体能够安全购买和访问软件、API、数据和计算资源的金融层。它创建了一个支付系统,让AI能够自动购买所需的服务,无需人工干预。
Q2:氛围编程是什么?有什么局限性?
A:氛围编程是指像Lovable这样的解决方案,能将自然语言描述转换为可运行的代码,让没有编程背景的人也能构建自定义应用程序。但局限性在于将原型投入生产时,很难连接外部技术服务如短信、邮件和支付处理。
Q3:Sapiom获得了多少融资?投资方有哪些?
A:Sapiom获得了1500万美元的种子轮融资,由Accel领投。参与投资的机构包括Okta Ventures、Gradient Ventures、Array Ventures、Menlo Ventures、Anthropic和Coinbase Ventures等知名投资机构。
好文章,需要你的鼓励
企业AI搜索公司Glean宣布年度经常性收入(ARR)达3亿美元,较15个月前的1亿美元增长三倍。尽管谷歌、微软、OpenAI等科技巨头纷纷入局企业AI搜索市场,Glean凭借"上下文图谱"技术深度理解企业业务需求,并帮助客户显著降低AI计算成本。该公司提供按用量计费和混合定价两种模式,客户涵盖Databricks、Reddit、Pinterest及三星等企业。Glean上轮融资后估值达72亿美元。
香港中文大学与MiniMax提出ClaimDiff-RL框架,将图像描述的AI训练从整体打分升级为逐条核查,有效解决了传统方式导致AI"少说保平安"的问题,同时在多项基准测试上超越Gemini-3-Pro-Preview。
杰夫·贝索斯旗下的蓝色起源公司在佛罗里达卡纳维拉尔角进行静态点火测试时,新格伦重型火箭发生爆炸。这是美国历史上最大规模的火箭爆炸之一,也是蓝色起源公司遭遇的最严重失败。所有人员安全,但该事故可能导致新格伦火箭项目长期暂停。此前该火箭已成功完成三次发射,并实现了助推器回收和重复使用。
ParaVT是一个由南洋理工等多校联合提出的并行视频工具调用框架,通过让AI同时分析多段视频并引入PARA-GRPO算法解决训练中的格式崩溃与工具跳过问题,在六项长视频理解测试中平均提升约7.9%。