继收购通用消息应用Beeper和Texts.com后,WordPress.com母公司Automattic再次将一家专注通信的初创公司纳入其产品线:关系管理应用Clay。
此次收购的财务条款未披露,但Clay此前已从General Catalyst和Forerunner Ventures等投资者处融资超过900万美元。该工具将继续得到支持,并将与Automattic的其他产品(如Beeper)进行整合。
Clay的软件于2021年推出,类似于智能通讯录或个人客户关系管理系统,让用户能够整理他们认识的人,并通过从LinkedIn、Facebook、WhatsApp和X等服务以及通讯录和日历中提取数据来跟踪最新动态。
用户可以使用该应用跟踪想要了解的人员信息,如工作变动、搬迁、更新的简历、最近的社交媒体动态等。Clay还允许用户在通讯录条目中添加备注,记录见面的方式和时间,或者孩子的姓名等信息。每个条目的时间线显示何时添加了备注、上次联系时间以及其他互动记录。
该应用后来集成了AI功能,添加了名为Nexus的AI助手,让用户可以询问关于人脉网络的问题,比如在某家公司认识哪些人,或者访问纽约时应该联系谁。除此之外,AI机器人还能整合到用户的日常工作流程中。
作为上周完成的收购的一部分,Clay的小团队,包括联合创始人Zachary Hamed和Matthew Achariam,加入了Automattic的其他业务部门。该部门还包括Beeper和Gravatar。
"我们的使命是帮助处理人际关系并提高责任心,"Achariam表示。"这一直是我们的北极星,所有功能都通过将关系管理的不同方面整合到一个平台和工具中来强化这一点。"
Automattic表示,收购Clay很有意义,因为它能够整合到公司更广泛的生态系统中,该生态系统目前包括通用聊天应用Beeper(Texts.com和Beeper收购的合并)。
Clay的创始人认为与Automattic有着共同的使命感,并感谢能够继续开发他们的应用。(通常,智能通讯录初创公司被收购后会被收购方整合然后遗憾地关闭。)
"我们对这种持续性方面非常兴奋,"Hamed说。"我们相信这应该是超越任何一家公司而存在的东西。"
对于Clay,在Automattic的长期计划包括与Beeper整合,并最终成为各种不同工具的身份层。
不过,这些计划尚未最终确定,Automattic也无法承诺这一进展的时间框架。它也不会透露Clay的定价是否会在未来发生变化。目前,该服务采用免费增值模式,付费计划从每月10美元开始,团队版每个席位每月40美元。
Clay的创始人表示,他们相信自己的价值观与Automattic相似,这就是交易合理的原因。
"他们的主要理念之一是开源的想法,认为这是我们这个时代最强大的力量之一。我们倾向于同意这一点,"Achariam说。
Clay的团队还有兴趣与其他开放技术进行整合,如Mastodon使用的ActivityPub和Bluesky使用的AT Protocol。
Clay没有分享用户群的具体数字,但表示其应用管理着超过1.5亿个关系。该应用可在macOS、Windows、iOS和网页端使用。
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。