大多数企业并不缺数据，缺的是一套所有人都能相信的数据解释。业务团队向数据部门提一个问题，往往要排队数天甚至数周；等答案返回时，指标口径可能已经变了，或者提问的人已经忘了当初为什么要问。更隐蔽的问题在于，真正决定答案质量的不是模型能力，而是那些从未被写下来的知识：哪张表可以信任、毛利率到底怎么算、某个异常值是否应该剔除。这些知识通常只存在于资深分析师的脑子里，随着人员流动和业务变化不断失效。

Delphina 试图把这件事从人工维护变成智能体持续运转的系统。2026 年 11 月 12 日，这家总部位于旧金山的公司宣布获得 750万美元新融资，使其总融资额达到 1500万美元。本轮由 Radical Ventures 和 Costanoa 共同领投，Tenacity Capital 以及天使投资人 Fei-Fei Li、诺贝尔奖得主 Guido Imbens、Anthropic 和 OpenAI 的早期员工参与。公司通稿称，资金将用于扩大 Context Factory 的规模，并扩充市场拓展和客户工程团队。

与融资同步，Delphina 正式推出 Context Factory。公司通稿称，这是一套利用 AI 智能体构建并维护业务上下文的系统。它的核心逻辑不是让模型回答更多问题，而是先让智能体把企业已有的数据表、仪表板、文档和查询日志整理成可追溯的业务知识基线，再在员工提问时发现缺口、填补定义，并把重要变更交给领域专家审批。换句话说，Delphina 试图把“可信 AI 分析”的竞争焦点从模型层拉回到上下文层。

字段 内容
公司 Delphina
轮次 未披露
金额 750万美元
投资方 Radical Ventures、Costanoa 共同领投；Tenacity Capital、Fei-Fei Li、Guido Imbens、Anthropic 和 OpenAI 早期员工参与
总部 旧金山
创始人 Jeremy Hermann、Duncan Gilchrist
官网 https://delphina.ai/

从“数据科学副驾驶”到“上下文工厂”，产品定义已经换了一次轨道

Delphina 并不是第一次以 750万美元的融资规模进入公众视野。2023 年 12 月，该公司宣布完成 750万美元种子轮融资，同样由 Costanoa Ventures 和 Radical Ventures 共同领投，20 多位天使投资人参与，其中包括斯坦福教授 Fei-Fei Li。当时的 Delphina 被描述为“LLM 驱动的数据科学副驾驶”，目标是用大语言模型加速预测式 AI 工作流中的常规任务，比如识别和准备数据、训练模型、部署管道，把耗时数月的工作压缩到数天。2023 年的公司口径是，Delphina 之于数据科学和预测式 AI，就像 GitHub Copilot 之于软件工程。

三年后，这家公司的产品叙事发生了显著位移。2026 年的 Delphina 不再强调模型训练和部署管道，而是把重心放在“业务上下文”上。公司通稿称，Context Factory 读取 dbt 项目、仪表板、文档和查询日志，并在这些来源发生变化时持续更新；获批的变更存储在由客户掌控、带有版本记录的知识库中。这与 2023 年“加速预测式 AI 模型构建”的定位已经不同。一个合理的编辑推断是，Delphina 在从模型生产工具转向分析可信层的过程中，发现真正卡住企业 AI 分析落地的不是模型本身，而是模型所依赖的业务定义和语义层。但公司未披露这一产品转向的具体过程、客户流失或保留情况，因此无法判断这是主动战略升级还是被动调整。

Context Factory 把“人审批”嵌进智能体循环，而不是事后审计

从已披露的产品机制看，Context Factory 的关键设计在于把专家审批放在变更生效之前，而不是事后追溯。公司通稿描述、并经 Unite.AI 同源转述的示例工作流显示：当某个问题暴露出指标定义缺失时，智能体搜索 dbt、Looker 和 Notion，找出相关数据表的负责人，并通过 Slack 请求确认；获批后，智能体发布该定义、重新生成原始答案，并将修正内容保存为回归测试。这意味着，智能体可以主动发现并修复上下文缺口，但最终决定权仍由领域专家掌握。

这种设计与传统 BI 工具的“数据字典”或“指标平台”形成对比。传统方式通常要求数据团队预先定义好所有指标和口径，业务团队只能在既定框架内提问。Context Factory 则允许智能体在提问过程中发现未定义的概念，再回头补齐。公司通稿称，智能体可在数小时内（原文为 in hours）根据企业现有数据和文档整理出初始基线。这一速度声明目前没有独立第三方验证，但它指向一个明确的产品承诺：把上下文建设从数月的前置工程变成持续运行的后台过程。

