撰文：朗瀚威 Will
这是YC W26系列分析的第五篇。上一篇拆了AI编程工具和"Claude Code for X"（12家），这篇看开发链条的另一半——代码写完之后的一切：运维、测试、工作流自动化、Agent开发基础设施，共22家。
代码只是开始
上一篇我们讲了AI怎么改变"写代码"。但写代码只是软件开发的一部分——代码写完之后，还有部署、运维、值班、测试、bug修复、工作流自动化，每一步都需要人。
YC W26的22家公司正在做的事情是：把"代码写完之后"的每一个环节都交给AI agent。
凌晨3点生产环境告警？IncidentFox在你睡觉的时候自动查日志、定位根因、准备修复脚本，你醒来只需要review和批准。用户发现了bug？Lucent 24/7自动看会话回放，比用户先发现问题。需要把一个Excel里的审批流程自动化？Bubble Lab一句话搞定。
这22家可以分成4组：AI运维/SRE（5家）、AI测试/QA（2家）、AI工作流自动化（7家）、Agent开发基础设施（8家）。
先说结论：4 条可以直接带走的判断
1、IncidentFox是这22家里产品最完整的。两个前Roblox工程师（支撑过1亿+日活的基础设施），开源，300+预置集成，不到1天部署。核心差异化不是"用AI分析日志"（谁都能做），而是"自动发现你的技术栈并自动生成集成"——省掉了最痛苦的接入工作。
2、AI运维（5家）和AI测试（2家）合在一起做的事情是：把"代码质量保障"从人力密集型变成agent密集型。传统的运维值班、bug排查、回归测试都需要工程师大量时间。这7家公司的赌注是：agent能比人更快发现问题、更快定位根因，而且7x24不休息。
3、工作流自动化（7家）是这批里最杂但用户最广的一组。它们的共同点是"让不写代码的人也能用AI自动化工作"——RamAIn用计算机视觉操作任何软件，Bubble Lab一句话创建自动化流程，Jinba用聊天自动化企业工作流。这组面向的不是开发者，而是所有知识工作者。
4、Agent开发基础设施（8家）是最"meta"的一组——给造agent的人造工具。Emdash做开源agent开发环境，Overshoot做AI视觉应用平台，Glue做agent界面设计画布。这组的逻辑和Fintech那篇里讲的"agent经济基础设施"一样：当agent数量爆发时，造agent的工具就成了刚需。
子赛道一：AI 运维/SRE——IncidentFox、Mendral、Corelayer、Sonarly、Lucent
5家公司在做同一件事的不同切面：用AI替代运维工程师。
IncidentFox
AI SRE agent——自动分诊、调查和修复生产事故，住在Slack里。
核心数据：开源（Apache 2.0），GitHub 420+ stars，300+预置集成，支持Kubernetes/AWS/Grafana/Prometheus/Datadog/PagerDuty/GitHub
商业模式：开源核心+企业版（安全沙箱、凭证代理、多团队管理）。部署时间1天
团队亮点：Jimmy Wei——前Roblox（做社交通讯功能，服务1亿+日活），之前在Meta FAIR做多方对话式AI研究，Cornell CS。Long Yi——前Roblox状态基础设施团队（数据库基础设施，支撑1亿+日活）。两个人一个造AI，一个做运维，经历完美互补
竞品/风险：PagerDuty、Incident.io（融了$50M+）、Datadog、ServiceNow都在往AI运维方向扩展。但IncidentFox的差异化在于"自动生成集成"——其他工具要你花几周手动接入内部系统，IncidentFox分析你的代码库和历史事故后自动生成
其他亮点：SOC 2合规。每个调查跑在隔离容器里，agent看不到原始密钥。还出了Claude Code插件，给个人开发者用
IncidentFox的核心洞察是：AI运维工具失败的原因不是模型不够强，而是集成不够深。你的支付团队用自研的Kafka管道，你的基础设施团队用自研的部署系统，你的ML团队用自研的模型服务——通用AI工具根本接不进去。IncidentFox的做法是：分析你的代码库和事故历史，自动发现缺什么集成，自动生成。人类只需要审批。
Chris Lu在推文里提到IncidentFox的描述是"AI SRE工程师独立修复生产事故"。这个定位对运维工程师来说既是福音也是威胁。
Mendral（0.9万月访问）做AI DevOps工程师。和IncidentFox的"事后修复"不同，Mendral更偏"日常运维"——持续集成、部署管理、环境配置这些每天要做的事情。
