独家：AIGCode获博华与力合融资，深入自研基模新机遇

(公众号：)讯 AI 科技评论独家获悉，AI Coding 创业公司 AIGCode 近日完成了由博华资本、力合资本分别领投的连续融资，力合金融以及多家产业方资本跟投。这家创立于 2024 年 1 月的公司，并未追随 Copilot 类产品的浪潮，而是从 Day 1 起即决定直接做端到端的 Autopilot 产品。

AIGCode 创始人兼 CEO 宿文博士毕业于清华大学工程专业，连续创业者，此前还曾在中国一线 VC 担任 DeepTech 方向投资人。联合创始人兼 CTO 陈秋武曾在微软、腾讯、百度等前沿互联网公司任职 16 年，领导 AI 方向团队 11 年，2018 年在微软期间即参与过 GPT 模型落地项目。

AIGCode 主要从事 Vibe Coding 方向产品开发。今年 5 月，其首款 Autopilot 产品 AutoCoder.cc 在国内开启内测，7 月上线全球公测。宿文介绍称该产品核心数据表现良好，停留时长明显超过同类产品，或达到头部产品的两倍，跳出率不足 20％，且次日留存率远高于行业平均水平。

AI Coding 赛道产品迭出，竞争者众。AIGCode 的差异化定位，是越过被认为对智能化水平要求更低的代码补齐、任务自动化等前置阶段，直接做一款能端到端生成软件的产品。宿文告诉 AI 科技评论，目前全球的 AI Coding 产品中，AutoCoder.cc 可能是唯一一款不提供代码的，因为“做端到端，本身就没必要提供代码，而是以生产环境的部署为闭环”。

为了真正实现端到端生成效果，AIGCode 从模型架构层面对代码生成能力进行了优化。AIGCode 是目前少见的，仍在坚持自训练基础模型的初创公司。2024 年 7 月，他们发布了首款自训练的锡月大模型。宿文表示，这一代 AI 产品最大的特点是内容生成功能，大模型作为生成内容的“大脑”，关系着生成质量和后续优化的方方面面，不能依赖于他人。

在模型层面，AIGCode 团队实现了三项创新。

AIGCode 团队设计的专家解耦网络（Decouple of experts network），在预训练过程中将千亿参数的模型拆解为数千个垂直功能子专家，分别对应架构与存储、流量与后端、业务与交互、质量与运维等模块，覆盖软件研发全生命周期中的关键角色，旨在将互联网精益工程的方法论沉淀到模型中。宿文强调预训练的收益，认为这一环节从根本上决定着大模型的智能程度，今天大模型的技术源动力也在于此。

对于编码器部分，AIGCode 团队设计了树形位置编码 TPE（Tree-based Positional Encoding），旨在将人类用以认知世界的高信息压缩比复用结构嵌入注意力机制，使模型更自然地理解代码，并提高其生成结果的可解释性。AIGCode内部测试结果，TPE 能天然理解“函数嵌套深度”“类继承关系”“模块依赖层级”等代码结构特征，且在外推极限上明显优于目前普遍使用的 RoPE（位置旋转编码）方法 。

AIGCode 还提出了知识注意力学习（Knowledge Attention），训练模型在“知识块”之间建立长程因果连接，直接学习知识而非概率拟合。传统自注意力机制在 token 层面进行全量计算，导致算力被淹没在低信噪比的符号中。知识注意力学习不仅提高了计算效率，在代码生成任务中，还意味着模型从关注符号到关注逻辑的转变，这也是代码补全和逻辑推演的分野。

在大部分产品选择从代码补齐切入，逐步集成测试部署等环节向端到端演进的背景下，和AIGCode选择相同技术路线的产品并不多。此前 Cognition AI 曾表示 Devin 的定位为首个“AI 软件工程师”，该产品今年发布的 2.0 版本可独立完成 和应用的构建与部署，但对于复杂任务仍存在响应延迟和难以修改等问题。

