据公司通稿，Coframe 累计融资 3500万美元，其中 A 轮 2500万美元，由 Khosla Ventures 与 Hanabi Capital 联合领投，OpenAI、Anthropic、Google DeepMind 的高管以个人身份参与。公司通稿将这笔资金与其“living internet”愿景绑定：网站、落地页和广告不再等待下一次改版，而是像活的系统一样持续自我改进。公司通稿称，其平台接入企业网站或广告活动后，可以在数分钟内构思、构建、测试并优化数百个网站与广告变体，为每位访客实时个性化呈现，并让每一次实验结果反哺下一次优化。
这不是一个孤立的融资故事。Coframe 试图把生成式 AI 从“生产内容”推进到“运营结果”，把 A/B 测试从人工驱动的实验流程改造成由 AI 智能体自主运行的优化闭环。它面对的既有 Optimizely 等实验平台留下的市场认知，也有广告平台、内容管理系统和 AI 建站工具之间尚未划清的边界。
| 字段 | 内容 |
|---|---|
| 公司 | Coframe |
| 轮次 | A 轮 |
| 金额 | 2500万美元 |
| 投资方 | Khosla Ventures、Hanabi Capital 联合领投；OpenAI、Anthropic、Google DeepMind 高管参与 |
| 总部 | 旧金山（San Francisco, CA） |
| 创始人 | Josh Payne |
| 官网 | coframe.com |
从“四周一个实验”到“三十分钟上线”：产品把优化流程压缩进智能体团队
Coframe 的产品逻辑并不复杂：企业接入一段 JavaScript 代码片段后，平台持续生成网站、落地页和广告的新版本，测试并部署表现更好的变体。据 Unite.AI 报道，客户可以在上线前审批变体，Coframe 也能与现有测试工具并行运行。Unite.AI 为二手整理，其作者是 AI 生成研究代理，相关产品描述仍属公司口径。这意味着它首先是一个叠加在现有网站和实验体系之上的优化层，而不是要求客户推倒重建。
真正区别于传统 A/B 测试工具的是其执行结构。公司通稿称，平台背后有一个专用 transformer 模型，基于用户交互训练；同时有一组 AI 智能体分别承担策略、设计、软件工程、QA 和数据分析角色。据 Unite.AI 转述 Coframe 产品概述，系统按预期转化与收入影响对实验打分排序，自动生成符合品牌规范的界面、编写代码，并跨设备执行自动化 QA。
公司通稿给出了一个具体场景：在 Dropbox，一个原本需要四周工程、设计和 QA 工作的实验，用 Coframe 在 30 分钟内完成构建与部署。这个对比构成了 Coframe 的核心叙事——不是让实验稍微快一点，而是把实验的单位成本降到足以让优化变成连续行为。
但这里存在一个需要明确区分的事实边界。30 分钟构建部署、39% 实验胜率、Dropbox 转化率提升 158% 等数字，均来自公司通稿，属于客户报告数据，本次来源材料中未见独立第三方核证。其中，公司通稿称在数千个变体中实验胜率为 39%，该口径尚无独立核证。Unite.AI 也明确注明，3亿美元增量收入是客户收益，而非 Coframe 自身销售额。据此可以判断（编辑分析）：这些数据说明的是客户在 Coframe 平台上获得的转化提升，不能直接等同于 Coframe 的收入规模或商业健康度。
从部署方式看，Coframe 选择以 JavaScript 代码片段接入，而不是要求客户迁移内容管理系统或重建页面。这意味着它的优化层可以叠加在既有技术栈上，降低首次采用成本；但这也可能带来数据可见性边界：如果客户同时运行自有实验工具，Coframe 需要与现有归因和埋点体系兼容，否则不同工具之间的转化归因可能互相干扰。Unite.AI 提到其可与现有测试工具并行运行，但来源未披露并行运行时的数据去重、对照组隔离或归因冲突处理方式，这些仍是企业采购前需要验证的实施细节。
“活的互联网”背后：一个行为基础模型与 OpenAI 的合作线索