Corelayer（0.4万月访问）做"用数据调试的AI值班工程师"。强调的是数据驱动的调试——不是猜测问题在哪里，而是用指标和日志自动关联。
Sonarly（0.2万月访问）做生产告警AI工程师。更聚焦在告警处理——把海量告警分类、去重、关联，找出真正需要人关注的那几条。
Lucent（1.6万月访问）做自动看会话回放检测bug的AI——不从代码层面找bug，而是从用户体验层面找。AI 24/7观看用户的会话录像，自动发现卡顿、报错、异常流程，然后在Slack和Linear里创建bug工单并附上完整的复现上下文。
创始人Alisa Rae的故事本身就值得讲：澳洲人，之前bootstrap创办并卖掉了一个教育科技公司，是MagicBrief的2号员工（后被Canva收购），在Atlassian做过富文本编辑器。第一次申请YC被拒，建议"找个联合创始人"。她坚持solo路线，融了$2M种子轮，第二次申请入选。已被30+家YC公司使用，创始人反馈："第一周就发现了7个从没见过的bug"、"第一周就回本了"。94%的用户遇到bug不会报告，直接流失——这就是Lucent存在的理由。
5家的共同逻辑：运维工程师的大部分时间不是在"修问题"，而是在"找问题"。从数十个监控系统里关联信号、翻日志、查最近的部署变更——这个调查过程占了平均修复时间的80%。AI agent能同时查所有数据源、秒级关联，把"找问题"的时间从小时级压缩到分钟级。
子赛道二：AI 测试/QA——Canary、Ashr
2家公司做AI测试。
Canary做"第一个理解你代码库的AI QA工程师"。关键词是"理解代码库"——不是通用的测试工具，而是先读懂你的代码逻辑，然后针对性地生成测试用例。传统的AI测试工具生成的用例往往和实际代码脱节。
官网链接：https://www.runcanary.ai/
Ashr做agent自动化多模态测试。"多模态"意味着不只测文字界面，还测图像、视频、语音等交互。随着AI应用越来越多地使用多模态输入输出，测试工具也需要跟上。
子赛道三：AI 工作流自动化——RamAIn、Bubble Lab、Jinba、Ressl AI、EigenPal、Carson、Crow
这是面向最广的一组——用户不是开发者，而是所有需要自动化工作的人。
RamAIn
官网链接：https://ramain.ai/
"世界上最快的计算机使用agent"——教AI像人一样操作你的电脑，在浏览器和桌面应用之间搬数据。
核心数据：3.5万月访问，已有采购、保险、医疗、财务团队在用。几天内完成部署
团队亮点：两个IIT Delhi学生——CEO Shourya之前在McKinsey做企业AI项目，创办过Genoshi（AI工作室，bootstrap做到六位数收入），还是FIDE国际象棋2118分选手，代表印度参加过17国比赛
商业模式：企业级——在遗留系统、桌面应用和网页门户之间自动搬运数据。采购团队（ERP+供应商门户）、保险经纪（承保商门户）、医疗机构（电子病历+实验室门户）、财务团队（收入周期管理）都是目标客户
竞品/风险：Anthropic的Computer Use、OpenAI的Operator是最大威胁。RamAIn的差异化在于"预训练在特定界面上"——通用CUA（截图→视觉模型→决策→重复）又贵又慢又不稳定，RamAIn先学会你的界面再自动化。还有"自愈"能力——UI变了不会崩，这是传统RPA的致命伤
Bubble Lab（1.9万月访问）做"一次提示，永久自动化"。把重复的工作流用一句话变成自动化流程。定位比Zapier更简单——Zapier你还需要配置触发条件和步骤，Bubble Lab你只需要描述你想自动化什么。
Jinba（1.7万月访问）做"通过聊天自动化任何企业工作流"。面向企业，在聊天界面里触发审批、数据流转、系统对接等工作流。
Ressl AI（1.7万月访问）做ERP/CRM配置agent。企业上了Salesforce或SAP之后，配置和定制是一个巨大的工程。Ressl AI用AI agent来做这些配置工作。
EigenPal（0.9万月访问）做企业AI文档工作流。Carson做桌面AI工作空间（我们在OpenClaw那篇里已经详细拆过，这里不重复）。Crow（2.5万月访问）做"让用户通过聊天控制你的应用"——给任何SaaS产品加一个AI聊天层，用户不用学界面操作，直接用聊天完成任务。
7家的共同逻辑：AI编程降低了"写代码"的门槛，但大多数工作根本不需要写代码——需要的是把现有工具串起来、把重复流程自动化。这组公司做的就是"不写代码的自动化"。