宿文曾告诉 AI 科技评论，Devin 最大的问题在于没有架构美感。“Devin 完全按照程序员的工作流替代程序员”，他说，“但模型有它自身理解软件的逻辑，不是程序员理解的架构。”这也是今天的 AI Coding 产品普遍在代码的可维护性上存在较大局限的原因。基于这样的判断，AIGCode 提出了一种生成式软件架构。

其核心思想是将软件视为一个有生命的有机体，在软件启动时，自动探查部署环境，根据云端、边缘设备或本地环境特点，动态调整代码的运行方式；运行时，实时感知流量负载、错误率和成本等关键指标，动态调整资源分配和代码行为；当负载激增，该架构支持自动优化和重构，如自动分裂数据库、启动副本，或将部分逻辑迁移到边缘设备，以提高系统的扩展性和性能，全程无需人类干预。

当下，AIGCode 正重点优化其软件后端与数据库、部署、APP 商城等功能，并通过构建一个具有全链路能力的代码桥接点，让众多软件沉淀的数据可以被 Agent 调用。宿文表示，此举的目标是打通现有软件生态，实现软件之间的协同工作。

AI Coding 被认为是大模型最可靠的落地方向之一。上世纪 80 年代，以提升代码供给效率为目标的低代码和零代码概念兴起。自有程序员以来，软件开发行业便不乏取代程序员的尝试。而代码纯粹逻辑驱动的特点，又使其天然成为了 LLM 技术的优质样本。市场需求和技术可行性的高度协调，共同催生了大模型这一理想应用场景。

代表性产品 Cursor 已经证明了这一赛道的 PMF。自 2024 年初发布至今，Cursor 用户数已超 100 万，付费用户 36 万。截至 2025 年 11 月，其 ARR 已飙升至 10 亿美元，并成为最快达 1 亿美元 ARR 的 SaaS 公司。而更大范围的增长或还将继续，据研究机构 Market Research Future 预测，AI 编程工具市场将从 2025 年的 151.1 亿美元增长到 2034 年的 991 亿美元，CAGR 达到 23.24%。

这也让 AI Coding 成为了大模型竞争最激烈的赛道之一，头部企业估值一路走高之际，仍有创业公司涌现。2024 年下半年，Poolside 和 Magic 在没有发布任何产品的情况下，估值即先后达到 30 亿美金。进入今年以后，这一赛道交易额继续攀升。据彭博社报道，Poolside 此前正洽谈新一轮总计 20 亿美元的融资，投资方包括英伟达等。

今年 5 月 Claude Code 全面开放，运营收入超 5 亿，被认为使用体验超越 Cursor。四个月后其母公司 Anthropic F 轮募资额达到 130 亿美元，投后估值飙升至 1830 亿美元。Cursor 则在下半年内密集完成三次迭代，先后推出记忆功能、语音编程等更新，母公司 Anysphere 于 11 月完成 23 亿美元融资，估值 293 亿美元。

宿文此前向 AI 科技评论分析称，硅谷的一部分 VC 倾向于为模型的技术壁垒付费。Anthropic 旗下的 Claude Opus 4 及 Claude Sonnet 4.5 在发布时都打出“最强编程模型”称号，Cursor 也在今年下半年推出自研模型 Composer。AI Coding 产品的竞争，最终会回归模型层面的竞争。

AI Coding 产品正在从辅助孤立的编程任务，转向对整个软件开发流程的融入和重塑，能否在实际生产环境中落地成为了最核心的竞争指标。技术层面，上下文窗口长度仍然是竞争焦点，同时动态知识检索技术和长程规划能力被高度重视。产品层面的竞争则围绕着生态展开，单纯编辑器插件形态的产品壁垒正在消失，AI Coding 产品不再局限于 IDE，而是向需求分析、测试、部署等上下游环节延伸。

在这片混战的红海中，坐拥数万程序员的大厂把持着数据规模和业务场景闭环的高地，在研发能力上创业公司难以比拟。但大语言模型对软件开发的重塑尚没有显露全貌，在代码补齐上的技术优势能迁移多少到 Autopilot 工具，AI 时代的软件开发是否意味着全新的软件架构乃至编程语言……不同的技术路线间，仍然藏有创业公司的突围机会。

文章

原创文章，未经授权禁止转载。详情见转载须知。