Coframe 的技术叙事有一个容易被忽略的层次：它不只是一个调用大语言模型生成网页文案的工具。公司通稿称，其行为基础模型是一个定制 transformer，训练数据每月覆盖数亿次数字体验会话。这意味着模型学习的对象不是语言或图像，而是交互行为本身——哪些布局、文案和流程会驱动点击、注册或购买。
这个定位让 Coframe 与通用生成式 AI 工具区别开来。通用模型可以生成一个页面，但不一定知道这个页面在真实流量中会如何表现。Coframe 的假设是，只有基于行为数据训练的模型，才能让“生成”和“优化”成为同一个闭环。公司通稿称，每一次实验都会让下一次实验更聪明。
与 OpenAI 的合作则提供了另一条技术线索。公司通稿称，Coframe 正在与 OpenAI 就 ChatGPT 广告产品开展合作，让客户把广告和落地页作为一个持续学习的整体来优化；通稿称该合作建立在两家公司此前就训练专用模型开展合作的基础上。Unite.AI 提到 OpenAI 2024 年 10 月 1 日视觉微调公告曾称，Coframe 用图像与代码微调 GPT-4o，在生成视觉风格一致、布局正确的网站方面较基础 GPT-4o 提升 26%。该公告本次未独立读取，26% 数字仅据 Unite.AI 二手整理。
从这些已披露信息看，Coframe 的技术路线是双轨的：一方面用行为模型驱动实验排序和个性化决策，另一方面用生成模型产出界面与创意。两者能否在真实广告投放中稳定协同，是产品从网站优化扩展到广告优化时需要验证的核心问题。
行为基础模型与生成模型之间的分工，是理解 Coframe 技术路线的关键。公司通稿称，行为模型基于用户交互训练，让每一次实验反哺下一次优化；而生成模型负责产出品牌化代码与创意素材。两者在逻辑上互补，但在工程上存在耦合风险：如果生成模型产出的变体不符合行为模型对高转化特征的判断，系统需要在创意多样性与优化确定性之间做权衡。来源未披露这一权衡机制，因此“生成”与“优化”能否稳定形成闭环，仍需通过广告和落地页联动的实际投放数据验证。
客户名单与收入口径：3亿美元是客户收益，不是 Coframe 销售额
Coframe 的客户名单包括 Dropbox、BCG、Block、Backcountry、Sur La Table、Replit 和 Cash App。公司通稿称，其平台已为客户带来超过 3亿美元增量收入，客户群平均转化率提升超过 20%；该数据为公司单方披露，尚无独立第三方核证。公司通稿称，单个客户数据更为具体：Dropbox 转化率提升 158%，Replit 提升 410%，Cash App 提升 60%；某财富 500 强客户在签约后 30 天内转化率提升 70%。这些均为公司单方披露，尚无独立第三方核证。
这些数字的统计口径需要被仔细审视。Unite.AI 明确指出，3亿美元衡量的是客户收益，不是 Coframe 自身的销售额。这意味着它不能用来推算 Coframe 的收入规模、客单价或商业增速。转化率提升的基线、时间窗口和归因方法也未在来源中披露。例如，Dropbox 的 158% 提升是在什么时间段内、相对于哪个对照组、是否排除了其他营销活动的影响，本次材料均未提供。
这并不意味着数据无效，而是说它们目前只能作为公司单方披露的客户结果来理解。对于一家以“优化”为核心产品的公司，证明自身优化能力的可信度本身就是商业化的关键一步。如果 Coframe 能提供可被客户独立验证的归因框架，其销售说服力会显著增强；反之，这些数字可能被潜在客户视为营销话术。
另一个值得注意的事实是，公司通稿称，Coframe 收购了由两位 Optimizely 早期高管创立的公司，Bo Mohazzabi 现任市场推广副总裁，Steven Ebin 现任收入优化总经理。Optimizely 是实验优化领域最具代表性的公司之一，这两位高管的加入意味着 Coframe 在商业化层面正在吸收传统 A/B 测试行业的人才和经验。这既是渠道能力的补充，也暗示 Coframe 需要向企业客户解释它与上一代实验工具的区别。
