a16z領投Relace，為AI智能體打造專屬開發基礎設施

AI 編程早已成為許多開發者日常生產中的一環，而隨著代碼生成的速度和規模達到一定程度，一個日益重要的問題是，支撐這些 AI 運轉的開發工具和基礎設施正在成為新的瓶頸。不久前，舊金山 AI 編碼基礎設施初創公司 Relace 宣布完成 2,300 萬美元 A 輪融資，由硅谷頂級風投機構 Andreessen Horowitz（簡稱 a16z）領投，Matrix Partners 和 Y Combinator 跟投。這家只有 8 個人的公司，所瞄準的正是這一問題。

硅谷向來不缺名校輟學創業的故事，Relace 的兩位聯合創始人 Preston Zhou 和 Eitan Borgnia 也是其中一例。二人本科都畢業于加州理工學院，Zhou 博士就讀哈佛大學物理學專業，曾在哈佛 Mitrano Lab 從事超快量子物質動力學研究；Borgnia 則在馬里蘭大學 College Park 跟隨機器學習領域知名學者 Tom Goldstein 做研究，隨后進入芝加哥大學攻讀機器學習博士，師從 Ben Zhao。

三年前，兩人做了一個大膽的決定：從各自的博士項目退學，投身創業。這個決定并不容易，純學術出身的他們不得不“從零開始學習如何做一家初創公司”，經歷了 6 次以上的業務轉型，直到 2023 年，二人通過 Y Combinator 孵化器正式創立了 Relace，當時團隊規模還不到五人。

短短兩年間，他們已經服務了超過 40 家客戶，其中不乏 Lovable、Figma、Magic Patterns 這樣的明星 AI 應用公司。

在兩位創始人看來，軟件開發正在經歷一場根本性的轉變。過去幾十年里，代碼都是由工程師一行一行敲出來的，版本控制系統、代碼倉庫、開發環境，所有這些工具都是為人類設計的。

圖丨 Preston Zhou（左）和 Eitan Borgnia（右）（來源：Relace）

但今天的情況截然不同——越來越多的代碼由 AI 智能體（AI agents）自動生成，這些智能體需要的不是精美的圖形界面，而是能夠高頻讀寫、快速合并、智能檢索的底層基礎設施。現有的許多開發工具，雖然功能強大，但它們的設計邏輯依然圍繞著人類開發者的工作流程：豐富的 UI 界面、企業組織最多 10 萬個代碼倉庫的限制、每小時不超過 1.5 萬次的克隆/推送/拉取請求。這些對人類來說綽綽有余的配置，放在需要并發運行數十個 AI 智能體的場景下，立刻就有些捉襟見肘了。這正是 Relace 看到的市場機會。

在 Zhou 的描述中，公司的使命是構建“軟件按需生成”（software on demand）的底層能力——用小型化、專用化的 AI 模型，配合針對性優化的基礎設施，讓 AI 編程智能體不僅能生成代碼，還能直接將其整合到生產環境中運行。換句話說，Relace 想做的是讓 AI 智能體也能享受人類開發者已經習以為常的那種順滑體驗：寫完代碼，提交、合并、部署，一氣呵成，無需人工干預。

Relace 的核心產品圍繞三種專用模型展開。首先是 Apply 模型，它的作用是將 AI 智能體生成的代碼編輯無縫合并回主代碼庫，而不需要重寫周圍的代碼塊——這是當前通用大語言模型經常遇到的難題。按照 Zhou 透露的數據，Relace 的 Apply 模型合并速度超過每秒 1 萬個 tokens，這個數字至少比使用 GPT-4o mini 快 50 倍。對用戶而言，體感上幾乎是瞬間完成，一次語義層面的代碼合并可以在 700 毫秒內搞定。

其次是 Embedding 模型和 Reranking 模型，兩者配合使用形成了雙階段檢索機制。Embedding 模型負責從龐大的代碼庫中快速定位出可能相關的文件或代碼片段，Reranking 模型則進一步篩選和排序，確保呈現給 AI 智能體的是最相關、最準確的上下文信息。據 Relace 公開的測試結果，這套組合能在 1 到 2 秒內完成上下文檢索，而且在他們的實驗中，這一步驟往往占據了整個 AI 智能體執行鏈路超過 50% 的 token 消耗。換言之，如果這個環節優化得當，不僅速度快，成本也能大幅降低。

