代码写完之后，AI 接管了什么：YC W26 运维/测试/自动化/Agent 基础设施 22 家全拆解

撰文：朗瀚威 Will

 

这是 YC W26 系列分析的第五篇。上一篇拆了 AI 编程工具和"Claude Code for X"（12 家），这篇看开发链条的另一半——代码写完之后的一切：运维、测试、工作流自动化、Agent 开发基础设施，共 22 家。

 

代码只是开始

 

上一篇我们讲了 AI 怎么改变"写代码"。但写代码只是软件开发的一部分——代码写完之后，还有部署、运维、值班、测试、bug 修复、工作流自动化，每一步都需要人。

 

YC W26 的 22 家公司正在做的事情是：把"代码写完之后"的每一个环节都交给 AI agent。

 

凌晨 3 点生产环境告警？IncidentFox 在你睡觉的时候自动查日志、定位根因、准备修复脚本，你醒来只需要 review 和批准。用户发现了 bug？Lucent 24/7 自动看会话回放，比用户先发现问题。需要把一个 Excel 里的审批流程自动化？Bubble Lab一句话搞定。

 

这 22 家可以分成 4 组：AI 运维/SRE（5 家）、AI 测试/QA（2 家）、AI 工作流自动化（7 家）、Agent 开发基础设施（8 家）。

 

先说结论：4 条可以直接带走的判断

 

1、IncidentFox 是这 22 家里产品最完整的。两个前 Roblox 工程师（支撑过 1 亿+日活的基础设施），开源，300+预置集成，不到 1 天部署。核心差异化不是"用 AI 分析日志"（谁都能做），而是"自动发现你的技术栈并自动生成集成"——省掉了最痛苦的接入工作。

2、AI 运维（5 家）和 AI 测试（2 家）合在一起做的事情是：把"代码质量保障"从人力密集型变成 agent 密集型。传统的运维值班、bug 排查、回归测试都需要工程师大量时间。这 7 家公司的赌注是：agent 能比人更快发现问题、更快定位根因，而且 7 x 24 不休息。

3、工作流自动化（7 家）是这批里最杂但用户最广的一组。它们的共同点是"让不写代码的人也能用 AI 自动化工作"——RamAIn 用计算机视觉操作任何软件，Bubble Lab 一句话创建自动化流程，Jinba用聊天自动化企业工作流。这组面向的不是开发者，而是所有知识工作者。

4、Agent 开发基础设施（8 家）是最"meta"的一组——给造 agent 的人造工具。Emdash做开源 agent 开发环境，Overshoot 做 AI 视觉应用平台，Glue 做 agent 界面设计画布。这组的逻辑和 Fintech 那篇里讲的"agent 经济基础设施"一样：当 agent 数量爆发时，造 agent 的工具就成了刚需。

 

子赛道一：AI 运维/SRE——IncidentFox、Mendral、Corelayer、Sonarly、Lucent

 

5 家公司在做同一件事的不同切面：用 AI 替代运维工程师。

 

IncidentFox

 

官网链接：https://incidentfox.ai/

 

AI SRE agent——自动分诊、调查和修复生产事故，住在 Slack 里。

• 核心数据：开源（Apache 2.0），GitHub 420+ stars，300+预置集成，支持 Kubernetes/AWS/Grafana/Prometheus/Datadog/PagerDuty/GitHub

• 商业模式：开源核心+企业版（安全沙箱、凭证代理、多团队管理）。部署时间<1 天

• 团队亮点：Jimmy Wei——前 Roblox（做社交通讯功能，服务 1 亿+日活），之前在 Meta FAIR 做多方对话式 AI 研究，Cornell CS。Long Yi——前 Roblox 状态基础设施团队（数据库基础设施，支撑 1 亿+日活）。两个人一个造 AI，一个做运维，经历完美互补

• 竞品/风险：PagerDuty、Incident.io（融了$50 M+）、Datadog、ServiceNow 都在往 AI 运维方向扩展。但 IncidentFox 的差异化在于"自动生成集成"——其他工具要你花几周手动接入内部系统，IncidentFox 分析你的代码库和历史事故后自动生成

• 其他亮点：SOC 2 合规。每个调查跑在隔离容器里，agent 看不到原始密钥。还出了 Claude Code 插件，给个人开发者用

 

 

IncidentFox 的核心洞察是：AI 运维工具失败的原因不是模型不够强，而是集成不够深。你的支付团队用自研的 Kafka 管道，你的基础设施团队用自研的部署系统，你的 ML 团队用自研的模型服务——通用 AI 工具根本接不进去。IncidentFox 的做法是：分析你的代码库和事故历史，自动发现缺什么集成，自动生成。人类只需要审批。

 

Chris Lu 在推文里提到 IncidentFox 的描述是"AI SRE 工程师独立修复生产事故"。这个定位对运维工程师来说既是福音也是威胁。

 

Mendral（0.9 万月访问）做 AI DevOps 工程师。和 IncidentFox 的"事后修复"不同，Mendral 更偏"日常运维"——持续集成、部署管理、环境配置这些每天要做的事情。

