软件开发环境管理公司Coder Technologies Inc.宣布完成9000万美元C轮融资。本轮融资由KKR领投,现有投资者参与跟投。公司表示,在过去一年中其订单量增长了三倍。
开发环境配置挑战
当开发人员启动新的软件项目时,他们不仅需要下载代码编辑器,还需要安装众多其他工具。此外,他们通常还要安装同事创建的应用程序模块等额外资源。所有这些组件都必须以特定方式配置才能可靠运行。
开发人员通常在本地计算机上安装软件项目所需的技术资产,这会带来一些挑战。首先,设置必要组件可能需要数小时时间。其次,这些组件在不同开发人员机器上的配置往往存在差异,可能导致技术问题。当工作站配置不一致时,在一个开发人员计算机上正常运行的代码可能无法在同事的机器上良好运行。
云端统一开发环境
Coder开发了一个同名开源工具来解决这些挑战。该工具使公司能够用集中式云端沙盒环境替代本地开发环境。集中式沙盒消除了每个开发人员手动创建本地环境时可能出现的配置不一致问题。
公司表示这种方法还带来其他好处。云端提供比开发人员工作站更多的计算能力,这使得编译代码等任务能够加速完成。此外,将代码保存在集中式开发环境中比将资产分散在多个工作站上更易于保护安全。
智能体工具支持
Coder提供了一个名为Mux的工具,可以在用户开发环境中运行人工智能编码智能体。该工具同样是开源的,支持多个智能体并行工作。它为AI自动化工作流创建隔离工作空间以降低网络安全风险。
这家初创公司通过开源工具的付费版本实现盈利,付费版包含额外的网络安全功能。管理员可以限制开发团队AI智能体可使用的MCP服务器和工具。还可以定义更细粒度的控制,比如规定智能体在进行在线研究时可以访问哪些网站。
Coder的付费版本生成审计日志,管理员可用来监控AI智能体活动。另一个管理工具可以限制开发相关的推理费用。
首席执行官Rob Whiteley在博客文章中写道:"让每个用户配置自己的智能体环境,最好的情况是注定失败,最坏的情况是出现安全漏洞。这正是Coder多年来一直在构建的领域。"
Coder将利用这轮融资构建新的AI和开发环境管理功能。公司还计划扩大国际业务。
Q&A
Q1:Coder的核心产品解决了什么问题?
A:Coder主要解决开发环境配置的挑战。传统上开发人员需要在本地计算机安装各种工具和组件,配置复杂且耗时,不同机器间配置不一致还会导致代码运行问题。Coder提供集中式云端开发环境,消除配置差异,提供更强计算能力,并增强安全性。
Q2:Coder如何支持AI智能体开发?
A:Coder提供名为Mux的开源工具,可以在开发环境中运行AI编码智能体,支持多个智能体并行工作。付费版本还包含安全管控功能,管理员可以限制智能体使用的服务器和工具,设置访问规则,并通过审计日志监控智能体活动。
Q3:Coder的商业模式是什么?
A:Coder采用开源+付费增值的商业模式。核心开发环境管理工具是开源的,公司通过提供包含额外网络安全功能、管理控制和审计日志等高级功能的付费版本来实现盈利。付费版本特别针对企业级安全和管理需求。
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。