在部署架构上，公司通稿称，企业部署中各项连接使用按用户配置的只读凭证，每位客户获得独立的数据平面；Python 和 DuckDB 在隔离的 Firecracker 微型虚拟机中运行，无法访问互联网；提示词、查询和知识引用会被记录并可导出。这些措施试图回应企业客户对 AI 智能体访问敏感数据的核心顾虑：只读权限、网络隔离和可审计日志。不过，这些描述属于单方声明。实际部署中，不同客户的数据环境、权限体系和合规要求差异很大，能否在复杂企业环境中保持同等隔离水平，仍需要客户侧的验证。

73% 的问题来自业务团队，但“活跃 CEO”才是更值得注意的信号

公司通稿披露了一组采用率数据：业务团队现在提出平台上 73% 的问题；超过半数客户的 CEO 是活跃用户；在 Substack，超过 70% 的员工使用 Delphina，包括 CEO Chris Best。其他客户包括 LATAM Airlines、Gen Digital、Upstart、Udemy、Medely、Coursera 和 BaseCamp Franchising。上述数据均来自公司通稿，尚无独立第三方验证。

73% 这个数字值得拆解。它说明 Delphina 的使用者结构已经从数据团队扩展到运营、销售、营销和财务等业务部门。公司总裁兼联合创始人 Duncan Gilchrist 在公司通稿中称，运营、销售、营销和财务团队现在是 Delphina 使用最频繁的群体。这符合产品逻辑：如果上下文层能够持续维护，业务人员直接提问的门槛会显著降低。但“问题占比”不等于“决策占比”。一个业务人员可能问了很多问题，但最终是否依据答案做出关键决策，公司并未披露。同样，“超过半数客户的 CEO 是活跃用户”是一个模糊口径：该口径同样来自公司通稿，样本与活跃定义未披露。

Substack 的数据相对具体。公司通稿援引 Substack CEO Chris Best 的话称：“我们想用 AI 给员工超能力。Delphina 为数据做到了这一点。现在我们的团队几秒钟就能得到准确答案，而不是排队等几周。这改变了我们的决策方式。”这是客户方的直接引语，但仍来自公司通稿的转述，并非独立采访。Substack 作为一家以内容订阅为核心的公司，其数据问题可能集中在创作者收入、订阅转化和内容表现等相对结构化的指标上，这与航空、金融或医疗等更复杂的企业场景存在差异。Delphina 能否在 LATAM Airlines 或 Gen Digital 等客户中复制同样的采用率，目前没有公开数据。

两位 Uber 背景的创始人，带来的不只是机器学习平台经验

Delphina 的创始团队背景在公司通稿中有明确披露。CEO 兼联合创始人 Jeremy Hermann 曾搭建并领导 Uber 的 Michelangelo 机器学习平台，并联合创立了 Tecton（来源称其被 Databricks 收购）。总裁兼联合创始人 Duncan Gilchrist 曾负责 Uber 的全球定价数据科学工作。两人都来自 Uber 的数据体系，这在一定程度上解释了 Delphina 对“业务上下文”的执念。

Hermann 在公司通稿中这样描述 Uber 的经验：“在 Uber，每个人，包括 CEO，都亲手使用数据。与数字的直接连接是一个真正的优势，但需要一支数据工程师大军来防止它陷入混乱。Context Factory 让每家公司都能获得同样的优势。智能体承担繁重工作，数据团队成为知识掌舵人，决定企业如何看待自己的数字。”这段话把 Delphina 的产品愿景与 Uber 的组织记忆直接挂钩。但需要指出，Uber 的数据基础设施是建立在数千名工程师和高度定制化的内部平台之上的。Delphina 试图用产品化的方式把这种能力带给“每家公司”，这意味着它必须在标准化和灵活性之间做出取舍。公司未披露其产品在多大程度上需要客户侧的数据工程配合，也未披露部署周期和集成成本。

从投资人结构看，Radical Ventures 和 Costanoa 在 2023 年种子轮就是共同领投方，本轮继续加注。天使投资人名单中同时出现 Fei-Fei Li 和 Guido Imbens，前者是斯坦福大学教授、AI 领域的标志性人物，后者是诺贝尔经济学奖得主。这种组合传递的信号是，Delphina 试图同时站在 AI 技术和因果推断/计量经济学的交叉点上。但天使投资人的参与金额和具体角色未披露，不能据此推断其对公司技术路线或商业模式的深度背书。

竞争不在“AI 问答”层面，而在语义层和治理层的争夺

以下为编辑基于公开产品类别的分析，非公司披露。Delphina 没有在本次来源中明确列出竞争对手，因此无法做量化比较。从 Context Factory 已披露的机制看，至少有三个竞争维度需要核验：其一，智能体主动发现并修复上下文缺口的能力，是否比传统语义层工具更少依赖数据团队预先定义；其二，专家审批在变更生效前的嵌入方式，能否避免审批负担超过人工维护成本；其三，只读凭证、独立数据平面和 Firecracker 微型虚拟机隔离，能否在复杂企业环境中保持同等安全水平。这些维度分别对应客户重叠、替换成本和审批负担等指标，但公司均未披露。

