本文深度拆解ThreadAI的技术架构、创始人的Palantir经验如何沉淀为产品哲学，以及首批客户如何把流程响应时间缩短七成、AI部署规模放大五倍。企业自动化3.0的门票，或许就藏在这篇文章里。

你有没有想过，企业使用AI的方式可能从一开始就走错了方向？大多数公司现在面临着一个令人沮丧的选择题：要么屈服于死板的现成AI应用程序，强行让自己的业务逻辑适应预设的框架；要么投入大量资金、人才和基础设施资源，从零开始构建定制AI工作流。这种两难境地正在阻碍无数企业真正发挥AI的潜力，而解决这个问题的关键，可能就在于重新思考AI基础设施本身的构建方式。

就在这样的背景下，ThreadAI刚刚宣布完成了2000万美元的A轮融资，由Greycroft领投，IndexVentures、ScaleVenturePartners、MeritechCapital、PlugandPlayTechCenter和Homebrew参与跟投。这家由Palantir资深高管AngelaMcNeal和MayadaGonimah联合创立的公司，正在用一种全新的方法重新定义企业AI基础设施。他们的核心产品Lemma平台不仅要解决当前AI实施中的痛点，更要让AI技术真正为复杂的企业环境服务，而不是让企业去适应技术的局限性。我深入研究了他们的方法后发现，这可能是我见过的最有前瞻性的企业AI解决方案之一，它不仅解决了技术问题，更重要的是解决了组织和协作的问题。

当前AI实施困境：技术与现实的巨大鸿沟

当我观察当前的AI工具市场时，发现了一个普遍存在但很少被公开讨论的问题：大多数AI工具都是为狭窄的工程师群体或特殊行业而构建的，缺乏对大多数企业实际运营方式的理解和同理心。这种设计思路的根本缺陷在于，它假设所有企业都能够且愿意围绕AI工具来重新设计自己的业务流程，而现实情况恰恰相反。正如ThreadAI的创始人精准地概括的那样：”企业面临着一个令人沮丧的两难选择：要么接受死板的预构建AI应用程序，强迫他们将业务逻辑塞进预定义的框架中；要么大量投资于人才、基础设施和资源，从头开始构建定制AI工作流。”

这种困境的深层原因在于，AI工作流的复杂性远超人们的想象。在实践中，AI驱动的工作流范围可能各不相同，但它们通常涉及这样一个步骤：调用模型对数据进行推理、生成额外信息，或根据输入动态规划和执行。换句话说，它们涉及AI承担某种”认知”负荷。一些用例简单直接，比如从孤立的SaaS工具中聚合数据，调用大语言模型对数据进行推理，然后根据输出更新数据库。但其他用例很快就会变得更加复杂，甚至可能涉及物理系统——例如，摄取硬件传感器日志、检测异常、制定分流计划，然后将支持工单移交给人类处理。

我特别关注的是，虽然这些实现初听起来可能像RPA工具甚至最近流行的agent构建器的衍生品，但实际上，它们需要更复杂的后端来保持可靠性和安全性。例如，如果工作流由于模型做出错误决策而失败，这不仅需要向人类标记，系统还应该具备容错能力，能够重新执行任务或修改自身直到成功。这种编排被称为持久执行（durableexecution），这本身就是一个以复杂性和运营开销而闻名的问题领域。一旦引入人机协作等额外层次，agent必须暂停执行并在等待输入时保持状态和上下文达到不确定的时间段，挑战就会成倍增加。

ThreadAI敏锐地指出了一个关键转变：”AI采用的瓶颈已经发生了转变。问题不再仅仅是构建模型；而是如何有效地将AI融入现有和新的流程中。”这种认知转变非常重要，因为它承认了AI在企业中的真实角色：AI应该增强和优化现有流程，而不是取代整个业务逻辑。现有的大多数工具都没有考虑到这些需求，这种差距已经成为组织的重大障碍。

我还注意到一个被普遍忽视的问题：AI工作流本质上是跨功能的。正如ThreadAI的工程负责人MartinMcRoy在博客文章中指出的：”AI工作流从根本上是跨功能的，涉及数据科学家、集成商、业务用户等等。”这意味着任何AI基础设施解决方案都必须能够支持不同角色、不同技能水平的人员协作，而大多数现有工具都是为单一用户群体设计的。

