你的公司刚部署了一个 AI Agent 来自动生成财务报告。它用的是最先进的大语言模型，接入了公司数据库，看起来一切就绪。然后它告诉你：上季度收入同比增长 40%——但它把一笔内部转账也算进了收入，因为它根本不知道你们公司对”收入”的定义和核算口径。这不是幻觉，这是上下文缺失。据 Gartner 估计，超过 60% 的企业 AI 项目在从 POC 走向生产的过程中遭遇挫败，而”缺乏可靠的业务上下文”正是最被低估的元凶之一。

纽约初创公司 Jedify 正是瞄准这个痛点——它不做模型，不做编排，只做一件事：给 AI Agent 装上企业级的”常识”。6 月 10 日，Jedify 宣布完成 2400 万美元 A 轮融资，估值未披露。

项目 详情
公司名称 Jedify
总部 美国纽约
成立时间 2023 年
融资轮次 A 轮（Series A）
融资金额 2400 万美元
累计融资 约 3300 万美元
领投方 Norwest Venture Partners
战略投资 Snowflake Ventures
跟投方 S Capital VC、Cerca Partners（老股东）、Oceans Ventures（新投资者）
资金用途 加速产品开发、扩展 GTM、扩大团队
官网 https://jedify.com

900 亿美元的 AI 基础设施支出，花在哪？

2026 年全球 AI 基础设施支出预计达到约 900 亿美元，但企业 AI 的落地率依然令人焦虑。核心矛盾在于：大模型越来越聪明，但企业内部数据依然支离破碎。一家中型 SaaS 公司可能同时使用 Salesforce（CRM）、Snowflake（数据仓库）、Slack（沟通）、Confluence（文档）、GitHub（代码库），再加上若干 BI 工具和会议录音系统。这些数据源就像一座座孤岛，AI Agent 无法跨岛理解”这家客户上周在 Slack 里投诉过，同时他的合同在 Salesforce 里即将到期”这样的跨系统上下文。

与此同时，Agentic AI（自主 AI Agent）市场正从实验走向生产。2026 年该市场规模估计在 90-400 亿美元之间（取决于定义口径），预计到 2034 年将增长至 1300-2900 亿美元。企业 RAG（检索增强生成）市场约 20-30 亿美元，但行业共识已经从”RAG 够用”转向”RAG 远远不够”——简单的向量检索无法处理业务逻辑、权限继承和跨系统推理。

这正是 Jedify 所处的赛道：不是模型层，不是编排层，而是上下文基础设施层（Context Infrastructure）——一个新的、正在定义中的市场类别。

一张实时更新的”企业知识地图”

Jedify 的核心产品是一个自主构建的”上下文图谱”（Context Graph），它的工作逻辑可以拆解为三步：

第一步：连接一切。 Jedify 通过预置连接器接入企业的结构化数据（数据仓库、CRM、ERP、财务系统）和非结构化数据（文档、Slack 消息、会议录音、代码仓库）。它不复制数据，而是建立语义索引。

第二步：语义融合。 这是 Jedify 的专利技术——Semantic Fusion™。它不只是简单地把不同数据源的内容拼在一起，而是理解它们之间的语义关系。比如，它能识别出 Salesforce 里的”客户 A”、Slack 里被讨论的”A 公司”和数据仓库里的”Account_ID_0042″指的是同一个实体，并将围绕该实体的所有业务上下文（合同状态、沟通历史、财务数据、工单记录）编织成一张图。

第三步：权限感知的上下文交付。 当 AI Agent 发起请求时，Jedify 根据该 Agent 的权限级别，实时从图谱中提取最相关的上下文片段——不是把整个数据库塞给模型（那会浪费大量 token 并引入噪音），而是精准投喂。

这个图谱不是静态的。它随着企业数据变化持续更新：新的 Slack 对话、新的数据库字段、新的组织架构调整都会被实时吸收。Jedify 将此描述为”每次交互都让图谱变得更准确”的复利效应——本质上，它在为每家客户构建一个不断增值的专有数据资产。

