词元无限的创业赛道很明确，ToB Coding。
做 Coding 是因为创始人杨萍之前在字节内部的 Coding 项目经历，一个好的 Coding 产品+内部的数据，就能很好在字节内部落地，真正解决问题。
不做 To C 是因为算不过来账，「每一次 Query 都会产生成本，使用量越大，账单越大。」她后来甚至劝投资人，不用再投 To C 的 Vibe Coding 项目了，它们一定活得不好。
2025 年，杨萍离开字节，与清华姚班出身的王伟共同创立词元无限，29 天完成数亿元天使轮融资。方向只有一个：All in B 端，让 Agent 进入企业的生产系统，交付可运行、可验证、可审计、可维护的结果。
一年多过去，这家公司服务了近 50 家大型客户，以金融行业为主。一个客单价千万级的客户，通常只需要一两名 FDE 对接；乐观预测，今年 ARR 在 8000 万到 1 亿元。杨萍的判断更激进：未来 8 到 18 个月，能留在国内这条赛道上的，「有可能只有大厂的一两家，加上我们」。
但他们想要的，是一个更远的位置。「如果讲互联网，大家想到 Google。操作系统，想到微软。我们的长期愿景是，当大家讲到 Agent 应用的时候，想到的就是词元无限。」
以下是 Founder Park 与词元无限联合创始人兼 CEO 杨萍、联合创始人兼 CTO 王伟的对话，经编辑整理。
01
Coding 一定有需求，
但 C 端 Coding 账单算不平
Founder Park：创业前，你在字节做了 7 年 AI + 软件工程。AI Coding 这件事，你们是怎么一步步做起来的？
杨萍：我 2014 年从北航计算机视觉专业毕业，先在英特尔做了 4 年软件和算法工程师，2018 年加入字节。2022 年开始全力做 AI Coding。当时我们在内部有一个插件产品，虽然只有几十个人在用，每天给我们提需求。
真正的转折点是 2023 年中 DeepSeek Coder 开源。在它之上叠加相关代码数据训练了一个版本，效果一下子变得很好。两三周时间，我们把原来那个版本的产品重新迭代起来，之后不到 3 个月，用户涨到数万人。内部产品能连接飞书文档体系、打通 CI/CD 和研发流程，对需求和意图的理解更好。有一段时间，大家觉得它比 Copilot、Cursor 的效果都好。
Founder Park：这个产品后来对外商业化了？
杨萍：2024 年四五月，我们的插件和 Web IDE 外发了，对外推了两周左右，用户量就远超内部的使用量了。
早期为了获客是免费的。但我看到那张账单的时候会想，这种产品长期做下去，收入模式到底是什么？成本怎么分摊出去？我没有得到结论性的答案。
移动互联网时代，免费产品可以把投入换成广告收入，软件一次研发、持续迭代，边际成本可控。大模型时代不一样，每一次 Query 都会产生成本，算力和芯片又是紧缺资源。使用量越大，账单越大，这种成本结构很难非线性地 scale。
Founder Park：所以决定出来做 B 端，这件事没法在字节内部做吗？
杨萍：到 2024 年中，我越来越确定，需要用外部独立的方式做企业端 Coding Agent。它要完成两个使命，一是把大模型能力从模型侧搬到企业端，二是站在企业视角把商业模式跑正。
直到 2025 年春节前后，DeepSeek-R1 带来了一次能力普及，我觉得时间点合适了。大模型服务软件这件事，值得持续投入，也会带来行业变化。真正开始筹备创业，是 2025 年二三月份。
Founder Park：组建词元无限时，在 To B 和 To C 之间纠结过吗？
杨萍：完全没有。C 端没必要创业去做，你不可能在市场营销上投得过字节。更根本的是，我不看好 C 端的商业模式，过去看到的算力账单太大了，我不觉得它能把账跑正。去年我甚至会劝投资人，不用再投 To C 的 Vibe Coding 项目了，它一定活得不好。 到今天，这个判断已经被印证了一部分。
02
企业买到的是安全可审计和「数字劳动力」
Founder Park：一句话向客户介绍词元无限，你们会怎么说？
杨萍：长版本是我们的愿景，以无限的词元探索智能边界。我们现阶段不把自己定义成模型技术厂商，更像 Token 的搬运工和生产力提供者，帮企业指挥好、使用好智能体团队，也帮它们完成组织转型。
如果再短一点：企业里现在所有的软件，都可以交给我们的数字劳动力。
Founder Park：B 端客户掏钱，实际买到的是什么？
杨萍：产品形态既有能力很强的单点智能体，也有一整套平台，以标准产品和私有化部署为主，兼顾数据安全与合规。现阶段以旁路嵌入为主，客户原有的软件架构、已接入的 AI 能力和模型都可以保留。
