Skip to content

融資速報|Raindrop Series A $35M,抓 Agent 在生產環境裡的無聲失敗

2026年9月20日1 分鐘
TL;DRRaindrop 完成 $35M Series A,由 CRV 領投,累計融資來到 $50M。這輪錢代表投資人賭的是「Agent 可觀測性」已經從加分項變成必需品——當 Agent 一次跑好幾個小時、呼叫上千次工具,人已經沒辦法即時盯著每一步,勢必需要專門的系統幫忙抓出「安靜地做錯事」的時刻。

🌏 English version

融資資訊

項目
公司Raindrop(美國,舊金山)
輪次Series A
金額$35M
領投CRV
跟投Lightspeed Venture Partners, Y Combinator,另有 OpenAI、Anthropic、Thinking Machines 的資深研究員以個人身分跟投
估值未揭露
累計融資$50M(Series A 前已募得 $15M)
成立年份2023 年
員工數約 9 人(Y Combinator 公司頁面,募資前規模)

這家公司做什麼

Raindrop 是做 Agent 生產環境監控的公司——它把自己定位成「Sentry for AI Agents」,專門抓 Agent 上線之後「安靜地做錯事」的時刻,而不是等使用者抱怨才知道出了問題。

核心產品讀取生產環境裡 Agent 的完整執行軌跡(trajectory),用語意層級的異常偵測抓出幻覺回答、工具誤用、或是模型升級之後行為悄悄改變等問題。當異常出現時,工程團隊能看到「什麼變了、什麼時候開始變、影響了哪些使用者」,並附上大量真實案例佐證,而不是只給一個抽象的錯誤率數字。這次募資同時發表的新產品 Simulations,把生產環境的真實流量和既有測試案例拿來重播,套用在一個提議中的 Agent 變更上,再跑一次異常偵測——等於讓一般團隊也能用上前沿實驗室(OpenAI、Anthropic)內部拿來測試自家模型的那套方法,在改動真正上線前先看到「這個改動會改變什麼」。

目前客戶包括 Vercel、Framer、Clay 以及數家 Fortune 100 企業。創辦人 Zubin Koticha(CEO)與 Alexis Gauba 是二次創業者,兩人先前共同創辦的 DeFi 選擇權平台 Opyn 後來被 Coinbase 收購,處理過超過 $150 億美元的交易量;第三位共同創辦人 Ben Hylak 一同組成團隊,公司 2023 年成立於舊金山。

這筆融資的信號

對 Agent 生態的意義

這輪錢的用途很明確:擴大異常偵測研究、把產品推向更多企業客戶、以及把 Simulations 從研究預覽推向正式產品。Raindrop 引用 METR 的研究指出,Agent 能獨立完成的任務長度大約每七個月翻一倍,單次執行動輒橫跨好幾天、呼叫上千次工具——這代表傳統「靠人盯著看」的品質把關方式已經跟不上規模,必須有專門系統把「執行軌跡」變成可審視、可溯源的資料。

投資人在賭什麼

CRV 領投的邏輯,加上 Lightspeed、Y Combinator 續投,再疊上 OpenAI、Anthropic、Thinking Machines 一線研究員親自以天使身分下注,指向同一個判斷:Agent 可觀測性不是「模型變強之後才需要」的下游需求,而是模型公司自己內部就已經在用的方法論,現在正在被商品化成一個獨立的市場層。CEO Koticha 的說法是「Agent 現在一跑就是好幾個小時、呼叫上千次工具,牽涉真實金錢、真實健康資料、真實客戶——一旦做錯事,它會很有說服力地錯下去,直到有人剛好發現為止」,這正是 Raindrop 要填補的空隙。

值得觀察的數字

  • 累計融資 $50M,其中這輪 Series A 就佔 $35M,顯示投資人對「Agent 可觀測性」這個子領域的信心在過去幾輪之間明顯加碼
  • 客戶名單已經涵蓋 Vercel、Framer、Clay 這幾家本身就是重度 Agent 部署者的公司,等於是被最懂 Agent 風險的客群驗證過
  • 團隊規模僅約 9 人就拿下 Fortune 100 等級客戶,人力密度極低,顯示產品本身的接入門檻和價值主張足夠直接

Watchlist 狀態

Raindrop 尚未在 watchlist 中。建議加入 section B6(Agent 可觀測性/評估),與 Arize AI、Braintrust、LangSmith、Galileo AI 並列追蹤,追蹤重點:生產環境 Agent 軌跡的語意異常偵測,以及上線前用真實流量模擬變更影響的 Simulations 產品。

今日收穫

過去看 Agent 可觀測性,常把它想成「幫 LLM 應用加個 log 系統」的延伸功能,但 Raindrop 的 Simulations 提醒我一件更根本的事:當 Agent 任務長度每七個月翻倍、一次執行橫跨數天,「上線後才發現問題」這件事本身的代價正在指數上升——於是「上線前先用生產流量模擬」不再是錦上添花的 QA 流程,而是變成跟前沿實驗室訓練自家模型一樣等級的基礎設施,這也是為什麼連 OpenAI、Anthropic 的研究員會親自下場投資這類公司。

參考資料