字节前AI编程负责人创业，用AI改写金融系统“千万行代码”- 大数跨境

首页

字节前AI编程负责人创业，用AI改写金融系统“千万行代码”

创业邦

2026-09-18

导读：相比于Cursor，词元无限要做中国的Devin。

作者丨薛皓皓

编辑丨关雎

图源丨词元无限

金融业对信息安全要求极高，AI 编程采用率普遍低于其他行业。这并非因为金融业抵制技术，而是现有 AI 工具难以匹配其千万行级的核心存量代码，且无法充分保障高敏感度数据安全。

成立仅一年多的创业公司“词元无限”正致力于解决这一痛点。其创始人杨萍毕业于北航计算机视觉专业，曾于 2018 年在字节跳动组建团队研发 AI 编程产品；CTO 王伟出自清华姚班，深耕软件算法领域。

杨萍表示，选择金融赛道是因为其市场规模大、存量系统复杂且对安全稳定要求极高，具备“降维”拓展至其他行业的潜力。调研显示，金融客户对 AI 编程的核心诉求集中在三点：安全合规、模型选择控制权以及可随业务演进的迭代系统。

词元无限首先推出构建“工程知识地图”的产品，将 AI 编程与庞大的金融存量代码匹配，随后发布编程类、测试类产品，并计划年底推出统一数据管理平台。与追求个人开发者体验的 Cursor 不同，词元无限定位更接近 Cognition 的 Devin，强调软件工程任务的拆解、委派、Agent 执行及人类审核验收。

目前，词元无限在金融业试点客户近 50 家，预计今年 ARR 约 4000 万元。2026 年 6 月至 7 月，公司连续完成天使 + 及天使++ 轮融资，投资方包括华控基金、水木创投、临芯投资等。

金融 AI Coding：不需要更快交付代码

从字节内部孵化到独立创业

创业邦：您在创立词元无限前，曾在字节内部负责 AI 编程相关工作，主要涉及哪些内容？

杨萍：2019 年起，我在字节组建团队，初期聚焦软件工程中的测试与验证难题，探索基于多智能体强化学习的测试生成。2020 年，我们深入到底层，发现代码生成和软件开发本身仍有巨大挖掘空间。2022 年，随着大模型兴起，我们承担了内部 AI 编程产品的架构与能力建设。目前，字节内部几乎所有使用 IDE 写代码的员工都在不同程度上使用我们的产品。

创业邦：2022 年字节已布局 AI 编程，但行业爆发在 2024-2025 年，当时您如何判断这一方向？

杨萍：2022 年市面上的工具多集中于代码补全。真正的拐点出现在 2025 年前后，DeepSeek R1 等推理模型的出现带来了三大变化：一是逻辑思考与任务拆解能力显著跃升；二是模型吸收了大量软件工程实践经验；三是模型成本大幅降低，加速了普及。

创业邦：除技术判断外，从大厂出来创业还有其他关键原因吗？

杨萍：核心在于企业需要的不仅是“更快写出代码”，而是精准、可靠、经济地交付结果。编码关注过程，软件工程关注最终交付。企业只为结果买单。我们的角色是连接者，将模型厂商的智力资源转化为适应企业生产关系的工程能力。

创业邦：银行等金融机构对安全性要求极高，甚至禁止使用 AI 处理代码，您如何看待这一现状？

杨萍：银行业存在严格的代码规范及数据不出内网等约束。AI 若要在此落地，必须融入一套完整、受控、可验证的软件工程体系，而非单纯的工具调用。只有这样，企业才能逐步接受并使用该技术。

To B 的 AI 编程商业空间远大于 To C

To B 与 To C 的商业模式差异

创业邦：为何认为当前 To C AI 产品商业模式难成立，而 To B 能算得过账？

杨萍：To C 产品通常依赖流量变现，对用户免费或低价。全球专业开发者约一千万，即便全员付费，市场规模也仅几十亿元，且增长与用户数线性相关。然而，这些开发者背后代表的软件产业需求高达上千亿元。此外，AI“智力”成本高昂，To C 用户浅层使用导致成本高企，难以覆盖销售成本；而 To B 场景下，AI 可替代整个软件工程流程中多个角色的工作，价值空间巨大。

创业邦：能否举例说明 To B 场景下的价值放大效应？

杨萍：以 500 万元的软件项目为例，传统工具销售仅能按人头收取订阅费，收入有限。而 AI 可接管从需求理解到交付的全流程，替代部分产品经理、架构师、开发及测试人员的工作。若提供整套智能体与工程化能力，商业空间可从几万元提升至百万元级别。

企业需掌握 AI 大模型的选择权

数据安全与模型自主权

创业邦：为何企业需要掌握模型选择权？

杨萍：企业拥有独特的业务数据和知识沉淀，应享有模型选择及私有化部署的自主权。我们支持多模型打通，并确保使用过程可审计，将数据沉淀为企业的知识资产，而非流向模型厂商。