平台会记录使用轨迹、模型和 Token 用量。这些 Trace 一方面帮企业观察过程，另一方面会成为它以后做模型学习和 Agent 学习的高价值数据。Token 的每一段消耗、审计和预测，也都在平台里。
我们要同时照顾三类人，决策者能放心批预算，整个过程清晰、可追溯、可审计；管理者能看到 Agent 和人的运行情况；终端用户的体验和使用过程也能被记录。
Founder Park：企业怎么验收？怎么证明效率真的提高了？
杨萍：代码智能体有一组过程指标和北极星指标，比如 AI 生成代码占比、组织消耗了多少 Token、产生了多少代码、节省了多少人力，平台会直接提供。
其他智能体更适合按结果评价。以质量智能体为例，线上缺陷逃逸率不能上升、质量指标不能劣化，这是基本 Baseline；在这条线之上，再追求经济性，用更少的 Token 完成更多的事。 早期由 FDE 根据客户目标配置指标，所以我们的计费方式也多样，订阅、通用计费、按结果计费都有。
Founder Park：企业服务很容易陷入定制泥潭。你们怎么控制交付成本？
杨萍：三件事。第一，选相对集中的行业，比如金融和金融软件，行业内共通性强，可以复制。金融代码量大、研发人员多、数字化基础好，最早享受到模型红利。工业的嵌入式场景差异更大，长尾行业起步更晚、空间可能更大，但每个行业都要找到自己的冷启动方式。第二，FDE 既要理解大模型的能力边界，也要理解复杂 IT 架构，能在现场快速判断个性化需求怎么处理。第三，客户用起来后会持续提问题，我们提供增值服务，FDE 自己也带着一堆 Agent 工具。
软件生产这一层的非标程度，其实没有想象中那么高。 不同企业用不同的需求管理平台，有的以平台为主，有的平台加本地文档和 IM，但我们可以用标准方式连接。所以能以个把 FDE 的人力，对接千万级的客户。
Founder Park：以银行为例，从第一次接触到落地签单，完整流程是什么样的？
杨萍：银行对数据安全、等保和私有化的要求更高，只卖纯软件决策周期很长，还要走招投标，所以我们典型的方案是软硬一体，GPU、集成和 Agent 产品打包，目前更关注中小银行和城商行。
一家银行通过官网联系我们，技术型售前通常 3 个工作日内完成第一次沟通、做技术演示。第二次交流进入解决方案和技术细节，明确私有化部署目标。通常第二周，FDE 就进场部署试用，试用 2 到 3 周，形成一份集中报告支撑采购决策。从第一次见客户到签单，典型周期是 1 到 2 个月。
03
「牌桌上可能只剩大厂一两家，加上我们」
Founder Park：决定做 B 端 Coding 时，怎么判断时机？没想过等模型再成熟一点吗？
杨萍：当时就很合适。如果再晚一点，到了所有人都会讲这个故事的时候，它就变成共识了。共识意味着已经被别人验证过，我们得做非共识的事情。
现在回头看，比我们预期的还快。
团队规模，去年 8 月开始运营时，我们估计年底 30 个人，只租了一间孵化器小办公室，后来变成了 3 间。产品规划上，原计划 Coding、Chat、Testing 按 roadmap 推进，结果 Testing 的投入比计划提前。商业化本来预期今年先跑通商业模式、不以收入为主，结果商业 pipeline 远超预期。
很重要的一个背景是，2025 年 2 月 DeepSeek-R1 发布之后，资本和产业层对企业级 Coding Agent 形成了新共识，这也支撑我们很快完成了后面两轮融资。
Founder Park：商业化数据方便分享吗？
杨萍：到现在服务过的客户接近 50 家，以重点大 KA 为主，行业集中在金融、金融软件，也有移动通信、新制造和国央企。
通过渠道伙伴接进来的商机量级比较大，激进一点预测，今年 Pipeline 有希望接近 2 亿元。但我们现阶段更看重有质量的商业化收入，数字不是唯一考核目标。乐观预测，今年 ARR 在 8000 万到 1 亿元；今年比较稳健的预期，大约是 4000 万到 5000 万元。
合同结构很多样：大客户按年度签约，折算到当年可能是千万元级；有些按结果持续计费，形成一两千万元的持续性收入；中小客户是几百万元的订单，还有在飞书上的按次收费。订阅、按人、按年、按次、按结果，我们都在试。
大语言模型的第一个大应用场景——Coding Agent，已经开始形成商业闭环了。我们要跑得更快，以更激进的姿态站稳商业化。未来 8 到 18 个月，能留在国内这条赛道上的，有可能只有大厂的一两家，加上我们。
Founder Park：怎么看竞争？大厂下场会怎么影响你们？
杨萍：有竞争，但比想象的乐观。