ThreadAI的革命性方法：可组合基础设施的力量

ThreadAI的解决方案Lemma平台代表了一种全新的思路：将AI基础设施民主化。这不仅仅是一个技术术语，而是一种哲学理念的体现。民主化意味着让更多的企业能够访问和利用先进的AI能力，而不需要成为AI专家或投入巨额资源。Lemma是一个可组合的平台，允许企业通过连接AI模型、数据源和业务逻辑来设计、部署和扩展AI驱动的工作流，创建与其特定需求相符的适应性端到端流程。

我发现ThreadAI的方法特别聪明的地方在于，他们没有试图创造一个通用的AI解决方案，而是构建了一个能够适应各种具体需求的基础设施平台。与传统的自动化工具不同，传统工具往往只是镜像现有的人类工作流程，或者基于代码的工作流引擎需要大量的基础设施投资，Lemma使企业能够快速原型化和部署事件驱动的分布式AI工作流和agent。它支持无限的AI模型、API和应用程序，所有这些都在一个具有企业级安全性的单一平台内运行。

ThreadAI的差异化优势体现在三个核心原则上。首先，他们”在你现在的位置与你会面”。这意味着他们理解许多组织，特别是老牌企业，都有传统系统。他们不回避这些复杂的系统和问题，相反，他们相信前沿技术可以从这些经过验证的架构的稳健性和安全性中学到很多。他们的目标是将最新最好的AI能力带到这些环境中，而不是要求企业抛弃现有投资。

其次，他们明确认识到”AI是工作流的一部分，而不是整个工作流”。这种理解至关重要，因为它承认了企业流程的复杂性和多样性。AI应该增强现有流程，而不是取代它们。ThreadAI专注于让企业极其容易地嵌入AI，包括复杂的”agent模式”，这些模式赋予系统更智能的自主性，同时保持人类的监督和控制。

第三个差异化因素是他们对协作和演化的重视。模型在变化，业务需求在转移，AI格局每天都在演进。ThreadAI的平台在核心上是协作的，并为这种持续的演化而构建，允许用户混合和匹配所有最好的东西，而不牺牲安全性。这种前瞻性的设计哲学确保了平台能够适应未来的变化，而不是被当前的技术限制所束缚。

在实际应用中，Lemma的客户正在使用该平台自动化研究、提案生成和事件报告等任务，这些任务需要从多个来源收集和推理混乱的、通常是多模态的数据。这种能力的实现得益于Lemma统一了控制平面，使AI集成无需基础设施管理的繁重工作。

创始人的独特背景：从Palantir经验中诞生的洞察

ThreadAI创始人AngelaMcNeal和MayadaGonimah的背景故事本身就很有启发性，它解释了为什么他们能够如此深刻地理解企业AI实施中的挑战。两人此前在Palantir共同领导建模和AI/机器学习产品团队，每天都在一起工作，构建Palantir的首个ML产品套件——价值超过1亿美元的项目。但他们合作中的一个特殊经历为ThreadAI的创立提供了重要启示。

这个故事特别具有象征意义。Gonimah作为来自埃及的非美国公民，此前曾在高盛工作并为《纽约时报》构建了数字订阅平台。但当她在Palantir构建的产品要被国防部客户使用时，由于身份限制无法获得安全许可，无法看到她自己构建的基础设施的实际运行情况。正如McNeal回忆的那样：”我们处在这样一种情况下，Maya构建了她无法看到、无法访问的基础设施，必须信任我以非常抽象的方式传达需求和产品愿景。”

这种经历的深刻价值在于，它让她们亲身体验了企业环境中最常见也最困难的挑战：信息孤岛、权限分离、跨团队协作的复杂性。这不是从教科书中学到的理论知识，而是在高压环境中解决实际问题时获得的珍贵经验。她们必须学会如何在无法直接沟通的情况下进行有效协作，如何在严格的安全框架内传递复杂的技术需求，以及如何构建能够跨越组织边界的基础设施。

更重要的是，这段经历让她们认识到，企业AI的成功不仅仅取决于技术的先进性，更取决于系统能否适应复杂的组织结构、多样的权限模型和分布式的决策过程。正如Angela在一次演讲中提到的：”决策制定往往分布在不同的人员和业务部门中。数据科学家不会选择你要使用哪个CRM，工程师不太可能选择模型，分析师也不应该做数据库决策。但这些角色中的每一个都对更大的工作流有贡献。”

