融资1100万美金，华人团队打造Agent基础层，5 行代码搞定 AI Agent

你有没有想过，构建 AI agent 这件事可能会变得像调用一个函数一样简单？过去几个月里，我看到无数开发者在 Reddit 和技术论坛上抱怨同一个问题：为什么部署一个 MCP 服务器需要花上好几天时间？为什么每次想让 AI 模型调用一个工具，都得写一大堆配置文件和胶水代码？为什么构建一个稍微复杂点的 AI agent，就要在 Docker、YAML 和云服务配置之间来回折腾？

这种挫败感不是个例，而是整个 AI agent 开发领域的普遍痛点。直到我看到 Dedalus Labs 宣布完成 1100 万美元种子轮融资的消息，才意识到有人正在系统性地解决这个问题。这家由 Cathy Di 和 Windsor Nguyen 创立的公司，正在构建一个基础设施层，让开发者能够用 5 行代码就搭建起一个功能完整的 AI agent。这不是夸张的营销话术，而是他们真正在做的事情。

这轮融资由 Kindred Ventures 和 Saga Ventures 共同领投，参与方包括 E14 Fund、Emergence Capital、Sunshine Lake、Transpose Platform、Liquid 2 Ventures、FPV Ventures、Twenty Two Ventures、Telescope Foundation、Spot VC、Operator Partners 以及 Y Combinator。更引人注目的是他们的天使投资人名单：Slack 联合创始人兼 CTO Cal Henderson、Hugging Face 联合创始人兼首席科学家 Thomas Wolf、Supabase 联合创始人兼 CTO Ant Wilson、前 GitHub CEO Thomas Dohmke、FlashAttention 作者兼 Together AI 首席科学家 Tri Dao，以及 AdaGrad 发明者、Google DeepMind 和普林斯顿大学教授 Elad Hazan。这份投资人名单基本涵盖了当今最重要的开发者平台和基础 AI 研究领域的关键人物。这让我意识到，Dedalus Labs 正在做的事情，可能真的会改变整个 AI agent 开发的游戏规则。

开发者的痛点到底在哪里

在我看来，当前 AI agent 开发面临的最大问题，不是模型能力不够强，而是工程复杂度太高。我曾经尝试过构建一个简单的 AI agent，让它能够访问我的日历、读取邮件，然后帮我安排会议。听起来很简单对吧？但实际操作起来却是一场噩梦。我需要为每个工具写专门的接口代码，处理各种 API 的认证和授权，确保不同工具之间的数据格式兼容，还要考虑错误处理和重试逻辑。最终，一个概念上很简单的功能，我却花了整整一周时间才勉强让它跑起来。

Dedalus Labs 的创始人 Cathy Di 在融资公告中说："我和联合创始人 Windsor 对优秀的开发者体验一直有很高的标准。我们创立 Dedalus 是因为厌倦了使用那些与 agent 实际工作方式不匹配的工具。"这句话完全说到了我的心坎上。现有的 AI agent 开发工具要么是那种拖拽式的可视化编辑器，看起来很友好，但实际上根本不适合开发者使用，缺乏灵活性和控制力；要么就是把你的整个技术栈锁定在某一个模型提供商上，让你失去了选择的自由。更糟糕的是，大多数这类工具都还停留在演示阶段，根本没有做好生产环境的准备。

Dedalus Labs 认为，正确的抽象层不应该是另一个可视化编辑器或者复杂的框架，而应该是一个对开发者友好的基础设施层，让构建和流式传输配备工具的非线性 agent 变得像写一个函数调用一样简单。这个理念听起来很理想化，但他们确实做到了。他们的第一个版本就解决了部署 MCP 服务器的所有摩擦点。过去需要花费数天时间编写 Docker 文件和 YAML 配置的工作，现在只需要三次点击就能完成。这种开发体验的提升不是渐进式的改进，而是数量级的飞跃。

我特别认同 Dedalus 对"agent 工作流"的理解。他们相信，所谓的 agentic 工作流本质上就是 agent 本身——模型和工具的编排。一个配备了合适工具和防护栏的 agent，应该能够执行任何工作流，而不需要工程师硬编码每一个边缘情况。作为开发者，你的工作应该很简单：定义提示词，选择合适的工具和防护栏，然后让你的 agent 运行。这种思维方式与传统的工作流自动化完全不同。传统工作流是线性的、固定的、缺乏灵活性的，而基于 agent 的方式则是动态的、适应性强的、可扩展的。