来源未披露各客户的具体转化目标，因此平均提升超过 20% 这一数据无法按行业或目标类型拆解，其横向可比性仍需验证。
竞争不在 AI 建站，而在“谁拥有优化闭环”
以下为编辑分析。Coframe 的竞争格局在来源材料中没有直接给出，所列工具为公开市场同类产品，不是来源披露的 Coframe 直接竞争对手。把 Coframe 放进真实的产业链约束中，它的竞争压力至少来自三个方向。
第一是传统实验与个性化平台。Optimizely、Adobe Target、Google Optimize 等工具已经在企业市场建立了工作流、数据管道和采购关系。Coframe 的差异化在于用 AI 智能体替代人工设计、工程和 QA 环节，但企业客户是否愿意把页面改动权交给一个自主系统，仍然取决于审批机制、品牌控制和合规要求。Unite.AI 提到客户在上线前审批变体，说明 Coframe 目前并未完全绕过人工控制，这降低了采用门槛，也限制了“自主优化”的彻底程度。
第二是广告平台的内部优化能力。Google、Meta 等平台已经在广告投放端提供自动化创意生成和出价优化。Coframe 与 OpenAI 就 ChatGPT 广告产品开展合作，实际上是在广告平台和落地页之间建立一条跨系统的优化链路。但这个位置也很微妙：如果广告平台自己向下延伸，或者网站体验平台向上延伸，Coframe 的中间层价值就需要足够强的行为模型来支撑。
第三是 AI 智能体带来的流量结构变化。公司通稿称，Coframe 正在为 AI 智能体研究、比较和购买的时代做准备，把智能体最佳实践直接嵌入其构建的每一个网站。该布局尚处早期，来源未披露客户采用规模或效果数据。这个挑战的本质是：当访问者不再是人类，而是代表人类做决策的 AI 智能体时，“转化率”的定义和优化目标都需要重新设计。
在广告平台与落地页之间，Coframe 的位置取决于它能否掌握跨系统的转化信号。公司通稿称，其与 OpenAI 就 ChatGPT 广告产品开展合作，让客户把广告和落地页作为一个持续学习的整体来优化。如果这一合作能获得广告点击后的落地页行为数据，Coframe 的优化闭环就比只做站内实验的工具更完整；但如果广告平台仅开放创意生成接口而不开放竞价与归因数据，Coframe 可能仍被限制在落地页一侧。来源未披露双方合作的数据权限范围，这是判断其广告业务能否规模化的关键变量。
投资逻辑：Khosla 押注的是界面层的代际切换
Khosla Ventures 创始人 Vinod Khosla 在公司通稿中的表态，比一般投资人的客套话更具体。他说：“几十年来，网络一直冻结在原地，向每个访问者展示基本相同的页面。Coframe 正在构建活的互联网，两个人访问同一个网站可以有完全不同的体验，个性化到他们是谁、需要什么。这些界面持续学习并自我改进。这是对传统 A/B 测试的巨大跨越，也是互联网的下一个迭代。”
这段话的投资逻辑很清晰：不是投一个更好的 A/B 测试工具，而是投一个界面层从静态向动态、从人工维护向自主优化切换的假设。若行为模型能在广告场景复现网站实验的胜率，则市场可从网站实验扩展到广告与落地页联动；该假设尚待验证。
联合创始人兼工程副总裁 Pavlo Razumovskyi 的表述更直接：“今天大多数公司构建和管理用户界面的方式是错误的，一两年后，原因会变得显而易见。”这种判断与 Khosla 的表述一致，都指向一个代际判断：界面不应该由人手动设计和维护，而应该由系统根据行为数据持续生成和优化。
Khosla 的表述还隐含了一个可被检验的假设：个性化体验能直接转化为商业结果。公司通稿给出的客户数据试图支持这一点，但 3亿美元增量收入与转化率提升均为公司单方披露，且未说明对照组、时间窗口和归因方法。因此，Khosla 押注的界面层代际切换，目前仍建立在 Coframe 自述的客户结果之上。若后续能出现客户公开背书或第三方审计数据，这一投资逻辑的可验证性会显著增强；在此之前，它更接近一个关于互联网界面演进方向的判断，而非已被独立证实的市场事实。