大厂通常要突出云业务，依托各自的云客户推产品。但还有一大块市场，公有云很难进得足够深，比如金融和金融软件，有些场景即便进去，也只先覆盖外围系统。我们早期融资引入产业方，就是希望保持独立团队的灵活性，同时借产业渠道进入这些客户。
目前在大客户侧，我们遇到的创业公司竞争并不多，偶尔碰到大厂产品，大家还在各自服务自己触达得到的客户，没有进入全面正面竞争。
之前大家的商业化都聚焦在工具订阅，你会看到做工具订阅的 AI Coding 厂商都活得不太好，停留在工具订阅，最后很容易卷价格。我们提供的是 Agent 劳动力，市场空间大得多。企业要把大模型真正用起来，还需要独立第三方提供最后一公里的能力。
我们把自己定义为生态友好的 AI Native 组织：产品可以被模型厂商和硬件厂商集成，也可以帮模型厂商输出 Token。因为没有被某一朵云或某一个模型绑定，可选的商业模式就更多。
Founder Park：To C 的 Coding Agent 都在转向通用 Agent，对你们有影响吗？
杨萍：值得关注，但不会改变我们的重点。
假如企业要海量用 Token、无限制地创建智能体，最难的部分是什么？我们认为还是在 Harness 和工程层。在企业端做这件事需要长期定力，我们现在看到的非常多产品，两年过后 95% 以上都会消失。我们要抓住的是不变的东西，企业几十年积累的经验、数据、业务逻辑，以及能让大模型变得更聪明的 Agent 自我进化能力。
Founder Park：进展比预期快，产品策略和节奏会调整吗？
杨萍：今年的主调还是产品能力。今天的竞争集中在交互入口、模型能力和单任务成功率，但我们认为交互的终局不会停留在 IDE 或 CLI，这种产品形态是过渡态，代码本身也只是中间产物。
企业真正需要的，是把业务需求变成一个可运行、可测试、可审核、可维护的结果，未来智能体作为数字劳动力，也应该围绕这个结果接受考核。
Coding Agent 从 2023 年到现在走过了 Copilot、Agent 两个阶段，现在处在 Agent 阶段末期，下一步是 Agent Team。但 Agent Team 还有大量问题没解决：组织协作、度量、治理、自我进化和轨迹学习。企业未来需要很多不同角色的数字劳动力，Coding Agent 的终局会升级为智能组织的基础设施。我们现在处于应用层，同时希望成为应用层的 Infra。
04
模型会吃掉 Harness，
但 ToB 工程层依旧有需求
Founder Park：给企业搭 Harness，最难的点在哪？
王伟：企业有两个复杂度。一个是已有信息系统的复杂度，它又拆成两个命题，业务上怎么约定规则，技术上怎么约束。技术约束的通用性相对高，真正难的是业务的 Spec 怎么生成和维护，每个业务板块有相似性也有差异，这也是为什么前期需要 FDE 和客户的业务专家、技术专家一起打磨 Harness。
另一个复杂度是人。在 Agent 完全取代工程师之前，团队怎么上手？你搞出一个看上去很牛的复杂 Harness 框架，别人用不起来、效率很低，最后效果也不好。
我们做了两件事。第一，FDE 团队先把每个行业的路径跑通，比如银行、保险，提炼出典型的 Harness 框架和模板，和客户共创打磨后，赋能给合作伙伴批量推广。第二，把共性知识抽象成 Agent，比如 Harness Agent，部分替代 FDE 去构建 Harness。
坦诚讲，指不定「Harness」这个词哪天也过时了。但大模型之上、智能体之下，一定还有工程层的大量工作，只是各个团队会用不同的视角去组织和描述它。
Founder Park：模型能力持续增强，会不会把这一层逐步吃掉？
杨萍：企业场景不太一样。就算模型把部分能力内化了，对我们来讲，只是站在了 70 分、80 分的模型肩膀上。模型进了企业，你依旧要跟企业现有的知识、权限、数据、环境做打通，工程层依旧在。而且企业不会在每个环节都用能力最强的模型，太贵了。企业永远要回答的问题是，用智力适当的模型，在成本可控的前提下提供服务。
王伟：我更愿意把模型和 Agent 理解成水涨船高。模型覆盖了更多工作，Agent 就去拓展模型外延够不到的地方。短期内模型迈过某个水位，那个位置的 Harness 确实不用做了，但可以去爬更高的地方，同时做好这块未来被模型吃掉的准备。
但还有很多事模型搞不定。不管是 Claude Fable 5 还是 OpenAI 最新的模型，去真正解决企业内部复杂的分布式应用架构时，其实还 handle 不好，这里面有大量场景必须靠 Harness。
再退一步，「更强的模型 + 更简单的 Harness」和「更弱的模型 + 更复杂的 Harness」，综合 Token 成本谁的性价比更高？这是一个开放问题。 很多 B 端客户因为合规或算力受限，需要在受限条件下找性能平衡点。