2026 年秋天，AI 编程工具正在把代码生成变成一种近乎零成本的动作。Cursor、OpenAI 的 Codex、Anthropic 的 Claude Code 让开发者写代码的速度大幅提升，但代码被写出来之后，能不能合并进代码库、能不能部署，仍然要经过一道几乎无人谈论的关卡：自动化构建与测试。这道关卡过去只是开发流程中的常规步骤，现在却成了整条链路里最慢、最贵、最不可预测的部分。
Anthropic 上月披露，其自身的验证工作负载在六个月内增长了 25 倍。这个数字指向一个结构性变化：AI 生成的代码越多，需要验证的代码就越多。验证不是写代码的附属品，而是 AI 编程规模化之后最先撞上的物理约束。Blacksmith 正站在这道约束上。据 Fortune 报道，这家成立仅两年的公司完成了由 Sequoia Capital 领投的 6600 万美元 C 轮融资，估值达到 10 亿美元。
这轮融资距其由 Peak XV Partners 领投、估值 5.5 亿美元的 4500 万美元 B 轮仅约两个月。估值在两个月内从 5.5 亿美元跳到 10 亿美元，速度本身就是一个信号：资本正在把代码验证视为 AI 编程浪潮中尚未被充分定价的基础设施层。
| 字段 | 内容 |
|---|---|
| 公司 | Blacksmith |
| 轮次 | C 轮 |
| 金额 | 6600 万美元 |
| 投资方 | Sequoia Capital 领投 |
| 总部 | 旧金山和纽约 |
| 创始人 | Aditya Jayaprakash |
| 官网 | 未披露 |
AI 让写代码变便宜，却让验证代码变贵
Blacksmith 销售的是开发者所称的持续集成（CI）服务：代码在合并进现有代码库并部署之前，必须通过一系列自动化构建与测试。这个环节过去由 Jenkins、GitHub Actions 等工具承担，大多数公司把任务跑在从 AWS、Google Cloud 或 Microsoft Azure 租来的服务器上。Blacksmith 的做法不同。据 Fortune 报道，公司自购数万台服务器，部署在全球数据中心，并自行编写运行这些机器的软件，其中包括避免每次测试重复从零做初始化设置的系统。
联合创始人兼 CEO Aditya Jayaprakash 对 Fortune 描述了一个简单的时间分配变化：开发者过去大约一半时间写代码，另一半时间等代码构建并通过检查。AI 编程工具让前半段变得“极其容易”。他的原话是：“但现在瓶颈已经转移到了第二部分，也就是：我到底要怎么验证所有这些代码？”
这句话点出了 Blacksmith 的商业逻辑。AI 编程工具降低了代码生成的边际成本，但验证的边际成本并没有同步下降。相反，代码量越大，验证负载越重。Anthropic 的验证工作负载六个月增长 25 倍，就是一个来自模型厂商自身的数据点。Jayaprakash 还称，当 Anthropic 在 7 月发布 Claude Fable 5 时，Blacksmith 上的 CI 用量上升了 40%。这一说法来自公司创始人，尚无独立第三方验证。
自购数万台服务器，把 CI 做成一门重资产生意
Blacksmith 的商业模式与大多数 SaaS 公司相反。它没有选择租用云厂商的算力，而是直接购买服务器。Jayaprakash 对 Fortune 表示，自持硬件让公司能够控制性能。这是一个关键选择：CI 任务对延迟和一致性极其敏感，租用云的弹性算力在高峰时段可能面临性能波动，而自购硬件理论上可以提供更稳定的执行环境。
但这个选择的代价同样明显。公司因此暴露在行业性的算力与内存短缺之中。Jayaprakash 称，容量规划是业务中最难的部分之一，因为每次出现更强的模型，需求就会跳升。这意味着 Blacksmith 的增长曲线并不完全由自己的销售能力决定，而是与 AI 模型厂商的发布节奏深度绑定。更强的模型生成更多代码，更多代码需要更多验证，更多验证需要更多服务器。这是一个正向循环，但也是一个资本密集的循环。
公司通稿称，其最大客户每年支出超过 100 万美元。这个数字如果属实，说明 Blacksmith 的收入结构并不依赖大量小额客户，而是有相当比例来自高额年度合同。公司还称，平台使用企业从 8 月的约 5000 家增至超过 1 万家，客户包括 Granola、Handshake、Supabase 和 LangChain。同期年度经常性收入增长 17 倍，Jayaprakash 称收入已达数千万美元级别。这些均为公司单方披露，尚无独立审计或第三方验证。
从已披露的客户名单看，Granola、Handshake、Supabase 和 LangChain 都是开发者工具或技术驱动型公司，它们的共同点是工程团队对 CI 速度和稳定性有较高要求。这类客户愿意为验证基础设施付费，但前提是 Blacksmith 能在性能上持续拉开与云托管 CI 的差距。目前来源材料未提供客户留存率、净收入留存率或合同期限等数据，因此无法判断这些高额支出的可持续性。
与 GitHub Actions 和编程智能体相比，Blacksmith 的位置并不稳固
Blacksmith 的竞争格局比“CI 服务商”这个标签所暗示的更复杂。最直接的对手是 Microsoft 旗下的 GitHub，它销售用于运行 CI 任务的自有托管机器。GitHub Actions 已经是大量开发团队的默认选择，其优势在于与代码托管平台的深度集成。Blacksmith 必须在性能和成本上提供足够大的差异，才能说服团队把 CI 任务从 GitHub 迁出。