子赛道四：Agent 开发基础设施——Emdash、Overshoot、Cardboard、Glue、Sila、Valgo、SideKit、Wideframe
给造agent的人造工具。
Emdash（2.3万月访问）做开源agent开发环境——6万+下载，2430 GitHub stars。支持并行跑多个编码agent，任意模型提供商。和上一篇讲的1code定位接近但更强调开源和模型无关性。
官网链接：https://emdash.sh/
Overshoot（1.6万月访问）做AI视觉应用平台——帮开发者构建和运行AI视觉应用。随着多模态模型普及，"能看图的AI应用"是一个快速增长的品类。
Cardboard（0.7万月访问）做agent视频编辑器。AI agent可以自动剪辑、拼接、添加字幕和特效。视频制作传统上需要专业技能和昂贵软件，Cardboard想把门槛降到"告诉agent你想要什么效果"。
Glue做agent界面设计画布——当你的AI agent需要一个前端界面时，Glue帮你设计。随着越来越多的agent需要可视化的操作面板，这个需求会增长。
Sila做agent工作区消息——给agent之间的通讯提供基础设施。当多个agent需要协同工作时，它们之间怎么传递信息？Sila解决这个问题。
Valgo（0.3万月访问）做自主系统算法安全验证。SideKit（0.2万月访问）做移动应用部署一站式方案（这批里少见的非AI公司）。Wideframe做视频编辑AI协作者。
22 家放在一起看
几个观察：
第一，AI运维（5家）是这22家里产品成熟度最高的一组。IncidentFox已经开源、有300+集成、SOC 2合规。这不是偶然——运维是AI最容易证明价值的场景之一：修复时间从几小时降到几分钟，直接可衡量。
第二，工作流自动化（7家）面对的最大竞争不是彼此，而是现有的自动化工具——Zapier、Make、n8n。AI的加入让这些工具"更智能"，但现有工具也在快速加AI功能。7家小公司要在Zapier（估值超$50亿）面前活下来，需要找到足够窄的切入点。
第三，Agent开发基础设施（8家）是最长期的赌注。现在agent的数量还不够多，基础设施的价值还不明显。但如果agent经济真的爆发（Fintech那篇里我们已经看到Sponge在给agent开银行账户），造agent的工具链就会成为下一个云基础设施级别的机会。
第四，这22家全是B2B。和这个系列所有篇目一样——YC W26是一个彻底的B2B batch。AI工具卖给企业和开发者，不卖给消费者。
对中国团队的启示
第一，AI运维在中国的需求巨大。中国的互联网公司（字节、阿里、腾讯、美团）运维规模不比美国小，但运维工具的AI化程度还不高。国内的监控系统（阿里的ARMS、字节的APMPlus）还没有像Datadog那样大力推AI功能。如果有团队做"中国版IncidentFox"——接入国内主流监控系统、支持中文日志分析、理解国内技术栈，市场是存在的。
第二，工作流自动化在中国有一个特殊场景——钉钉和飞书。这两个平台是中国企业的核心工作入口，但它们的自动化能力还比较初级。如果有团队做"钉钉/飞书里的AI工作流自动化"（类似Jinba对Slack做的事情），会比从零搭建一个新平台更容易起量。
第三，Agent开发工具在中国还是空白。美国已经有Emdash、Glue、Sila在做agent开发链条的各个环节，中国还没有对等的工具。随着国内agent开发者增多，这个市场会打开。
可以带走的判断
1、AI运维的核心瓶颈不是模型能力，而是集成深度。IncidentFox的"自动生成集成"思路值得所有做企业AI工具的团队学习——你的AI再聪明，如果接不进客户的系统，就什么都做不了。
2、"不写代码的自动化"正在成为一个独立品类。RamAIn（3.5万月访问）、Bubble Lab（1.9万）、Crow（2.5万）的流量说明需求是真实的。这些工具面向的不是开发者，而是所有知识工作者——这个市场比开发者工具大10倍。
3、Agent开发基础设施是"长期正确但短期不赚钱"的方向。就像2010年做云基础设施一样——当时云上的应用不多，基础设施看起来过剩。但当应用爆发后，基础设施成了最赚钱的层。Agent基础设施可能会重复这个故事。
4、这22家加上上一篇的12家，DevTools赛道总共34家——是整个W26最大的赛道。这反映了一个事实：AI首先改变的是"造软件的方式"，然后才是其他行业。开发者工具是AI的"本垒"。
免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。