Model Context Protocol 为什么重要

在深入了解 Dedalus Labs 之前，我对 Model Context Protocol（MCP）的理解其实很模糊。我知道这是 Anthropic 推出的一个开放协议，但并不清楚它为什么如此重要。直到我看到 Dedalus 对 MCP 的解释，才真正理解了它的价值。MCP 是一个让 AI 模型能够以标准化方式与外部工具对话的开放协议。可以把它想象成一种 AI 模型完全知道如何调用的 API：可靠、可预测、与语言无关。

在 MCP 出现之前，构建一个配备工具的 agent（也就是能够调用外部工具的模型）意味着要花费数天时间去拼接各种定制的 API。每个工具都有自己的接口规范、认证方式和数据格式。作为开发者，你需要为每个工具写专门的适配代码，处理各种特殊情况和异常。这不仅耗时费力，而且极难维护。每次工具更新或添加新工具，你都要重新写一遍这些胶水代码。这种方式根本无法扩展，也无法构建真正复杂的 agent 系统。

MCP 的出现彻底改变了这个局面。它提供了一个统一的标准，让所有工具都能以同样的方式暴露自己的能力。AI 模型不再需要学习每个工具的特定接口，只需要理解 MCP 协议就可以调用任何支持 MCP 的工具。这就像是为 AI 时代创建了一套通用语言。对于开发者来说，这意味着你只需要学习一次 MCP，就能让你的 agent 访问成千上万的工具。对于工具提供商来说，这意味着你只需要暴露一个 MCP 服务器，就能让所有支持 MCP 的 agent 使用你的服务。

Dedalus Labs 深信 MCP 是 agent 的语言。在他们看来，MCP 是允许 AI 系统可预测地调用工具、访问数据和执行操作的标准。那些将自己作为 MCP 服务器暴露的产品，不仅对用户可访问，也对不断增长的自主应用生态系统可访问。随着世界越来越多地转向 AI 自主性（比如 agentic commerce），可寻址的市场不再只是人类，还包括代表人类工作的所有 agent。在那个世界里，将你的服务作为 MCP 端点暴露出来不是可选项，而是必然选择。Dedalus Labs 正在构建基础设施，让这种转变对每个人来说都尽可能简单。

Dedalus 的技术创新在哪里

Dedalus Labs 的核心产品是一个 SDK 和基础设施平台，让开发者能够快速连接 AI 模型、工具和 API。但这种描述太抽象了，让我用一个具体例子来说明他们到底做了什么。假设你想构建一个 agent，能够同时访问 GitHub 代码仓库、查询数据库、搜索网页，并根据搜索结果生成报告。在传统方式下，你需要分别集成 GitHub API、数据库连接、搜索引擎 API，写大量代码来处理认证、错误处理、数据格式转换等问题。然后你还需要编排这些工具的调用顺序，确保 agent 能够正确地使用它们。整个过程可能需要几周时间。

使用 Dedalus 的 SDK，同样的任务只需要 5 行代码。你不需要关心底层的 API 调用细节，不需要处理认证和授权，不需要写工具编排逻辑。你只需要指定你想使用哪些工具，定义你的提示词，然后让 agent 运行。Dedalus 的 SDK 会自动处理模型和工具之间的交互，支持供应商无关的模型切换、本地工具和托管 MCP 的链式调用，以及跨任何提供商的流式传输。这不是魔法，而是精心设计的抽象层，隐藏了所有复杂性，让开发者能够专注于 agent 的核心逻辑。

Dedalus 的创新不止于此。他们还构建了一个托管的 MCP 市场，开发者可以在这里发现和使用社区构建的各种工具：网页搜索、代码执行、数据分析等等。你只需要用一个简单的标识符就能调用任何公开列出的 MCP 服务器，完全不需要担心配置、格式或协议。更有意思的是，他们即将推出市场货币化功能。你可以将自己的 agent 或服务器列在市场上，每次被调用时都能获得收入，创作者分成高达 80%，而且是即时支付。这为开发者创造了一个全新的商业模式：不仅可以使用别人的工具，还可以通过分享自己的工具来赚钱。

