设想一个场景：利用 AI 生成一段两分钟的产品视频，模型运行 40 多分钟且耗费数百元后，却在最后合成阶段因服务器重启而失败。程序被迫从头重来，导致资金与时间的双重浪费。
过去，业务流程通常仅跨越两三个系统；而在 AI Agent 进入生产环境后，单个任务可能连续调用搜索、数据库、浏览器、支付接口及各类企业软件，执行周期从数秒拉长至数小时甚至数周。中间任何环节出错，都可能导致前序工作失效。
一家成立 7 年的美国公司，正将解决此类“长流程执行可靠性”问题作为核心业务。
5.5 亿美元 E 轮融资，估值超 125 亿美元
9 月 14 日，Temporal 宣布完成 5.5 亿美元 E 轮融资（约 37 亿人民币），估值达到 125.5 亿美元（约 842 亿人民币）。仅在 7 个月前，该公司刚以 50 亿美元估值完成 3 亿美元 D 轮融资。
Temporal 既不训练大模型，也不直接售卖聊天机器人，却已拥有超过 4300 家付费客户，年化收入运行率（ARR）超 2.5 亿美元。其核心产品逻辑简单而关键：确保软件在执行失败后，能从断点处继续完成任务，而非从头开始。
深耕分布式系统二十载
从亚马逊到 Uber 的技术积淀
Temporal 创始人 Samar Abbas 和 Maxim Fateev 在此领域已深耕 20 余年。2002 年，Maxim 加入亚马逊时，正值互联网巨头从单体架构向服务化架构迁移。随着系统拆分，跨服务的长流程业务一旦某环节出错，往往导致整体停滞。
Maxim 随后参与开发了 Amazon Simple Workflow Service (SWF)，Samar 也参与了早期工作，两人首次系统性解决了长流程的状态保存、故障处理及断点续传问题。这套经验随两人从亚马逊流转至微软，最终汇聚于 Uber。
在微软期间，Samar 参与构建了 Durable Task Framework。2015 年，两人在 Uber 重逢，共同创建了开源 Workflow 引擎 Cadence，专门用于处理长时间、跨服务的业务流程。
Cadence 在 Uber 内部的广泛应用让创始人意识到，这不仅是单一公司的工程难题，更是分布式软件的通用基础设施需求。2019 年，两人离职创办 Temporal，将该技术转化为独立平台。
AI Agent 时代的基础设施刚需
Temporal 并非因 AI 热潮而凭空出现，其技术底蕴源于过去 20 年分布式系统的发展。过去，这一问题主要由大型公司的基础架构团队内部消化；而在 AI Agent 时代，它成为了所有企业面临的普遍挑战。
Agent 正在将软件转变为运行时间更长、逻辑更复杂的自动化系统。以企业采购 Agent 为例，其背后的 Workflow 涵盖航班查询、政策校验、酒店比对、主管审批、支付调用及财务回写等多个步骤。若主管未及时审批、API 超时或服务器重启，系统需具备等待、重试及状态恢复能力，同时避免重复扣款等严重后果。
传统模式下，开发者需为每个业务流程手动编写状态管理、重试机制及故障恢复逻辑，导致代码冗余且维护困难。Temporal 将这些功能抽象为独立的“持久化执行”（Durable Execution）平台。
Temporal 持续记录 Workflow 的执行历史。当程序因故障中断，系统可依据历史记录恢复状态并从断点继续执行，而非重置流程。这就好比游戏中的“自动存档”，但应用于真实的企业业务场景。例如，一个运行三天的报销流程若在中途因机器重启中断，Temporal 可将其恢复至审批第五步的状态；若需等待人类审批，系统可暂停释放计算资源，待信号返回后再自动唤醒继续执行。
“开源 + 云服务”的商业模式
客户使用量驱动收入增长
Temporal 采用典型的“开源 + 云服务”路线。开发者可免费使用开源版本自行部署，企业亦可购买 Temporal Cloud，由官方负责运维、扩容及可靠性保障。这种模式允许开发者先试用，待核心 Workflow 建立后，再将生产环境迁移至云端。
此类基础设施公司的收入增长不仅源于客户数量增加，更依赖单客户使用量的扩大。客户往往从处理单一订单流程起步，逐步扩展至支付、客服、数据处理乃至 AI Agent 场景。Workflow 数量与执行频次的提升，直接推动 Temporal Cloud 收入增长。
数据显示，Temporal 年化收入运行率已超 2.5 亿美元，同比增长超 200%。自 2026 年 2 月以来，公司净收入留存率（NDR）持续超过 200%，表明现有客户在不断追加投入。截至目前，Temporal 付费客户已超 4300 家，包括 OpenAI、NVIDIA、Netflix、Snap、JPMorgan Chase、Salesforce 及 Shopify 等行业巨头。
Temporal 的部分客户
平台使用量的增速甚至远超客户数量增速。今年 8 月，Temporal 云平台处理的 Actions 超 1.9 万亿次，同比增长超 350%；其开源项目累计安装量已突破 4300 万次。
押注 Agent 执行层
AI 为 Temporal 的增长注入了新变量。以 OpenAI 为例，过去一年其在 Temporal 上的使用量增长了 60 倍。对于 AI 公司而言，模型调用仅是系统的一部分，生产环境中大量存在的长时任务、工具调用及状态管理才是关键。一旦这些任务失败，重跑成本远高于传统软件。
Temporal 无需亲自训练模型或预判哪个模型胜出。无论企业采用 OpenAI、Anthropic 还是 Google 的模型，只要将其纳入需持续运行的 Agent 中，就需要一层可靠的基础设施来保障执行。Temporal 真正押注的并非特定 AI 模型，而是 Agent 将成为企业软件新的运行范式。
争夺 Agent 时代的“执行层”
Temporal 面临的竞争已超越传统 Workflow 市场。Inngest、Trigger.dev 等 AI 原生玩家正从应用层向下渗透，将执行与状态管理嵌入开发者工具链；云厂商试图将类似能力整合进基础设施；模型公司与 Agent 框架则尝试从上往下延伸。
Agent 时代的基础设施涌现出新缝隙：上层是模型与 Agent，下层是云、数据库及各种 API，中间亟需专人负责状态保存、故障处理及任务接续。过去，这些逻辑隐藏在企业的自定义代码中，鲜有独立付费场景；如今，AI 将任务执行时间拉长并放大了失败成本，使得这一层级的价值凸显。
Temporal 的优势在于其 20 多年的技术积累、活跃的开源社区以及经过生产验证的 Temporal Cloud。它既服务于支付、订单等传统 Workflow，又成功切入 AI Agent 领域。对企业而言，Temporal 提供的不是单一的 AI 功能，而是一层已被大规模验证的执行基础设施。
过去 20 多年，Temporal 专注于解决“程序做到一半怎么办”的问题；现在，AI Agent 终于将这一痛点带入了更多公司的生产环境。这或许也是 5.5 亿美元融资背后，比 125 亿美元估值更具长远意义的看点。