 

Corelayer（0.4 万月访问）做"用数据调试的 AI 值班工程师"。强调的是数据驱动的调试——不是猜测问题在哪里，而是用指标和日志自动关联。

 

Sonarly（0.2 万月访问）做生产告警 AI 工程师。更聚焦在告警处理——把海量告警分类、去重、关联，找出真正需要人关注的那几条。

 

Lucent（1.6 万月访问）做自动看会话回放检测 bug 的 AI——不从代码层面找 bug，而是从用户体验层面找。AI 24/7 观看用户的会话录像，自动发现卡顿、报错、异常流程，然后在 Slack 和 Linear 里创建 bug 工单并附上完整的复现上下文。

 

创始人 Alisa Rae 的故事本身就值得讲：澳洲人，之前 bootstrap 创办并卖掉了一个教育科技公司，是 MagicBrief 的 2 号员工（后被 Canva 收购），在 Atlassian 做过富文本编辑器。第一次申请 YC 被拒，建议"找个联合创始人"。她坚持 solo 路线，融了$2 M 种子轮，第二次申请入选。已被 30+家 YC 公司使用，创始人反馈："第一周就发现了 7 个从没见过的 bug"、"第一周就回本了"。94%的用户遇到 bug 不会报告，直接流失——这就是 Lucent 存在的理由。

 

5 家的共同逻辑：运维工程师的大部分时间不是在"修问题"，而是在"找问题"。从数十个监控系统里关联信号、翻日志、查最近的部署变更——这个调查过程占了平均修复时间的 80%。AI agent 能同时查所有数据源、秒级关联，把"找问题"的时间从小时级压缩到分钟级。

 

子赛道二：AI 测试/QA——Canary、Ashr

 

2 家公司做 AI 测试。

 

Canary做"第一个理解你代码库的 AI QA 工程师"。关键词是"理解代码库"——不是通用的测试工具，而是先读懂你的代码逻辑，然后针对性地生成测试用例。传统的 AI 测试工具生成的用例往往和实际代码脱节。

 

官网链接：https://www.runcanary.ai/

 

Ashr做 agent 自动化多模态测试。"多模态"意味着不只测文字界面，还测图像、视频、语音等交互。随着 AI 应用越来越多地使用多模态输入输出，测试工具也需要跟上。

 

子赛道三：AI 工作流自动化——RamAIn、Bubble Lab、Jinba、Ressl AI、EigenPal、Carson、Crow

 

这是面向最广的一组——用户不是开发者，而是所有需要自动化工作的人。

 

RamAIn

 

官网链接：https://ramain.ai/

 

"世界上最快的计算机使用 agent"——教 AI 像人一样操作你的电脑，在浏览器和桌面应用之间搬数据。

• 核心数据：3.5 万月访问，已有采购、保险、医疗、财务团队在用。几天内完成部署

• 团队亮点：两个 IIT Delhi 学生——CEO Shourya 之前在 McKinsey 做企业 AI 项目，创办过 Genoshi（AI 工作室，bootstrap 做到六位数收入），还是 FIDE 国际象棋 2118 分选手，代表印度参加过 17 国比赛

• 商业模式：企业级——在遗留系统、桌面应用和网页门户之间自动搬运数据。采购团队（ERP+供应商门户）、保险经纪（承保商门户）、医疗机构（电子病历+实验室门户）、财务团队（收入周期管理）都是目标客户

• 竞品/风险：Anthropic 的 Computer Use、OpenAI 的 Operator 是最大威胁。RamAIn 的差异化在于"预训练在特定界面上"——通用 CUA（截图→视觉模型→决策→重复）又贵又慢又不稳定，RamAIn 先学会你的界面再自动化。还有"自愈"能力——UI 变了不会崩，这是传统 RPA 的致命伤

 

Bubble Lab（1.9 万月访问）做"一次提示，永久自动化"。把重复的工作流用一句话变成自动化流程。定位比 Zapier 更简单——Zapier 你还需要配置触发条件和步骤，Bubble Lab 你只需要描述你想自动化什么。

 

Jinba（1.7 万月访问）做"通过聊天自动化任何企业工作流"。面向企业，在聊天界面里触发审批、数据流转、系统对接等工作流。

 

Ressl AI（1.7 万月访问）做 ERP/CRM 配置 agent。企业上了 Salesforce 或 SAP 之后，配置和定制是一个巨大的工程。Ressl AI 用 AI agent 来做这些配置工作。

 

EigenPal（0.9 万月访问）做企业 AI 文档工作流。Carson做桌面 AI 工作空间（我们在 OpenClaw 那篇里已经详细拆过，这里不重复）。Crow（2.5 万月访问）做"让用户通过聊天控制你的应用"——给任何 SaaS 产品加一个 AI 聊天层，用户不用学界面操作，直接用聊天完成任务。

 