他们的平台还支持混合搭配工具。你可以将本地 Python 函数与市场上的云托管 MCP 服务器结合使用。Dedalus 的 SDK 会自动处理路由、切换和负载均衡。这种灵活性非常重要，因为在实际应用中，你经常需要结合使用专有工具和公共服务。比如，你可能想让 agent 访问你公司内部的客户数据库（本地工具），同时也能搜索网页和生成报告（公共服务）。在 Dedalus 之前，将这些异构工具整合在一起是一项艰巨的工程任务。现在，这变成了一件轻而易举的事。

Dedalus 还在开发 MCP Authorization Server，这是业界首个生产级的 MCP 授权服务器。这个工具管理多个服务的安全和访问控制，让开发者能够集成外部工具而不需要构建自己的授权系统。这解决了企业在使用 AI agent 时最关心的安全问题之一。当 agent 能够代表用户执行各种操作时，如何确保它只执行被授权的操作？如何防止权限滥用或数据泄露？Dedalus 的授权服务器提供了一个统一的解决方案，让 MCP 资源服务器能够将令牌发放、发现和安全策略委托给专门的授权服务器，该服务器高度遵循 MCP 规范。更重要的是，他们计划将这个授权服务器开源，让整个社区都能从中受益。

为什么投资人如此看好 Dedalus

当我看到 Dedalus Labs 的投资人名单时，我的第一反应是：这些人都是开发者工具和 AI 领域的传奇人物。Cal Henderson 是 Slack 的联合创始人兼 CTO，Slack 几乎定义了现代团队协作工具应该是什么样子。Thomas Wolf 是 Hugging Face 的联合创始人兼首席科学家，Hugging Face 是机器学习领域最重要的开源社区和平台。Ant Wilson 是 Supabase 的联合创始人兼 CTO，Supabase 被称为开源的 Firebase 替代品，在开发者社区中备受推崇。Thomas Dohmke 是前 GitHub CEO，GitHub 是全球最大的开发者平台。这些人对优秀的开发者工具有着最敏锐的判断力，他们选择投资 Dedalus，本身就说明了这家公司的潜力。

我特别注意到 Tri Dao 和 Elad Hazan 这两位 AI 研究领域的大牛也参与了投资。Tri Dao 是 FlashAttention 的作者，这是一项革命性的技术创新，大幅提升了 Transformer 模型的效率，现在几乎所有大语言模型都在使用这项技术。他同时也是 Together AI 的首席科学家。Elad Hazan 是 AdaGrad 优化算法的发明者，这是深度学习领域最重要的优化算法之一。他在 Google DeepMind 和普林斯顿大学任职。这两位的加入说明，Dedalus 不仅在工程实现上做得好，在技术方向的选择上也得到了顶尖 AI 研究者的认可。

Kindred Ventures 和 Saga Ventures 作为领投方，也有着出色的投资记录。他们在评估 Dedalus 时，很快意识到创始人 Cathy 和 Windsor 是特殊的创始人：他们痴迷于开发者体验，这体现在他们的代码质量、设计决策，以及他们在黑客松和办公时间里进行的无数次"Collison 安装"（一个硅谷术语，指创始人现场演示产品并让人立即开始使用）。这种对细节的关注和对开发者需求的深刻理解，正是构建伟大开发者工具所必需的特质。

投资人看好 Dedalus 的另一个重要原因，是他们对 MCP 的战略性押注。在他们看来，MCP 将成为 agent 生态系统的基础语言。随着越来越多的公司采用 MCP，将服务暴露为 MCP 服务器意味着你不仅服务于人类用户，还服务于 agent。在一个 agent 也是用户的世界里，这是下一个重要的分发渠道。Dedalus Labs 正在构建支撑这种转变的基础设施。这不是一个短期的商业机会，而是对未来十年软件架构的押注。