关键技术壁垒在于跨模态实体解析和实时图谱维护。将结构化数据（有严格 schema）和非结构化数据（自然语言、音频转文本）融合到同一个语义空间里，并保持实时一致性，这在工程上的复杂度远超传统的 ETL 或 RAG 管线。

Snowflake 的赌注：从数据仓库到 AI 操作系统

这轮融资中最值得关注的信号是 Snowflake Ventures 的战略投资。这不是一笔普通的财务投资——它意味着 Jedify 正在成为 Snowflake AI 生态的关键拼图。

Snowflake 正在从”云数据仓库”向”AI 数据平台”转型。2025-2026 年间，它密集推出了 Cortex AI（模型推理）、Semantic Views（语义层）、CoWork（协作 AI）等原生工具。但 Snowflake 的核心优势在结构化数据，而企业 70-80% 的知识存在于文档、消息、会议等非结构化数据中。Jedify 恰好补上这块缺口。

从 Snowflake Ventures 的 2025-2026 年投资组合可以看出清晰的主线：

  • Bedrock Data（2026 年 3 月）——数据治理与分类，解决 AI 用数据的安全性问题
  • Pliable（2026 年 2 月）——自动化数据清洗，降低 AI 数据准备门槛
  • Jedify（2026 年 6 月）——上下文图谱，让 AI Agent 理解业务语义

三步棋合在一起，Snowflake 在构建一个完整的故事：数据在 Snowflake 里存储 → 被自动清洗和治理 → 转化为 AI Agent 可消费的上下文。Jedify 是这条链路的”最后一公里”。

对 Jedify 而言，与 Snowflake 的深度集成（包括 Cortex Analyst 和 Semantic Views 的原生对接）意味着一条低摩擦的 GTM 通道——Snowflake 拥有数千家企业客户，Jedify 可以作为生态推荐方案直接触达它们。

不在同一张图纸上竞争

Jedify 所在的”企业 AI 上下文”领域竞争者众多，但它们实际上分布在 AI 技术栈的不同层次：

竞争者 定位 与 Jedify 的差异
Glean 企业知识搜索平台（成品） Glean 做的是面向员工的知识问答产品，Jedify 做的是面向 AI Agent 的上下文基础设施。一个是应用层，一个是中间件层
LangChain Agent 编排框架 LangChain 解决的是”Agent 如何工作”，Jedify 解决的是”Agent 知道什么”。两者可以协作：LangChain 调用 Jedify 获取上下文
LlamaIndex 数据索引与检索框架 偏向数据工程师的开发工具，擅长文档级 RAG。Jedify 的图谱方法处理的是跨系统、跨模态的实体级语义关系
Unstructured 数据预处理 专注于将非结构化文档（PDF、表格）转成可索引格式，属于 Jedify 上游的数据清洗层
Cohere 模型与 API 提供商 提供企业级 LLM 和 Reranking 服务，是模型层而非上下文层

Jedify 最直接的竞争可能来自两个方向：一是 Glean 向下延伸做 API 层，二是知识图谱/语义层公司（如 Honeydew、Alation）向 AI Agent 场景扩展。但 Jedify 的差异化在于它同时解决了结构化+非结构化数据的融合，并且以”Agent 消费”而非”人类搜索”为产品设计原点。

3300 万美元背后的投资逻辑

Norwest Venture Partners 领投并由合伙人 Assaf Harel 加入董事会。Harel 近年在企业 AI 基础设施赛道布局密集：2026 年 2 月领投了 Agentic 网络搜索平台 Nimble 的 4700 万美元 B 轮，此前还投资了医疗 AI 对话平台 Hyro。这些投资的共同主题是”AI 的管道工程”——不追逐最炫的模型能力，而是押注让 AI 在企业场景真正跑通的基础设施。