从她们在Palantir的经验来看，她们观察到最成功的企业AI应用，特别是那些用于工作流自动化的应用，都是深度集成在各个团队中并嵌入到业务的每个部分的。这种观察直接影响了ThreadAI的设计理念：构建能够支持跨功能协作的AI基础设施，而不是为单一用户群体或单一用例设计的工具。

McNeal和Gonimah还带来了一个由来自微软和谷歌等行业领导者的AI工程师组成的优秀团队。首席AI官AnirudhBadam拥有超过十年的AI/ML专业知识，来自微软西雅图总部，而创始AI工程师VijaySagar在谷歌硅谷办公室花费了十年时间开发机器学习模型。这种技术深度与企业经验的结合，为ThreadAI提供了独特的竞争优势。

Lemma平台的技术创新：重新定义AI工作流架构

Lemma平台的技术架构体现了ThreadAI对企业级AI基础设施的深刻理解。平台围绕一组构建块构建，这些构建块允许他们解决不同行业的关键问题。他们的核心原语包括worker、state、function、run和context，每一个都经过精心设计以支持复杂的企业工作流。

Worker是平台的基本单元，它是一个工作流或agent，或两者的组合，代表一个完整的流程，定义为一系列相互连接的状态。这些状态不一定需要在运行时定义，也不受线性数据流的限制。这种设计的灵活性允许企业创建真正反映其业务逻辑复杂性的工作流，而不是被迫适应预定义的模式。State代表流程中的单个步骤，而Function是通过API调用执行的特定操作，无论是REST、gRPC还是GraphQL。这种协议无关的设计意味着企业可以在平台中混合和匹配不同的技术栈，而不需要进行昂贵的标准化工作。

特别创新的是context概念，这是一个共享的、有作用域的内存原语，与基础设施和媒体类型无关。这个context层对于工作流和agent风格的行为都至关重要，它允许系统在整个执行过程中维护状态和上下文信息。ThreadAI通过分离计算和数据存储层实现了这种架构，这种设计选择不仅允许工作负载的水平扩展，还使平台能够符合严格的数据区域性要求，这在金融服务、医疗保健等受监管行业中至关重要。

我特别欣赏ThreadAI的FunctionRegistry概念，它允许使用gRPC、OpenAPI或REST协议安全、无状态地执行业务逻辑。每个函数都包括凭证配置和版本控制，最大限度地减少安全风险和运营复杂性。这个注册表在具有严格监管要求的行业中变得特别重要，因为它提供了企业需要的可追溯性和可审计性。

平台的数据平面抽象为不同的存储类型定义不同的保留策略提供了能力，并且他们正在试验不同的插件接口，为对数据存储位置有更强烈要求的客户提供更多选择。这种灵活性对于需要满足GDPR、HIPAA或其他数据保护法规的企业来说至关重要。

从用户体验角度来看，Lemma提供了代码和UI两种构建路径，这种双重方法确保了技术和非技术用户都能有效地使用平台。每个worker都有顶级配置，如定义的输入和输出模式、重试策略等，用户可以深入了解每个组件的具体配置。平台提供了清晰的日志记录，用户可以深入到每个步骤，查看正在发生的事情、谁在调用什么、数据如何流动，以及该运行的上下文。

ThreadAI还实现了智能路由器，可以跨不同领域的不同worker引导内容。这种能力使企业能够构建真正分布式的AI系统，不同的specialistagent可以处理不同类型的任务，然后将结果组合成统一的输出。这种方法比试图构建一个处理所有任务的单一AI系统更加实用和可靠。

客户成功案例：理论转化为现实价值

ThreadAI的平台已经在多个行业产生了实际影响，这些成功案例证明了其方法的有效性。平台用户报告流程响应时间改善了70%，同时随着AI驱动的工作流减少了运营瓶颈，效率也获得了显著提升。更令人印象深刻的是，早期客户将其AI实施扩展了250%到500%，这证明了ThreadAI的可扩展性和实际影响。这些不仅仅是技术指标，而是真实的商业成果。