对开发者意味着什么

我认为 Dedalus Labs 的出现，标志着 AI agent 开发正在从实验阶段进入工程化阶段。在过去的一两年里，我们看到了很多令人印象深刻的 AI agent 演示，但这些演示大多停留在概念验证阶段，很难真正部署到生产环境中。主要原因就是缺乏可靠的基础设施和标准化的开发工具。Dedalus 正在填补这个空白。他们提供的不是又一个演示框架，而是一个真正面向生产环境的基础设施层。

对于普通开发者来说，Dedalus 降低了构建 AI agent 的门槛。你不再需要成为 AI 专家才能构建有用的 agent。你不需要深入理解各种模型的 API 差异，不需要花时间研究如何部署和扩展 MCP 服务器，不需要从头开始编写工具编排逻辑。这些复杂性都被 Dedalus 的 SDK 和平台隐藏起来了。你可以专注于定义你的 agent 应该做什么，而不是纠结于它应该如何做。这种抽象是正确的，因为它让开发者能够在更高的层次上思考问题。

更重要的是，Dedalus 提供了真正的灵活性。他们支持多个模型提供商，包括 OpenAI、Anthropic、Mistral 等。你可以用一行代码在 GPT-5、Claude Opus 4.1、Gemini 2.5 Flash、Qwen-Max 或任何主流模型之间切换。没有供应商锁定，现在没有，以后也不会有。这种灵活性非常宝贵，因为 AI 领域变化太快了。今天最好的模型可能明天就被超越。如果你的技术栈被锁定在某个特定模型上，你就失去了选择的自由。Dedalus 让你始终能够使用最适合你需求的模型。

Dedalus 还在构建开发者社区和生态系统。他们即将在 12 月与 The Residency 合作举办 Break In，这是一个为期三周的黑客屋活动，旨在帮助有潜力的创始人进入硅谷。这种社区建设不仅能够吸引优秀的开发者使用他们的平台，还能收集宝贵的反馈，持续改进产品。他们计划开源平台的部分组件，包括授权服务器，这种开放的态度会让更多开发者采用相同的构建模块，确保不同项目之间的互操作性和更容易的集成。

从长远来看，Dedalus 的愿景不仅仅是一个开发者工具，而是成为公司构建和分发 agent 的骨干。不只是构建 agent，而是发布、分享和发展它们。他们正在构建的是一个完整的生态系统，在这个生态系统中，开发者可以构建工具、agent 可以使用这些工具、用户可以从这些 agent 中获益，而工具创建者也能从中获得收益。这种多方共赢的模式，是可持续生态系统的基础。

我对 AI Agent 基础设施的思考

在了解 Dedalus Labs 的过程中，我对 AI agent 基础设施有了一些更深的思考。我认为，当前 AI agent 开发面临的最大挑战不是算法或模型能力，而是工程基础设施的缺失。我们有非常强大的基础模型，有各种各样的工具和 API，但缺少一个标准化的方式将它们连接起来。这就像是互联网早期，我们有服务器和客户端，但缺少 HTTP 协议和浏览器这样的标准化技术。MCP 的出现填补了这个空白，而 Dedalus 则是让 MCP 变得易于使用的关键推动者。

我特别认同 Dedalus 对传统工作流工具的批评。那些拖拽式的可视化工作流编辑器看起来很直观，但实际上限制了灵活性和可扩展性。它们假设你能够预先定义所有可能的执行路径，但现实世界的问题往往是动态的、不可预测的。AI agent 的优势正在于它能够根据实际情况做出决策，而不是遵循固定的执行路径。Dedalus 采用的代码优先方法是正确的，因为代码提供了最大的灵活性和控制力。你可以用代码表达任何逻辑，可以轻松地进行版本控制、测试和调试。

另一个值得思考的问题是，AI agent 基础设施应该是中心化的还是去中心化的？我认为 Dedalus 找到了一个很好的平衡点。他们提供托管服务，让开发者能够快速开始，不需要担心基础设施问题。但同时，他们也支持自托管，并且计划开源关键组件。这种混合模式给予开发者最大的选择自由：你可以使用他们的托管服务快速原型验证想法，等到需要更多控制时再迁移到自托管环境。这种灵活性对于企业客户特别重要，因为他们可能有特殊的安全或合规要求。