Context Factory 的定位试图同时覆盖语义层、数据目录和 AI 问答工具的部分功能：像语义层一样维护指标定义，像数据目录一样追溯来源，像 AI 问答工具一样直接服务业务用户。这种策略的潜在优势是减少客户在不同工具之间的割裂，但风险也很明显：每一层都有更专注的对手，Delphina 需要在每一层都做到足够好，才能避免被单点替代。从已披露的信息看，Delphina 的差异化主要在于智能体主动发现和修复上下文缺口，而不是被动等待数据团队维护。这一机制是否构成真正的护城河，取决于智能体在实际企业环境中的准确率和专家审批的负担。如果智能体频繁提出错误定义或无关变更，专家审批就会变成新的瓶颈。

750万美元的用途明确，但商业模式的能见度仍然很低

公司通稿称，本轮资金将用于扩大 Context Factory 的规模，并扩充市场拓展和客户工程团队。这是一个典型的早期 SaaS 公司资金配置：一边继续投入产品，一边加强销售和客户成功。但 Delphina 的商业模式在本次来源中未明确披露。公司没有说明是按席位收费、按使用量收费，还是按客户规模收取平台费；也没有披露客单价、收入规模、毛利率或净收入留存率。这意味着，外界无法判断其客户名单上的大企业到底贡献了多少收入，也无法判断“CEO 活跃用户”是否转化为付费意愿。

客户名单本身提供了一些线索。Substack、Udemy、Coursera 和 Upstart 都是科技公司或数字化程度较高的企业，LATAM Airlines 和 Gen Digital 则代表更传统的行业。如果 Delphina 能够在航空和网络安全这类数据治理要求更高的行业持续获客，说明其产品具备跨行业复制能力。但公司未披露这些客户是付费客户还是设计合作伙伴，也未披露合同金额和续约情况。2023 年 12 月的公司通稿称，Delphina 当时与五家设计合作伙伴部署，公司预计 2024 年下半年全面商用。从 2026 年的客户名单看，公司显然已经进入商业阶段，但具体的商业化节奏和收入规模仍不透明。

本轮融资的验证边界：哪些说法可以接受，哪些必须存疑

本次报道的核心事实来自公司通稿，属于单方声明。通稿中关于产品能力、客户采用率、部署安全性和资金用途的描述，均未经过独立第三方验证。具体而言：73% 的问题来自业务团队、超过半数客户的 CEO 是活跃用户、Substack 超过 70% 的员工使用 Delphina，这三个数字都来自公司通稿，统计口径和样本范围未披露。智能体“数小时内”建立初始基线的说法，也没有说明是针对何种规模的数据环境。客户名单中的企业是否全部为付费客户、合同金额和续约情况均未披露。本轮融资的具体轮次和估值未披露，750万美元是股权融资还是包含债务成分也未说明。

从 2023 年种子轮到 2026 年新融资，Delphina 的产品定位发生了从“数据科学副驾驶”到“AI 分析上下文工厂”的显著变化。公司通稿没有解释这一转变的原因，也没有披露早期产品的客户反馈或商业化结果。这意味着，投资者本轮下注的对象与 2023 年并不完全相同。Radical Ventures 和 Costanoa 的继续加注可以理解为对创始团队的持续信任，但也可以理解为对产品转向后的重新押注。两种解读都成立，现有信息不足以区分。

从已披露的产品机制和客户结构看，Delphina 正在尝试解决一个真实且普遍的问题：企业 AI 分析的可信度瓶颈不在模型，而在上下文。它的智能体加专家审批的设计，至少在逻辑上回应了“AI 幻觉”和“指标口径混乱”这两个核心痛点。但逻辑上的合理性不等于商业上的可验证性。Delphina 需要证明的是：智能体提出变更的采纳率、专家审批平均耗时、客户名单中付费客户占比。这三项指标均未披露。在这些问题得到回答之前，750万美元的新融资更像是一次对产品方向的继续下注，而非对商业模式的确认。

RecodeX 极客视：Delphina 把 AI 分析的竞争从“模型能答什么”拉回到“模型凭什么这么答”。Context Factory 的真正赌注是，企业愿意把指标定义和业务语义的维护权交给智能体，同时保留人的最终审批。如果这个假设成立，数据团队的角色将从“回答问题的服务台”变成“定义知识的治理层”。但在这条路上，Delphina 必须同时证明智能体的准确率、专家审批的负担和商业模式的能见度。三件事目前都还没有独立数据。

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。