我发现特别有趣的是，ThreadAI的客户分布在农业、制造业、酒店业和金融服务等多个传统行业，包括财富500强公司。这种多样性表明，Lemma平台的可组合性和灵活性确实能够适应不同行业的独特需求。在农业领域，客户可能使用平台处理传感器数据和预测分析；在制造业，可能用于质量控制和供应链优化；在酒店业，可能用于客户服务自动化和收入管理。

ThreadAI的一个客户案例特别说明了平台的价值。该客户构建了一个worker，使用成像模型从非结构化数据中提取目标信息，这是许多客户构建的常见模式。这个worker运行多个模型来提取、评估，然后调用一系列工具或委托给不同的worker，最后写入记录系统。在演示中，他们展示了如何修改工作流以注入人机协作状态，称为”handoff”，可以配置不同的通知渠道和数据捕获渠道，以获取信息并编辑数据内容，然后再次写入系统记录。

这种人机协作能力特别重要，因为它解决了企业对完全自动化的担忧。许多企业希望利用AI的效率，但仍然需要人类的监督和决策权。ThreadAI的handoff机制提供了一种优雅的解决方案，允许AI处理常规任务，但在需要人类判断的关键决策点暂停并等待人类输入。

客户的成功还体现在平台成为许多客户的agent注册表。ThreadAI的专注于数据安全和持久性有机地吸引了企业将其用作AIagent的中央管理平台。企业可以在一个地方定义、部署和监控多个AIagent，同时保持对每个agent行为的严格控制。这种中央化管理能力对于大型企业来说特别有价值，因为它们可能有数十甚至数百个不同的AI应用程序需要协调。

融资意义：投资者对企业AI基础设施的信心

ThreadAI的2000万美元A轮融资不仅仅是一个财务里程碑，更是对企业AI基础设施市场巨大潜力的认可。投资者阵容的质量说明了这一点：Greycroft、IndexVentures、ScaleVenturePartners、MeritechCapital、PlugandPlayTechCenter和Homebrew都是在企业技术领域有着丰富经验的知名投资机构。

Greycroft的合伙人MarkTerbeek的评论特别有洞察力：”企业需要的不仅仅是AI驱动的应用程序——他们需要一个安全、可扩展的基础设施，能够随着业务发展而演进。ThreadAI提供了一个强大、适应性强的平台，帮助组织大规模实施AI。”这种表述表明，投资者认识到，真正的机会不在于构建特定的AI应用，而在于构建让企业能够构建和部署自己的AI应用的基础设施。

McNeal在接受Fortune采访时提到：”我们很幸运能够相对快速地筹集到资金。我们试图解决的问题现在是每家公司的首要考虑——如何安全、稳妥地用AI现代化你的业务。”这种快速融资的能力反映了市场对ThreadAI解决方案的迫切需求，以及投资者对团队执行能力的信心。

从更广泛的市场角度来看，这轮融资发生在AI基础设施领域投资激增的背景下。但ThreadAI的独特之处在于，他们专注于企业级部署的实际挑战，而不是追求最新的AI技术突破。这种务实的方法在当前AI泡沫担忧的环境中特别有价值，因为它专注于创造实际的商业价值而不是技术演示。

ThreadAI计划使用这笔资金扩大其商业团队，继续招聘最优秀的人才，并执行其雄心勃勃的路线图。这种资源分配表明，他们的重点是扩大客户基础和市场渗透，而不是纯粹的技术开发。这是一个成熟的策略，反映了他们对产品适应市场需求的信心。

AI基础设施民主化的社会意义

ThreadAI提出的”AI基础设施民主化”概念不仅仅是一个市场营销术语，它代表了一种根本性的思维转变，可能对整个社会产生深远影响。传统上，先进的AI能力只有那些拥有大量技术资源和专业知识的大型科技公司才能访问。但ThreadAI的愿景是让任何企业，无论其技术能力如何，都能够利用最先进的AI技术来改善其运营。

这种民主化的实际意义是深远的。它意味着中小型企业不再需要雇佣昂贵的AI专家团队或投资复杂的基础设施就能获得AI能力。农业、制造业、酒店业和金融服务等传统行业的企业现在可以使用与科技巨头相同的AI技术来优化其流程、提高效率和创新服务。这种能力的普及可能会导致创新在经济中更广泛地分布，而不是集中在少数技术中心。

