Relai 完成 540 万美元 Pre-Seed 融资：让 AI Agent 学会「终身学习」的基础设施
AI Agent 正在从「执行工具」向「自主决策者」演进，但绝大多数 Agent 在部署后就停止了进化。Relai 认为，持续学习基础设施才是 Agent 真正智能化的瓶颈，并以此论点拿下了由 .406 Ventures 领投的 540 万美元 Pre-Seed 轮融资，AITFund 等机构跟投。
| 项目 | 详情 |
|---|---|
| 公司名称 | Relai |
| 成立时间 | 2025 年 |
| 总部 | 美国马里兰州 Bethesda |
| 融资轮次 | Pre-Seed |
| 融资金额 | 540 万美元 |
| 领投方 | .406 Ventures |
| 跟投方 | AITFund 等 |
| 核心产品 | AI Agent 持续学习基础设施 |
大模型训完就「冻住」，这才是 Agent 经济的真正瓶颈
过去三年，整个 AI 行业的注意力集中在两件事上：训练更大的基础模型，以及在推理端做更高效的编排（Orchestration）。但 Relai 提出了一个容易被忽视的第三维度——部署后的持续学习能力。
当前主流的 AI Agent 架构存在一个根本性矛盾：Agent 依赖的大语言模型在训练完成后权重即被冻结，Agent 在实际运行中积累的经验、犯过的错误、学到的新知识，几乎无法系统性地反馈到模型本身。这意味着一个在金融合规场景中工作了六个月的 Agent，和一个刚部署的 Agent，在底层能力上几乎没有差异。
Relai 试图构建的正是解决这一问题的基础设施层。其核心理念是为 AI Agent 提供「持续学习」（Continual Learning）能力，让 Agent 能够在不重新训练底层模型的情况下，动态地整合新知识、适应环境变化、并从错误中迭代。
持续学习（Continual Learning）在学术界已经研究了十余年，但直到 Agent 范式的兴起，它才有了真正的工程落地场景。
从学术概念到工程产品，Relai 的技术路径面临验证
持续学习领域最大的技术挑战是「灾难性遗忘」（Catastrophic Forgetting）——模型在学习新知识时，往往会覆盖或破坏已有的知识。学术界为此提出了弹性权重巩固（EWC）、渐进式神经网络（Progressive Neural Networks）、经验回放（Experience Replay）等多种方案，但这些方法在工程实践中的可靠性和效率仍然存在疑问。
Relai 的具体技术实现细节尚未完全公开，但从其定位为「基础设施公司」来看，它可能采用的是一种中间件架构——在 Agent 与底层模型之间插入一个持续学习层，通过外部记忆系统、检索增强、参数高效微调（如 LoRA Adapter 的动态管理）等手段，实现 Agent 层面的知识积累，而非直接修改基础模型权重。
这种架构的优势在于与底层模型解耦，理论上可以支持 OpenAI、Anthropic、Google 等多家模型供应商。但挑战同样明显：如果持续学习层的抽象不够优雅，它很容易退化为一个复杂的 RAG（检索增强生成）系统，而 RAG 市场已经极度拥挤。
.406 Ventures 的投资逻辑：押注 Agent 基础设施层的下一个空白
领投方 .406 Ventures 是一家专注于早期 B2B 软件和基础设施的波士顿风投机构，管理资产约 10 亿美元。其投资组合中包含多家数据基础设施和 AI 工具链公司，投资 Relai 符合其在 AI 基础设施层持续布局的策略。
从投资逻辑来看，.406 Ventures 可能看到了以下机会：
| 投资维度 | 判断 |
|---|---|
| 市场时机 | Agent 框架（LangChain、CrewAI 等）快速成熟，但 Agent 的「记忆」和「学习」层仍是空白 |
| 技术壁垒 | 持续学习需要深厚的机器学习工程能力，不是简单的应用层包装 |
| 商业模式 | 基础设施层按 Agent 数量或学习事件计费，具备平台化潜力 |
| 团队背景 | 总部设在 Bethesda（紧邻华盛顿特区），暗示团队可能有政府/国防 AI 背景 |
跟投方 AITFund 的参与也值得关注。作为一家聚焦 AI 领域的专项基金，其背书为 Relai 的技术方向提供了额外的专业信号。
竞争格局：介于 Agent 框架和模型层之间的「无人区」
Relai 所处的位置比较独特——它既不是做 Agent 编排的框架层（如 LangChain、AutoGen），也不是做模型训练的基础模型层（如 OpenAI、Anthropic），而是介于两者之间的「Agent 学习层」。
| 竞品/类比 | 定位 | 与 Relai 的差异 |
|---|---|---|
| LangChain / LlamaIndex | Agent 编排与 RAG 框架 | 侧重推理时的上下文管理，而非长期学习 |
| Mem0 | AI 记忆层 | 聚焦对话记忆，而非行为模式的持续学习 |
| Weights & Biases | ML 实验管理 | 面向模型训练流程，而非部署后的持续迭代 |
| Letta (MemGPT) | Agent 长期记忆 | 基于上下文窗口管理，与持续学习的底层机制不同 |
这个定位的好处是目前竞争不算激烈，但风险在于：如果 Agent 框架公司（如 LangChain）或基础模型公司（如 OpenAI）决定内建持续学习能力，Relai 的独立存在价值可能会被压缩。
前路的三重挑战
第一，技术可行性尚需证明。 持续学习在学术界仍是一个开放性问题，Relai 需要证明其技术方案在真实生产环境中是可靠的，而不仅仅是论文中的 benchmark 表现。
第二，市场教育成本高。 大多数企业客户还在探索如何部署第一个 AI Agent，向他们销售「Agent 的持续学习基础设施」意味着需要让客户先理解问题的存在，再理解解决方案的价值。
第三，商业模式的可持续性。 作为基础设施层，Relai 需要在 Agent 生态中找到足够强的锚定点。如果 Agent 生态本身的发展不及预期，Relai 的市场空间也会相应收缩。
编者按｜Relai 切入了一个在学术上有深厚根基、在工程上尚属空白的领域。持续学习确实是 AI Agent 从「工具」走向「同事」的关键能力缺失，但从概念到产品的鸿沟不可低估。540 万美元的 Pre-Seed 融资给了团队 12-18 个月的验证窗口，关键看他们能否在这段时间内找到第一批愿意为 Agent 学习能力付费的标杆客户。这是一个方向正确但执行风险极高的赛道。