Harel 在公开声明中将 Jedify 定位为”持久的基础设施层”，指出 AI Agent 在没有”运行时业务上下文”的情况下要么幻觉，要么浪费 token——这是他在评估整个 AI 中间件赛道后提炼出的核心投资论点。

S Capital VC 和 Cerca Partners 作为种子轮投资人双双跟投，验证了对团队执行力的持续信心。新投资者 Oceans Ventures 的加入则拓宽了 Jedify 的资本网络。

从 850 万美元种子轮到 2400 万美元 A 轮，不到三年累计融资约 3300 万美元。对于一家还在定义新品类的基础设施公司而言，这笔钱需要花在三个刀刃上：深化 Snowflake 集成以打通 GTM、扩充连接器覆盖以解决”长尾数据源”问题、以及招募同时懂图数据库和 LLM 的稀缺人才。

十五年搭档，从情报平台到 AI 中间件

Jedify 的三位联合创始人——CEO Assaf Henkin、CTO Adi Elimelech、CPO Erik Shani——并非初次创业。三人合作超过 15 年，此前联合创立了 Kontera Technologies，被新加坡电信巨头 Singtel 收购后，他们在 Singtel 内部领导了一个业务单元。更早之前，三人曾构建过大规模 OSINT（开源情报）平台，处理移动端和社交图谱数据。

从情报数据平台到企业上下文图谱，创始团队的核心能力一脉相承：在海量、异构、实时变化的数据中建立关联和语义理解。这正是 Jedify 的技术 DNA。Henkin 在接受 TechCrunch 采访时表示，他们创立 Jedify 的原因是”亲眼见证了企业数据的碎片化程度在过去十年如何指数级恶化”，而 AI Agent 的崛起让这个问题从”效率问题”升级为”生死问题”。

2400 万美元够不够穿越”定义期”？

Jedify 面临至少三个层面的挑战：

品类定义的风险。 “上下文图谱”是 Jedify 自己造的概念。当你需要花大量精力向市场解释”我是什么”的时候，销售周期往往会被拉长。Glean 卖的是”企业搜索”——一句话就能听懂；Jedify 卖的是”AI Agent 的运行时上下文基础设施”——这需要买方同时理解 Agent、图谱和语义融合三个概念。

平台依赖的双刃剑。 与 Snowflake 的深度绑定带来分发便利，但也引入了路径依赖。如果 Snowflake 决定自建上下文层（它已经有 Semantic Views），或者其竞争对手 Databricks 推出类似能力，Jedify 的独立性和多云叙事都将受到考验。模型无关性是 Jedify 宣传的优势之一，但数据平台无关性同样重要。

技术护城河的时间窗口。 Semantic Fusion™ 目前是专利申请中（patent-pending）而非已授权。在 AI 基础设施领域，开源社区的追赶速度极快——LlamaIndex 已经在迭代图索引能力，微软的 GraphRAG 也在探索图结构增强检索。Jedify 需要在技术窗口关闭前建立足够的客户锁定和数据网络效应。

此外，”上下文即服务”模式意味着 Jedify 将接触到客户最敏感的核心数据——从财务指标到组织架构。数据安全和合规将是企业采购的关键门槛，而在这方面建立信任需要时间、认证和大量合规投入。

分类与标签

分类 企业服务 / AI 基础设施
标签 AI Agent, 上下文图谱, 语义融合, 企业 AI, RAG, Snowflake, 知识管理, A轮融资, 数据中间件
适合读者 AI 基础设施从业者、企业 IT 决策者、关注 AI Agent 赛道的投资人、数据工程师

官网

🔗 https://jedify.com

信息来源

1. TechCrunch: Jedify raises $24M to help companies arm AI agents with context on their business 2. GlobeNewsWire: Jedify Series A Announcement 3. SiliconAngle: Jedify raises $24M 4. Jedify 官网 5. Norwest Venture Partners 6. Snowflake Ventures