7 家的共同逻辑：AI 编程降低了"写代码"的门槛，但大多数工作根本不需要写代码——需要的是把现有工具串起来、把重复流程自动化。这组公司做的就是"不写代码的自动化"。

 

子赛道四：Agent 开发基础设施——Emdash、Overshoot、Cardboard、Glue、Sila、Valgo、SideKit、Wideframe

 

给造 agent 的人造工具。

 

Emdash（2.3 万月访问）做开源 agent 开发环境——6 万+下载，2430 GitHub stars。支持并行跑多个编码 agent，任意模型提供商。和上一篇讲的 1 code 定位接近但更强调开源和模型无关性。

 

官网链接：https://emdash.sh/

 

Overshoot（1.6 万月访问）做 AI 视觉应用平台——帮开发者构建和运行 AI 视觉应用。随着多模态模型普及，"能看图的 AI 应用"是一个快速增长的品类。

 

Cardboard（0.7 万月访问）做 agent 视频编辑器。AI agent 可以自动剪辑、拼接、添加字幕和特效。视频制作传统上需要专业技能和昂贵软件，Cardboard 想把门槛降到"告诉 agent 你想要什么效果"。

 

Glue做 agent 界面设计画布——当你的 AI agent 需要一个前端界面时，Glue 帮你设计。随着越来越多的 agent 需要可视化的操作面板，这个需求会增长。

 

Sila做 agent 工作区消息——给 agent 之间的通讯提供基础设施。当多个 agent 需要协同工作时，它们之间怎么传递信息？Sila 解决这个问题。

 

Valgo（0.3 万月访问）做自主系统算法安全验证。SideKit（0.2 万月访问）做移动应用部署一站式方案（这批里少见的非 AI 公司）。Wideframe做视频编辑 AI 协作者。

 

22 家放在一起看

 

 

几个观察：

 

第一，AI 运维（5 家）是这 22 家里产品成熟度最高的一组。IncidentFox 已经开源、有 300+集成、SOC 2 合规。这不是偶然——运维是 AI 最容易证明价值的场景之一：修复时间从几小时降到几分钟，直接可衡量。

 

第二，工作流自动化（7 家）面对的最大竞争不是彼此，而是现有的自动化工具——Zapier、Make、n 8 n。AI 的加入让这些工具"更智能"，但现有工具也在快速加 AI 功能。7 家小公司要在 Zapier（估值超$50 亿）面前活下来，需要找到足够窄的切入点。

 

第三，Agent 开发基础设施（8 家）是最长期的赌注。现在 agent 的数量还不够多，基础设施的价值还不明显。但如果 agent 经济真的爆发（Fintech 那篇里我们已经看到 Sponge 在给 agent 开银行账户），造 agent 的工具链就会成为下一个云基础设施级别的机会。

 

第四，这 22 家全是 B2B。和这个系列所有篇目一样——YC W26 是一个彻底的 B2B batch。AI 工具卖给企业和开发者，不卖给消费者。

 

对中国团队的启示

 

第一，AI 运维在中国的需求巨大。中国的互联网公司（字节、阿里、腾讯、美团）运维规模不比美国小，但运维工具的 AI 化程度还不高。国内的监控系统（阿里的 ARMS、字节的 APMPlus）还没有像 Datadog 那样大力推 AI 功能。如果有团队做"中国版 IncidentFox"——接入国内主流监控系统、支持中文日志分析、理解国内技术栈，市场是存在的。

 

第二，工作流自动化在中国有一个特殊场景——钉钉和飞书。这两个平台是中国企业的核心工作入口，但它们的自动化能力还比较初级。如果有团队做"钉钉/飞书里的 AI 工作流自动化"（类似 Jinba 对 Slack 做的事情），会比从零搭建一个新平台更容易起量。

 

第三，Agent 开发工具在中国还是空白。美国已经有 Emdash、Glue、Sila 在做 agent 开发链条的各个环节，中国还没有对等的工具。随着国内 agent 开发者增多，这个市场会打开。

 

可以带走的判断

 

1、AI 运维的核心瓶颈不是模型能力，而是集成深度。IncidentFox 的"自动生成集成"思路值得所有做企业 AI 工具的团队学习——你的 AI 再聪明，如果接不进客户的系统，就什么都做不了。

 

2、"不写代码的自动化"正在成为一个独立品类。RamAIn（3.5 万月访问）、Bubble Lab（1.9 万）、Crow（2.5 万）的流量说明需求是真实的。这些工具面向的不是开发者，而是所有知识工作者——这个市场比开发者工具大 10 倍。

 

3、Agent 开发基础设施是"长期正确但短期不赚钱"的方向。就像 2010 年做云基础设施一样——当时云上的应用不多，基础设施看起来过剩。但当应用爆发后，基础设施成了最赚钱的层。Agent 基础设施可能会重复这个故事。

 

4、这 22 家加上上一篇的 12 家，DevTools 赛道总共 34 家——是整个 W26 最大的赛道。这反映了一个事实：AI 首先改变的是"造软件的方式"，然后才是其他行业。开发者工具是 AI 的"本垒"。