融資速報｜Capacity Series E $54M
Capacity 完成超過 $54M 的 Series E,累計融資破 $159M,ARR 剛在 6 月跨過 $100M 門檻、3.5 年成長 20 倍。這筆錢代表企業開始把預算從一堆點狀 AI 客服工具收斂到單一平台,而 Capacity 賭的正是「訓練一次、到處可用」的統一知識層會贏過各自為政的專用 Agent。
#agent-platform
12 篇文章融資速報｜Wonderful Series C $550M
Wonderful 完成 $550M Series C，由 Insight Partners 領投、Salesforce 首次參投，估值 $5B，距離 3 月的 Series B（$2B）不到六個月漲了 2.5 倍。這筆錢代表 VC 開始押注「企業級 AI 作業系統」這個統一協調層，而不是繼續買單一堆各自為政的 Agent 點工具。
融資速報｜Runable Series A $21M
Runable 完成 $21M Series A，由 Susquehanna Venture Capital 與 Nexus Venture Partners 共同領投，投後估值 $65M。這家印度新創的 Agent 不只幫你做出網站/App，還會自己下廣告、發社群貼文、抓 SEO——把「建置」和「成長」兩段流程塞進同一個 Agent。
Agent Platform 深度解析（八）— Context/Memory 與 Cloudflare 部署：本機開發到生產環境的零縫隙遷移
Agent Platform 採 Cloudflare-first 架構：本機 `npm run dev` 跑 Node 模擬，生產映射到 Workers + Workers Assets + D1 + KV + R2 + Vectorize + Queues + Workflows + Durable Objects + Workers AI。Runtime 介面相同（InMemory → Cloudflare 實作），上層零感知遷移。部署只需 `wrangler login` → 建資源 → 填 ID → `wrangler secret put` → `wrangler deploy`。CI/CD 監聽 main 分支，跑 typecheck + build + dry-run + migration + deploy。
Agent Platform 深度解析（七）— Evaluation & Quality Gates：全維度評測、Regression Prevention 與技能發布免疫系統
Evaluation 是 Agent Platform 的「品質免疫系統」：不只是事後統計，而是內建於執行流程的 Pre-run/In-run/Post-run 三階段把關。7 類 Eval 全覆蓋 Flow→Step→Skill→Artifact→Evidence→Policy→Regression。Skill 發布必須通過 Trigger→Functional→Policy→Regression→Human Review 五關，任一失敗即阻擋。Learning Loop 從 Run 捕獲 Signal → 產生 Proposal → Human Review → Sandbox Eval → Quality Gate → Publish，嚴守「Agent 提案、人類審核、Eval 閘門」鐵律。
Agent Platform 深度解析（二）— Flow Runtime：版本化流程、Checkpoint 與 Resume/Retry 機制
Flow Runtime 是 Agent Platform 的心臟：Flow 發布即不可變、Run 綁定具體 version+preset、Step 以 DAG 邊緣條件流轉、每個邊界存 checkpoint、支援 resume/retry-step 不丟失 trace 歷史。
Agent Platform 深度解析（六）— Observability、Evidence 與 Artifacts：結構化 Trace、Claim-to-Source 追溯與版本化產出
Observability 不是事後加的 log，而是第一公民：結構化 Trace 連結 FlowRun→StepRun→SkillInvocation→ProviderCall→ToolInvocation→GuardResult→EvidenceItem→ArtifactVersion。Evidence Store 讓每個 claim 追溯到 source/excerpt/citation/confidence/conflict。Artifact 版本化支援 approve/reject/regenerate 不刪除歷史。Context Snapshot 按類別分配 token budget，超額自動壓縮記錄決定。Memory 分 procedural/episodic/semantic 三類，寫入需 proposal 經人工審核。
Agent Platform：開源 AI Workflow Control Plane 深度解析（一）— 架構與定位
Agent Platform 把 AI agent 從「空白聊天視窗」升級為「可定義、可版本化、可觀測、可驗證、可改進」的結構化工作流平台，內建 Deep Research seed flow 示範完整閉環。
Agent Platform 深度解析（五）— Policy Engine：Runtime Guards、Budget Control、Human Approval 與 Loop Protection
Policy Engine 是 Agent Platform 的「憲法與執法者」：Policy 版本化綁定 Flow/Preset、四層 Guard 在 step boundary 強制執行、Budget 多維度限制（cost/tokens/runtime/iterations/tool_calls）、External write 必須人工核准、Loop detection 自動熔斷、Escalation 記錄可審計軌跡。配置驅動而非硬編碼，新增規則只改 JSON。
Agent Platform 深度解析（四）— Provider Router & MCP：多 Provider 路由、Fallback 鏈與 OpenAI 相容 Proxy
Provider Router 是 Agent Platform 的「模型與工具網關」：統一 30+ providers、MCP tool discovery、step-local 權限控制、fallback chain with RRF fusion、OpenAI 相容 Proxy 讓現有 SDK 零改動接入。配置驅動而非硬編碼，provider 健康度感知路由。
Agent Platform 深度解析（三）— Skill System：版本化能力包、顯式綁定與 Learning Loop 閉環
Skill = 可版本化、可安裝、可審計的能力包。雙檔架構分離 metadata 與指令，顯式綁定替代模型路由，invocation 全記錄。Learning Loop 從 run 產生 signal → proposal → sandbox eval → human review → publish，嚴守「Agent 提案、人類審核、Eval 閘門」原則。
從實戰整理：AI Native 團隊該做好的事
不是每個人都該直接用 coding agent 改 code。AI Native 團隊要搞定 interface 規格、測試先行、monorepo、security guardrail、human-in-the-loop 與 token 預算管控，在 coding agent 上面再建一層 agent platform 並明確開發者角色轉型才是正途。