Exa年化收入破1亿美元,Vercel收购Traces,Agent基建竞争升温
2026年末的AI圈不再只盯着模型参数,而是转向了更务实的基础设施。Exa凭借Agent搜索需求实现年化收入1亿美元,Vercel收购Traces试图定义新的软件原语,Google Cloud则指出算力瓶颈已转移至数据I/O。与此同时,国内大厂开始主动限制模型的攻击能力,Claude Code团队公开了高比例AI生成代
钱流向何处:Exa 年化收入过亿,Agent 搜索需求爆发
在 AI 圈里,营收往往比技术参数更能反映真实状况。专为 Agent(智能体)打造的搜索引擎 Exa 公布了一个数字:年化收入突破 1 亿美元。放到整个行业看,这个金额算不上惊人,可它只花了三年就走到这一步,并且基本维持每年 10 倍的增长,趋势本身才更耐人寻味。
Exa 目前每月处理 20 亿次请求,服务的团队超过 20 万个。它的目标用户跟传统搜索引擎不一样:不是人,而是 AI Agent。自动化程序要查最新信息、核对事实、收集数据时,并不在意页面排版好不好看、有没有广告,它们要的是结构化、准确、方便解析的数据流。Exa 创始人给出的判断是,到 2030 年,Agent 产生的搜索量会达到人类的 1000 倍。这个预测哪怕只兑现一半,现有搜索基础设施也得推倒重来。
增长的不止 Exa 一家。a16z 最近发布的消费者 Agent 市场地图显示,搜索、账号接入、记忆存储、支付、通信这些工具层,正成为创业的新窗口。AI 应用层因此从“聊天机器人”往“自主执行任务的代理”迁移,而支撑这次迁移的底层设施——比如专为机器设计的搜索接口——已经先一步把商业价值落了地。
软件开发的下一块拼图:Vercel 收购 Traces 的用意
如果说 Exa 解决的是 Agent 怎么“看”的问题,那 Vercel 收购 Traces,解决的则是 Agent“做”的过程怎样被记录、被理解。
Vercel CEO Guillermo Rauch 给出的判断是:Trace(追踪)会成为新的软件原语。传统软件开发里,Git 记下了代码的增量变化,却记不下开发者为什么这么写、翻过哪些文档、调试时试过哪些走不通的路。换成 LLM 驱动的开发流程,这些信息恰恰最要紧。
意图、Prompt、推理过程、工具调用的完整链路,Traces 都能捕捉。Rauch 认为,这是搭建“递归自我改进”系统的地基。系统只有能回溯并读懂此前的决策路径,下一轮迭代才可能做得更好。这不只是调试工具升了一级,软件生命周期管理的范式也在跟着挪位。将来的代码仓库里,除了源代码,可能还装着生成这些代码的完整上下文轨迹。
这笔收购还透出另一层意思:前端和全栈开发平台正在把 AI 原生工作流往深处整合。Vercel 的角色不再只是部署平台,它在往 AI 辅助开发的标准操作系统上靠。
瓶颈换了位置:Google Cloud 称数据 I/O 才是新痛点
大家忙着抢 GPU 的时候,Google Cloud 泼来一盆冷水:算力瓶颈已经转移了。
在最新的 MLPerf 测试和配套博客里,Google Cloud 的说法是,AI 基础设施的重心已经从单纯买加速卡,变成怎样让加速器保持满载。数据供给一旦跟不上,再贵的 GPU 也只能空转。为此 Google 推出 Cloud Storage Rapid,称单桶吞吐可达 15TB/s,并搭配 Rapid Cache 技术。
Salesforce AI Research 的案例挺有说服力:改用这种专用存储方案后,他们在 Agent 推理任务中把 GPU 使用量减少了 40%。大规模 AI 应用里,存储和网络 I/O 的效率直接划定了算力成本的下限。对企业来说,优化数据流水线带来的 ROI,可能比换显卡型号更高。
安全收紧:国内大厂主动给模型“戴镣铐”
模型能力越强,安全风险就越不只是纸上谈兵。彭博社报道指出,阿里、腾讯、月之暗面等国内厂商在新一代模型中普遍对网络攻击能力做了限制,同时强化了漏洞检测。
具体到产品,阿里的 Qwen4-Max 过滤掉大量攻击性训练数据,权重也暂时不开源,为的是控制潜在滥用风险。月之暗面的 Kimi K3.1 Pro 在内部漏洞利用基准测试中,得分从 90.5% 降到 81.0%。分数“下降”其实是安全对齐的结果,说明模型拒绝执行恶意指令的概率变高了。
从这一趋势看,中国 AI 行业正从“能力优先”转向“安全与能力并重”。监管有要求,落地场景也有压力,厂商们逐渐认同一件事:一个会黑客攻击的模型,不如一个稳定可靠的助手有价值。Qwen4-Max 之所以选择闭源,原因也在这里——安全边界还没完全厘清之前,收紧访问权限是更稳妥的做法。
工程化实践:Claude Code 怎样验证 90% 的 AI 代码
AI 生成的代码占比越来越高,质量怎么保证?
Claude Code 团队把方法论公开了:大约 90% 的代码由 Claude 编写与审查,支撑这套做法的是严密的验证回路。
他们搭了三类测试与验证机制,能支持数十至数百个并行 Agent 同时干活。内测阶段还引入独立的 grader(评分器),按严格标准复核 Agent 的输出。结果显示,这套机制把任务成功率最多提升了 10 分。
这里头有个关键事实:AI 编程不再是“生成即完成”,而是走“生成-验证-修正”的循环。人类开发者的活,从写代码变成了设计测试用例和验收标准。Claude Code 的实践说明,验证体系足够强的话,AI 完全能接下大部分编码工作,连审查环节也不例外。
开源反击:Kevin Rose 自建 SignuDoc 替代 DocuSign
SaaS 订阅费越来越贵,开源又一次成了开发者手里的武器。Digg 创始人 Kevin Rose 对 DocuSign 给其 15 人团队开出的 8100 美元/年报价不满,决定自己动手做开源签署工具 SignuDoc。
SignuDoc 支持一键部署到用户自己的 Vercel 账户,席位费用是 0 美元。审计轨迹、防篡改印章这些能力它都有,文件数据留在用户自己的云里,不经过第三方服务器。说到底,这是对高价 SaaS 的一次抗议。企业对数据主权和成本控制的敏感,也在这件事里露了出来。到了 AI 时代,不少传统 SaaS 的功能或许会被本地化、轻量化的开源方案顶掉,尤其是当这些方案更容易接进自动化工作流的时候。
结语
2026 年末的 AI 行业,从 Exa 的收入爆发、Vercel 的收购,到 Google 的存储优化,再到国内大厂的安全对齐,工程化特征已经很明显。狂热期过去了,现在干的是给 AI 搭地基的活。搜索、存储、追踪、安全,每个环节都在被重塑。对开发者和企业来说,盯住这些基础设施的变化,比追下一个大模型版本更要紧。