鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

跨赴科技完成数千万元Pre-A轮融资

编程导航
编程导航
2025-09-09 12:30
阅读 164
编程导航
2025-09-09 12:30
阅读 164

2025

09/08

KuaFuAI

Public Relations



近日,AI Coding领域的新锐初创公司「跨赴科技」宣布完成数千万元Pre-A轮融资。本轮融资由复星锐正领投、老股东奇绩创坛加码跟投。此次融资募集资金将主要用于强化技术研发、加快人才引进并拓展海外市场,将源于中国实践的AI智能开发模式推向全球。


PART.01

战略锚定:深耕普惠数字化,构建AI时代新基建



早在23年8月创业伊始,AI Coding浪潮方兴未艾之时,跨赴科技就基于对软件产业的深刻洞察,选择攻坚技术难度最高但产业价值巨大的端到端全流程智能开发,因为只有完全由AI自主驱动、AI原生的智能开发技术,才能将软件开发的成本降低1000倍以上,实现普惠的数字化。而中国广大的下沉市场,恰恰提供了全球最丰富、最复杂也最具代表性的数字化需求,是积累数据、训练模型、打磨产品最好的“磨刀石”。


“中国市场固然有付费习惯等诸多挑战,但也能倒逼创业团队通过工程优化和技术创新,将基础模型的性能发挥到极致,解决真实问题,创造用户价值,同时用极致的性价比强有力的影响全球市场。”跨赴科技创始人武鑫这样诠释他们“China First, Global Impact”的战略选择。




通过自研的AI智能开发平台「码上飞」,跨赴科技将原本只有专业开发者才能驾驭的软件开发能力,转化为“人人可开发”的数字化基础设施。用户无需编写任何代码,仅凭自然语言描述,即可在十分钟内生成一个完整可用的应用程序,真正实现了“说中文,做应用”。截至目前,平台已累计生成超数十万个应用、160亿行代码,帮助遍布中国350座城市的数十万用户,用数字化改变了工作和生活。随着本轮融资的顺利完成,以及与华为等头部厂商战略合作的逐渐深入,跨赴科技已开始全球市场布局,用智能开发技术加速消除数字鸿沟。





PART.02

技术突破:智能体蜂群协同开发,引领AI软件开发新范式




跨赴科技创新性地采用了智能体蜂群协同开发框架(Agent Swarm Framework For Software Engineering),该架构可以对数十乃至数百个智能体进行动态调度和并行协同,高效完成从需求分析、架构设计、代码生成、测试验证到部署运维的开发全流程,显著降低应用开发成本并提升生成效果。



这一技术突破源自团队在软件研发效能领域多年的深厚积累。创始人武鑫离职创业前,是腾讯T12级研发效能技术专家,本科毕业于兰州大学计算机系,之后在北京大学完成硕士学业,曾于腾讯、字节、滴滴等头部互联网企业负责研发效能体系架构,核心团队成员也为共事多年的资深技术专家,长期深耕复杂系统协同与自动化开发技术。


基于对"人类工程师团队大规模软件开发"的深刻洞察,团队构建了一套智能体蜂群协同系统,将众多分工明确的开发智能体进行有机组织与动态上下文管理,显著提升了“AI工程师”们的研发效能,并通过智能路由技术有效降低了大模型调用成本,为大规模软件自动生成提供了稳定可扩展的底层架构。


作为中国人工智能产业发展联盟(AIIA)AI4SE工作组首批成员单位,跨赴科技已参与2个智能开发行业标准的编写工作,也是标准工作组中唯一的初创企业。凭借"软件工程最佳实践 + 智能体蜂群协同架构"的创新融合,跨赴科技正为AI时代的软件开发提供稳定、高效、可扩展的新范式,推动"人人可开发"的普惠愿景走向现实。




PART.03

资方观点:软件产业迎来变革拐点



全球软件行业正经历前所未有的变革。虽然全球软件开发市场规模早已突破5万亿美元,但仅中国就有超7000万中小微企业和近3亿个体经营者深受数字化门槛高、开发成本昂贵的制约。这一巨大的供需落差,标志着AI驱动的智能软件开发产业正迎来历史性拐点——软件开发不再是专业程序员的领域,而将逐渐成为数以十亿计的“大众开发者”释放创造力的基础能力。


跨赴科技创始人兼CEO武鑫表示:“我们正站在软件产业范式转移的关键节点。AI Coding不仅仅是对传统开发的简单增强,而是一次彻底的生产力解放。未来,跨赴将继续坚定投入技术探索,更积极地将最新的多模态与大模型技术融合到软件产业中,探索下一代AI原生开发范式,乃至未来的软件形态本身。我们最终的愿景,是成为每个人的数字化基础设施,通过赋能全球大众开发者,激发数字化内容的极大繁荣,构建一个充满活力的新形态数字化内容生态网络。”


此次Pre-A轮融资的完成,为跨赴科技注入了新一轮发展动能。融资资金将主要用于强化技术研发、加快人才引进并拓展海外市场,将源于中国实践的AI智能开发模式推向全球。在资本与产业的双重驱动下,跨赴科技期待推动整个软件产业向更智能、更普惠的未来加速演进。


复星锐正董事总经理高俊巍表示:“AI Coding技术驱动的软件产业变革已迎来拐点,跨赴科技在AI原生的软件生成领域具备深厚的技术积累,在大规模多智能体协同框架上有突破性的技术创新,并快速实现了产品的商业化落地。我们也十分认同团队对产业变革的深刻洞见、快速极致的迭代能力,以及技术驱动、务实落地的团队文化。复星锐正在本轮融资中,将积极调动自身产业资源和全球网络,助力跨赴科技在智能软件生成领域的全球化布局,通过普惠的智能软件开发技术,推动世界进一步数字化。”


奇绩创坛合伙人表示:“软件开发的终局,不是给工程师一个AI副驾驶(Copilot),而是让AI成为自主驾驶的‘工程师’本身。跨赴的制胜路径,就是在‘China First’的战略下,将中国最复杂、最考验性价比的市场当做‘磨刀石’。这不仅磨练出了他们‘智能体蜂群’这一顶尖架构,更打造出了一支经过海量实战、兼具技术领先与极致效率的‘AI工程兵团’。我们相信,这支对软件工程有终局性思考、并手握最锋利武器的团队,正在定义下一代的软件生产力,并有能力重塑全球软件产业的格局。”


原文链接: 跨赴科技完成数千万元Pre-A轮融资
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230