成本問題確實已經成為了整個 AI 編程行業的痛點。近兩年 AI 編程工具的快速普及暴露出一個尷尬的現實：很多公司雖然產品受歡迎，但毛利率卻慘不忍睹。推理模型讓代碼生成 Agent 的能力大幅提升，但也帶來了更高的推理成本，正在擠壓利潤空間。AI 編程助手 Replit 在 2025 年的毛利率一度陷入負 14% 到負 36% 的區間，罪魁禍首就是高昂的模型調用成本。而 Relace 主打的策略就是“小型專用模型+優化基礎設施”，針對特定任務訓練小得多的模型，再通過基礎設施層面的協同優化提升整體效率，而非完全依賴最昂貴的通用大模型。

除了這三大模型，Relace 還在構建完整的開發生命周期基礎設施，涵蓋版本控制、部署、代碼庫狀態管理等環節。伴隨這次融資一同推出的 Relace Repos，就是他們在這個方向上的第一個重量級產品。Repos 本質上是一個專為 AI 智能體設計的源代碼控制系統，完全兼容 git 協議，但在架構上做了大量針對性改造：支持極高頻次的 git 操作、允許組織創建遠超傳統限制的倉庫數量、為每個短生命周期的沙盒容器分配細粒度的訪問權限。Repos 深度也集成了 Relace 自家的 Embedding 和 Reranking 模型，讓代碼檢索和上下文加載變成開箱即用的原生能力。

圖丨 Repos 的檢索速度與召回率（來源：Relace）

在 Zhou 看來，Relace 的長期愿景不僅僅是提供幾個好用的模型，而是成為任何公司搭建自己 AI 編程智能體的“一站式平臺”（one-stop shop）。未來幾個月，他們還將發布一套 Relace 代理，針對端到端任務進行訓練，例如快速遍歷代碼庫、自動合并沖突以及智能重構代碼庫。

a16z 對 Relace 的投資，某種程度上也反映了其對 AI 編碼賽道的最新判斷。在宣布領投的博文中，a16z 的合伙人 Yoko Li、Guido Appenzeller 和 Martin Casado 明確指出：過去幾十年里，代碼是由人類手工打造的產物，但今天代碼本身正在成為生成式 AI 的基礎。每一個新功能、每一次自動化、每一個由提示詞觸發的操作，背后都是代碼在生成和執行。當這個轉變發生時，瓶頸就不再是“怎么寫代碼”，而是“怎么把代碼跑起來”。他們認為，未來真正的突破點不在于打造更大的基礎模型，而在于用更小、更專的模型配合專門優化的基礎設施——這正是 Relace 在做的事。

過去一年多時間里，“提示詞生成應用”（prompt-to-app）平臺如雨后春筍般涌現，增長速度驚人；與此同時，傳統 SaaS 廠商也開始將編碼 Agent 直接嵌入自己的產品中。這兩股力量匯聚的結果是：大量代碼正在由 AI 自動生成，而且這個趨勢還在加速。

但問題在于，現階段幾乎每一家想做 AI 編碼的公司，都在各自重復造輪子——搭建自己的工具鏈、自己的沙盒環境、自己的源代碼管理系統。就像 Zhou 和 Borgnia 所說的，這些本該成為“商品化服務”的基礎組件，如今卻還在被當作競爭優勢來打造，這顯然不夠高效。類比 Web 開發的演進歷程，今天已經沒有公司會把數據庫、部署流程或身份認證視為自己的核心壁壘，它們早就外包給了專業服務商。Relace 的賭注是 AI 編碼領域也會走上同樣的道路，而他們想成為那個提供標準化基礎設施的玩家。

參考資料：

1.https://www.relace.ai/blog/series-a-announcement

2.https://www.relace.ai/blog/relace-repos

3.https://a16z.com/announcement/investing-in-relace/

4.https://www.theinformation.com/articles/andreessen-backs-startup-developing-tools-coding-agents-use?rc=qlolsu

排版：劉雅坤