我还注意到 Dedalus 强调"production-ready"（生产就绪）这个词。这点非常重要，因为太多的 AI agent 工具都停留在演示阶段。它们在理想条件下运行得很好，但一旦遇到实际的生产环境——需要处理大规模并发、需要可靠的错误处理、需要监控和日志记录、需要安全和访问控制——就会暴露出各种问题。Dedalus 从一开始就考虑到了这些生产环境的需求。他们的平台会监控健康检查、自动进行全球扩展、提供干净的 MCP 端点。这些看起来不起眼的功能，恰恰是生产环境所必需的。

从更宏观的角度看，我认为 AI agent 基础设施的成熟，将推动整个软件行业的范式转变。就像云计算让我们从"购买服务器"转变为"租用计算能力"，AI agent 基础设施将让我们从"编写代码"转变为"编排智能体"。在这个新范式中，开发者的核心工作不再是编写详细的业务逻辑，而是定义目标、选择合适的工具和模型、设定防护栏。具体的执行细节由 agent 自己决定。这种转变会极大提高开发效率，但也对基础设施提出了更高的要求。Dedalus 正在构建的，正是支撑这种新范式的基础设施。

未来会是什么样子

展望未来，我认为 AI agent 将无处不在。不仅仅是聊天机器人或虚拟助手，而是深度嵌入到各种软件应用中，成为软件的标准组成部分。每个 SaaS 应用都会有自己的 agent，能够理解用户意图并自动执行任务。每个企业都会有专门的内部 agent，帮助员工处理日常工作。这些 agent 之间也会相互协作，形成一个 agent 网络。在这个未来中，MCP 将成为 agent 之间通信的标准协议，就像 HTTP 是网页通信的标准协议一样。

Dedalus Labs 的市场货币化功能特别有前景。想象一下，开发者可以构建专门的工具或 agent，将它们发布到 Dedalus 的市场上，然后每次被使用时都能获得收入。这创造了一个全新的商业模式，让开发者能够通过构建可复用的组件来赚钱，而不是必须构建完整的应用。这种模式在传统软件开发中也存在（比如 npm 包、WordPress 插件等），但 AI agent 市场的独特之处在于，这些组件不仅被人类开发者使用，也被其他 agent 自动发现和使用。这意味着市场规模可能比传统的开发者工具市场大得多。

我也看到一些潜在的挑战。随着 agent 变得越来越自主，安全和可控性将变得更加重要。如何确保 agent 的行为符合预期？如何防止恶意 agent 或被攻击的 agent 造成损害？如何在给予 agent 足够自主性的同时，保持人类的最终控制权？这些问题没有简单的答案，需要技术创新和行业标准的共同推动。Dedalus 正在开发的授权服务器是解决这些问题的重要一步，但这只是开始。

另一个有趣的问题是，当 agent 成为主要用户时，软件设计将如何改变？传统的用户界面是为人类设计的，强调视觉呈现和交互直觉。但 agent 不需要漂亮的界面，它们需要的是清晰的 API 和可预测的行为。这意味着软件设计的重点将从"如何让界面更友好"转变为"如何让 API 更友好"。API 设计将成为产品成功的关键因素，而 MCP 这样的标准协议将变得越来越重要。

Dedalus Labs 将自己定位为这个转变的推动者和基础设施提供者。他们不仅在构建工具，还在塑造标准、建设社区、培育生态系统。他们计划开源关键组件，举办黑客松和黑客屋活动，支持早期创业者。这种全方位的投入，显示了他们的长期愿景：不只是构建一个成功的产品，而是推动整个行业向更好的方向发展。我相信，随着越来越多的开发者使用 Dedalus 的平台，随着越来越多的工具采用 MCP 标准，我们将逐渐看到一个繁荣的 agent 生态系统的出现。

对于开发者来说，现在是参与这个转变的最佳时机。AI agent 技术仍处于早期阶段，有大量的创新空间和商业机会。Dedalus 提供的工具让你能够快速开始实验和构建，而不需要花费大量时间在基础设施上。无论你是想为自己的应用添加 agent 功能，还是想构建通用的工具在市场上销售，或者只是想探索 AI agent 的可能性，Dedalus 都提供了一个很好的起点。AI agent 的时代已经到来，而 Dedalus Labs 正在为这个时代构建基础。

文章来自于微信公众号 “深思圈”，作者 “深思圈”