当企业纷纷将多Agent架构视为AI落地的核心范式时，一个关键痛点正在浮现——谁来管理这些Agent之间错综复杂的调用关系？总部位于加州Sunnyvale的Canyon Code给出了自己的答案：构建一个企业级的工作流智能层，像空中交通管制塔一样，实时观测、调度和优化多Agent应用中的每一次LLM调用。
2026年5月，Canyon Code宣布完成500万美元Pre-Seed轮融资，由Cota Capital领投，Newbuild Venture Capital和Blackhorn Ventures参投。这笔资金将用于扩大运营和产品研发。
融资详情
| 项目 | 详情 |
|---|---|
| 公司名称 | Canyon Code |
| 总部 | 美国加州Sunnyvale |
| 创始人/CEO | Ravikiran Gopalan |
| 融资轮次 | Pre-Seed |
| 融资金额 | 500万美元 |
| 领投方 | Cota Capital |
| 跟投方 | Newbuild Venture Capital、Blackhorn Ventures |
| 官网 | canyoncode.ai |
核心技术：多Agent应用的「依赖图谱」引擎
Canyon Code的核心产品是一个企业级工作流智能层服务。与传统的Agent编排工具不同，该平台聚焦于观测多Agent应用与底层LLM调用之间的依赖关系。通过维护一个实时更新的依赖图谱（Dependence Graph），系统能够追踪每个Agent的执行进度，为模型服务层提供额外的上下文信息，进而影响LLM调用的调度、编排以及上下文记忆的管理。
这种设计的核心价值在于：允许企业按照自身设定的KPI（如响应延迟、成本控制、输出质量等）来整体优化多Agent应用的运行效率，而非让各个Agent各自为政。
市场背景与竞争格局
多Agent框架正在快速演进。从LangChain的LangGraph、微软的AutoGen，到CrewAI和OpenAI的Swarm，开发者已经拥有丰富的构建工具。然而，「构建」只是第一步，「运维」和「优化」才是企业真正的痛点。Canyon Code瞄准的正是这个尚未被充分解决的「LLM Ops for Multi-Agent」市场。
| 竞品方向 | 代表公司 | 差异化 |
|---|---|---|
| Agent编排框架 | LangChain、CrewAI | Canyon Code聚焦运行时优化而非构建 |
| LLM网关/代理 | Portkey、LiteLLM | Canyon Code维护Agent间依赖图谱 |
| AI可观测性 | LangSmith、Helicone | Canyon Code主动干预调度而非被动监控 |
⚠️ 风险提示：Pre-Seed阶段的产品成熟度和市场验证仍需观察。多Agent编排领域竞争激烈，大厂（如微软、Google）随时可能推出类似功能。此外，500万美元的融资规模在当前AI基础设施赛道中相对有限。
前瞻观点
随着Agent应用从单体走向多Agent协作，「LLM调度优化」将成为企业级AI基础设施中不可或缺的一环。Canyon Code的依赖图谱方法提供了一个独特的技术视角——不仅观测，更要主动优化。如果能在早期客户中验证其ROI，这家公司有望在AI中间件市场中占据一个重要的细分赛道。