资金用途未披露，但路线图已经指向广告、邮件和应用
本轮 2500万美元的具体用途，公司通稿没有披露。公司通稿仅提到，应用、邮件和其他数字体验是下一步。以下为基于公司路线图的编辑分析，不代表本轮资金实际分配：Coframe 计划从网站和落地页扩展到更广泛的数字触点，包括电子邮件营销、应用内界面等。
与 OpenAI 就 ChatGPT 广告产品开展合作，也需要持续的工程投入。公司通稿称，该合作让客户把广告和落地页作为一个持续学习的整体来优化。Coframe 需要在行为模型、智能体编排和广告平台集成上投入资源，才能把这一合作从项目变成可规模化的产品。
从产品路线图到可交付能力之间，还存在一个未披露的工程跨度。公司通稿称应用、邮件和其他数字体验是下一步，但网站优化主要发生在浏览器端的页面渲染与交互层，邮件优化则涉及发送时机、主题行、内容模块和不同邮件客户端的渲染兼容性，应用内优化又需要接入移动端埋点和发布流程。这些触点各自有不同的数据结构和发布机制，Coframe 能否复用现有行为模型和智能体编排，来源未提供技术细节。因此，路线图扩展的可行性仍需通过后续产品发布或客户案例来验证。
风险与待验证假设：数据口径、自主边界和智能体流量的不确定性
Coframe 的故事有三个需要持续观察的验证点。
第一是数据可信度。如前所述，公司通稿披露的转化率提升、3亿美元增量收入和 39% 实验胜率，均无独立第三方核证，口径与归因未披露。对于一家以优化效果为核心卖点的公司，客户结果的可验证性直接关系到销售转化。如果 Coframe 能提供第三方可审计的归因框架，其商业说服力会显著提升；如果始终停留在公司自述层面，企业客户的尽调团队会提出更多问题。
第二是自主优化的边界。Coframe 的智能体可以生成、测试和部署变体，但客户在上线前审批变体。这个审批环节是必要的风险控制，但也限制了“持续自我优化”的自动化程度。真正的张力在于：当系统每天产生数百个变体时，人工审批是否会成为新的瓶颈？如果审批过于宽松，品牌和合规风险如何控制？Coframe 需要在自主性和控制力之间找到一个可持续的平衡点。
第三是 AI 智能体流量的商业化路径。Coframe 正在为 AI 智能体研究、比较和购买的时代做准备，把智能体最佳实践嵌入其构建的每一个网站。但智能体流量的转化逻辑与人类流量不同。以下为编辑假设：智能体可能更依赖结构化数据、可验证的信息和明确的购买信号，而不是视觉设计和情感化文案；该假设需以 Coframe 后续智能体可读页面产品数据验证。Coframe 的行为模型目前基于人类交互训练，能否迁移到智能体交互场景，是一个尚未验证的假设。Unite.AI 也把这一点列为 Coframe 面临的核心挑战之一。
从已披露的客户名单和业绩数据看，Coframe 在网站优化场景中已经积累了一定的客户验证。但广告、邮件、应用和智能体可读页面等扩展场景，仍处于路线图或早期合作阶段。本轮融资给了 Coframe 继续验证这些假设的资本，但资本本身不能替代验证结果。
除了数据口径和自主边界，Coframe 还面临一个与客户组织架构相关的采用风险。其智能体团队覆盖策略、设计、软件工程、QA 和数据分析，这意味着它可能同时触及企业内部多个职能的职责范围。传统上，这些环节由不同团队分别负责，采购决策也可能涉及增长、工程、设计和数据部门的多方共识。来源未披露 Coframe 的销售周期、客单价或客户组织内的推广路径，因此其产品能否从单一团队试点扩展到企业级部署，仍是商业化过程中需要观察的变量。
RecodeX 极客视：Coframe 真正想做的不是更快地跑 A/B 测试，而是把“优化”从一种需要排期的人工流程变成一种持续运行的自主系统。它的客户数据足够亮眼，但口径和归因仍待独立验证；它的技术路线足够清晰，但行为模型能否从人类流量迁移到智能体流量仍是未知数。本轮资金能否支撑其把行为模型从网站实验迁移到广告与智能体可读页面，取决于客户审批机制与归因框架能否同步扩展。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。