我特别关注ThreadAI对AI发展中人类因素的重视。他们在公司声明中明确表示：”我们也认识到围绕AI可能取代工人的令人担忧的主题。作为这个领域的技术专家，我们相信我们有义务；如果AI将改变我们的工作方式，我们必须利用这个机会来提升人类能力，让强大的工具更接近知识工作者。这需要有意性、谦逊和跨公共和私营部门合作的承诺。”

这种对社会责任的明确承认在当前AI发展的讨论中经常被忽视，但它对于AI技术的可持续发展至关重要。ThreadAI的人机协作功能，如handoff机制，体现了这种哲学的实际应用。系统设计为增强人类能力而不是替代人类，这种方法可能会导致更可持续和社会接受的AI发展路径。

从长期来看，AI基础设施的民主化可能会导致创新的广泛分布。当更多的企业能够访问先进的AI能力时，我们可能会看到来自意想不到领域的突破性应用。历史告诉我们，技术的真正变革力量往往来自于其普及和民主化，而不是其独占性。云计算的发展就是一个很好的例子：当亚马逊、微软和谷歌使企业能够访问企业级计算资源时，它释放了无数创新，从小型初创公司到大型企业都受益匪浅。

ThreadAI还强调了一个重要观点：”在AI可以如此轻松地生成内容的时代，专注于什么是人类的、什么是真实的、什么是可验证的比以往任何时候都更重要。软件中的信任、可靠性和可观察性，以及有意义的合作伙伴关系，都是至关重要的。”这种对真实性和可验证性的强调，在AI生成内容泛滥的时代具有特殊意义。

未来展望：重新定义企业与AI的关系

我认为ThreadAI代表的不仅仅是一种新的技术解决方案，更是一种新的商业哲学：技术应该服务于人类和企业的需求，而不是相反。这种哲学在AI快速发展的时代尤其重要，因为它提醒我们，技术进步的真正价值在于其能够解决实际问题和改善人类生活的能力，而不仅仅是其技术复杂性或新颖性。

从技术发展的角度来看，ThreadAI的成功可能会影响整个AI基础设施行业的方向。他们专注于可组合性、跨功能协作和人机混合工作流的方法，可能会成为企业AI部署的新标准。其他公司可能会效仿这种方法，从而推动整个行业朝着更加实用和人性化的方向发展。

我特别感兴趣的是ThreadAI提到的一个观点：”AI工作流本质上是跨功能的，涉及数据科学家、集成商、业务用户等等。”这种对协作本质的认识可能会重新定义企业组织结构。随着AI成为业务流程的核心部分，企业可能需要重新思考团队结构、角色定义和决策流程。那些能够有效地围绕AI工作流组织跨功能团队的企业，可能会获得显著的竞争优势。

从市场发展的角度来看，ThreadAI的成功融资表明，投资者和企业都认识到，AI的真正价值不在于技术本身，而在于其实际应用和商业影响。这种认识的转变可能会导致AI行业从技术驱动转向应用驱动，从追求技术突破转向创造实际价值。

在我看来，ThreadAI最重要的贡献可能是证明了一种新的AI发展模式：技术民主化、人机协作和企业现实需求相结合。这种模式可能会比那些纯粹追求技术突破或完全自动化的模式产生更持久和更广泛的积极影响。随着更多企业采用这种方法，我们可能会看到AI技术以一种更加平衡、可持续和人性化的方式融入社会经济结构中。

最终，ThreadAI的愿景是创建一个世界，在这个世界中，AI能力不再是大型科技公司的专属特权，而是所有企业都能够访问和利用的基础设施。如果这个愿景能够实现，它可能会从根本上重新平衡技术权力，让创新和竞争优势更加分散，从而创造一个更加多元化和动态的商业环境。这种变化的社会和经济影响可能是深远的，值得我们持续关注和深入思考。

财政收支放缓，期待明年发力——8月财政数据点评｜国盛固收杨业伟团队（来源：业谈债市）8月财政收入回落，财政支出随之下滑。收入端，加总一般公共预算收入和政府性基金收入，8月广义财政收入当月同比0.3%，较前值3.6%回落。支出端，8月广义财政支出同比增速6.0%，同比继续回落，前值12.1%