Tensorlake公司表示,该公司推出了一个全新的无服务器基础设施平台,为希望设计、构建和运行人工智能智能体的组织提供便利,该平台为自主系统的扩展提供了现成的基础。
这家初创公司表示,它正在努力解决企业在将自主AI智能体集成到业务工作流程时几乎不可避免的"基础设施蔓延"问题。要做到这一点,企业需要将各种计算、编排、排队、文档处理和沙箱工具整合在一起,并创建具有治理结构等复杂数据管道。
Tensorlake希望帮助组织避免所有这些麻烦,用单一的一体化智能体平台替换多个基础设施组件,将非结构化数据转换为可用于生产的AI输入。创始人兼首席执行官迪普塔努·冈·乔杜里表示:"AI智能体正变得无处不在,因为现代模型能够推理和采取行动,但可靠运行它们的基础设施却没有跟上步伐。我们构建Tensorlake是为了让团队能够专注于纯代码中的业务逻辑,而平台自动处理持久性、扩展、安全性和数据访问。"
乔杜里说,该公司的基础设施可以比作构建智能体AI工作流程的"内置电池"平台。它集成了原生请求排队功能以支持突发的高吞吐量流量,具有动态扩展功能的自动扩展容器基础设施,以及在虚拟机内运行不受信任代码的安全沙箱。
其他组件包括持久执行引擎,允许智能体在系统崩溃后继续运行并从之前停止的地方继续,而不会丢失之前正在做什么的上下文,以及用于提取和构建埋藏在PDF、手写文档和图表中的数据和见解的应用程序接口。
这些组件结合起来,创建了一个开发者友好的基础设施,允许团队在Python中创建智能体工作流程和AI智能体,将它们部署为API,并根据需要进行扩展,具有内置的可观察性功能。这些API与Claude Code等编码智能体兼容,这意味着团队甚至不必构建部署工作流程——相反,一切都可以自动化。
星座研究公司的霍尔格·穆勒表示,Tensorlake的首次亮相表明,AI行业已经从去年对数据架构的关注转向了其他方向。"今年是AI框架之战,当然是初创公司在做一些最具创新性的事情,Tensorlake的首次亮相非常强劲,"这位分析师说。"凭借创始人在决定最佳工作负载位置方面的个人经验,Tensorlake为智能体框架带来了重要品质,如弹性、持久性和可移植性。"
乔杜里补充说,Tensorlake的基础设施可以部署在亚马逊网络服务、微软Azure和谷歌云环境中。据他说,这是一个用于构建完整智能体工作流程的统一系统,不仅能够读取数据,还能在企业规模上实现自动化。
这家迄今为止已筹集860万美元资金的初创公司表示,其平台已被包括跨国汽车租赁公司Sixt SE以及美国多家主要公用事业提供商和金融机构在内的客户使用。
Q&A
Q1:Tensorlake是什么?它解决了什么问题?
A:Tensorlake是一个无服务器基础设施平台,专门为构建和运行AI智能体而设计。它解决了企业在集成自主AI智能体到业务工作流程时面临的"基础设施蔓延"问题,用单一平台替代了多个基础设施组件的复杂整合。
Q2:Tensorlake平台有哪些核心功能?
A:Tensorlake平台包含原生请求排队功能、自动扩展容器基础设施、安全沙箱、持久执行引擎和数据提取API等组件。这些功能允许团队在Python中创建智能体工作流程,部署为API并根据需要扩展,同时具有内置的可观察性功能。
Q3:Tensorlake支持哪些云平台部署?
A:Tensorlake的基础设施可以部署在亚马逊网络服务(AWS)、微软Azure和谷歌云等主要云环境中,为企业提供了灵活的部署选择。
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。