创业邦：在高安全场景下，智能体的权限边界如何划分？

杨萍：以银行业务变更为例：第一，明确智能体能访问的代码、文档及数据库范围；第二，关键敏感操作需人工审批；第三，生产环境部署等动作必须由人完成。对于智能体的错误判断，我们将其视为反馈建立“错题集”，通过持续学习提升系统在特定环境下的可靠性。

创业邦：贵司的编码、测试及平台类产品分别承担什么角色？

杨萍：架构师型产品（如 DeepMap）负责构建工程知识地图，连接需求与存量系统；编码类产品覆盖开发任务理解、代码变更及协作管理；测试类产品负责验证代码变更及系统上线安全。我们正在构建覆盖全流程的平台型产品，整合组织权限、模型与数据治理，避免单点工具割裂。

DeepMap（架构师产品）理解智能体功能展示页

创业邦：目前产品落地情况如何？

杨萍：编程类产品已在近 50 家客户试点；测试类产品在头部大客户中验证；平台型产品将于年底前推出。

FDE：不仅是落地的跳板，也是迭代的源泉

FDE 团队的核心价值

创业邦：FDE（前沿部署工程师）与传统驻场工程师有何区别？

杨萍：FDE 不仅解决现场问题，更将客户需求转化为产品迭代的燃料。不同于传统交付实施，FDE 能力要求更高。随着模型与产品能力提升，我们的现场交付成本已降低 70%-80%，使定制化服务成为新的增长点。

FDE 在客户现场的项目讨论

创业邦：为何 OpenAI 与第三方合作是更好的 FDE 模式？

杨萍：这形成了模型厂商、应用厂商与企业客户的生态协作。模型厂商专注技术突破，FDE 团队则深耕企业业务与交付。我们会通过专用智能体记录现场交互，提炼重点需求并反馈至后端，确保经验有效沉淀。

创业邦：有无具体案例说明 FDE 如何推动产品改进？

杨萍：某算法上市公司接入我们的产品后，发现原有设计不匹配算法工程师的工作流。FDE 迅速识别这一短板，推动产品针对算法流程分析与诊断进行优化。目前，我们的 FDE 团队虽仅个位数，但承载千万级业务价值，人均效能极高。

与 AI 模型公司：竞合共存

竞争格局与未来规划

创业邦：国内大模型厂商也开始做企业级 AI Coding，是否构成威胁？

杨萍：大模型厂商进入企业场景是必然趋势，但其优势主要在模型本身。企业级应用还需理解复杂系统、转换需求及可靠交付，这是我们的护城河。此外，企业担忧数据被模型厂商沉淀，信任问题是其必须解决的挑战。我们将继续与多家模型厂商合作，利用竞争促进服务优化。

创业邦：未来计划拓展哪些行业？

杨萍：2026-2027 年仍聚焦金融（银行、保险）。同时，正推广三至四个具备数字化基础、智能化转型需求强烈且天花板高的行业，部分方向面向国际市场。

创业邦：目前的商业化收费模式是怎样的？

杨萍：主要有三种模式：一是按席位或周期的订阅制；二是“订阅 + 用量”（如模型调用次数、算力消耗）；三是按结果收费（如测试智能体发现的有效缺陷数）。按结果收费让客户更易感知价值，定价综合考量人力替代成本、业务价值及交付风险。

创业邦：私有化与公有云产品的主要区别是什么？

杨萍：核心区别在于数据安全。我们支持全私有化或混合部署，但强调私有化版本需与公有云保持核心能力同步迭代，避免成为“一次性交付”的旧版本。针对国内企业数据中心能力不足的问题，混合部署是常见解决方案。

【声明】内容源于网络

创业邦

创业邦是领先的国际创新生态服务平台，为高成长企业、金融机构、产业园区、地方政府提供全方位的媒体资讯、数字会展、数据研究、创新咨询、教育培训、资本对接等服务。公司及旗下基金获得IDG资本、DCM、红杉中国、北极光创投、顺为资本、腾讯投资、盛景投资、宜信、GGV等10余家世界顶级投资机构支持，并形成长期紧密的战略合作关系。

内容 17297

粉丝 1

创业邦山东创业邦创业服务有限公司创业邦是领先的国际创新生态服务平台，为高成长企业、金融机构、产业园区、地方政府提供全方位的媒体资讯、数字会展、数据研究、创新咨询、教育培训、资本对接等服务。公司及旗下基金获得IDG资本、DCM、红杉中国、北极光创投、顺为资本、腾讯投资、盛景投资、宜信、GGV等10余家世界顶级投资机构支持，并形成长期紧密的战略合作关系。

总阅读348.8k

粉丝1

内容17.3k