另一个更隐蔽的竞争来自编程智能体本身。据 Fortune 报道，Codex 和 Claude Code 等编程智能体已经能在工作时运行项目测试，Cursor 于 3 月推出一款产品，让企业设置智能体自动审查和测试新代码。这意味着验证功能正在被上游的 AI 编程工具吸收。如果开发者使用的智能体已经能在本地或云端完成测试，他们对独立 CI 平台的需求可能被削弱。
Jayaprakash 的回应是，Blacksmith 与 AI 模型公司是互补关系，因为更好的模型意味着更多需要检查的代码。他的原话是：“我们在平台上的用量实际上会上升。”这个逻辑在短期内成立：模型越强，代码产出越多，验证负载越大。但长期看，如果模型厂商自己提供验证能力，或者把验证集成进模型推理流程，Blacksmith 的独立价值就会面临挤压。Fortune 的报道也明确提到，领先 AI 模型厂商可能最终自行接管代码验证。这不是 Blacksmith 独有的风险，而是整个 AI 基础设施中间层共同面对的问题。
两个月估值翻近一倍，Sequoia 在押注什么
从 B 轮到 C 轮只有约两个月，估值从 5.5 亿美元涨到 10 亿美元。这个节奏在 2026 年的风险投资环境中并不常见。Sequoia Capital 领投本轮，说明其判断 Blacksmith 的增长速度足以支撑快速上升的估值。
投资逻辑可以从两个层面理解。第一层是需求端的确定性：AI 编程工具的普及已经是一个可见事实，代码验证负载的增长有 Anthropic 等模型厂商的数据作为旁证。第二层是供给端的稀缺性：能够自购数万台服务器、自建全球数据中心、自行编写调度软件的 CI 公司并不多。这种重资产模式构成了某种进入壁垒，但也意味着每一轮融资的大部分资金都要转化为硬件资产。
Jayaprakash 对 Fortune 表示，大部分新资金将用于购买更多算力。这轮 6600 万美元在扣除运营成本后，能购买的服务器数量取决于当时的硬件价格和供应状况。考虑到 Jayaprakash 自己提到的行业性算力与内存短缺，资金转化为可用算力的效率存在不确定性。公司约有 40 名员工，分布在旧金山和纽约，计划到年底增至约 75 人。员工规模相对收入而言较小，说明 Blacksmith 的运营杠杆较高，但同时也意味着硬件采购和部署能力可能成为增长瓶颈。
收入增长 17 倍背后，验证口径与商业化瓶颈
公司披露的运营数据需要放在具体口径下理解。Blacksmith 称年初每周运行 500 万次验证检查，现在为每周 9000 万次，同期年度经常性收入增长 17 倍。这些数字来自公司创始人，未经独立审计。验证检查次数的增长与收入增长之间的对应关系也未披露：如果检查次数增长 18 倍而收入增长 17 倍，可能意味着单价基本稳定；如果客户结构从免费用户向付费客户迁移，收入质量可能更高。但来源材料没有提供付费客户数量、免费与付费比例、平均合同金额等关键数据。
另一个值得注意的边界是“超过 1 万家公司使用其平台”这一表述。使用平台并不等于付费客户。公司没有披露这 1 万家公司中有多少是付费客户，也没有披露免费层与付费层的转化率。在 CI 工具市场，免费层是常见的获客手段，但免费用户对收入的贡献有限。如果大部分新增使用量来自免费层，那么 17 倍的收入增长可能主要来自少数高额付费客户，而非广泛的付费转化。
从已披露的信息看，Blacksmith 的商业化验证路径仍然集中在开发者工具公司和高强度 CI 用户群体。这类客户对验证速度和稳定性最敏感，也最愿意为性能付费。但这类客户的数量有限，且往往具备自建验证基础设施的能力。Blacksmith 能否从这一群体扩展到更广泛的企业市场，取决于其产品能否在易用性、生态集成和成本结构上与传统 CI 工具竞争。目前来源材料未提供这方面的数据。
资金用途明确，但硬件采购的确定性存疑
本轮融资的资金用途相当集中：购买更多算力。Jayaprakash 对 Fortune 的表述没有留下太多模糊空间。这与大多数 SaaS 公司把资金用于销售和市场扩张不同，Blacksmith 的核心约束在供给端而非需求端。如果需求增长如公司所述，那么算力就是唯一的瓶颈。
但硬件采购本身存在执行风险。全球算力与内存短缺意味着即使有资金，也不一定能按计划买到足够数量的服务器。Jayaprakash 称容量规划是业务中最难的部分之一，这实际上是在说，Blacksmith 的增长上限部分不由自己控制。当新模型发布导致需求跳升时，公司需要在短时间内增加硬件供给，而硬件采购周期通常以月为单位。如果采购延迟，客户可能转向 GitHub Actions 或其他替代方案。
此外，自购硬件的折旧和更新周期也是一个未披露的财务变量。数万台服务器的维护、更换和升级成本会持续侵蚀毛利。公司没有披露毛利率、硬件折旧政策或单位经济模型，因此无法判断其收入增长的质量。从已披露的“最大客户每年支出超过 100 万美元”和“收入达数千万美元级别”看，Blacksmith 的客户集中度可能较高，这增加了收入波动风险。
验证层的终局：独立平台还是被上游吸收
Blacksmith 面临的最深层问题不是竞争对手，而是它在 AI 编程价值链中的位置。如果代码验证最终成为 AI 模型厂商的一项内置功能，那么独立的 CI 平台就会失去存在基础。Codex 和 Claude Code 已经能在工作时运行项目测试，Cursor 的智能体审查产品也在向同一方向推进。这些工具的优势在于，它们可以在代码生成的同一环境中完成验证，不需要开发者把代码发送到另一个平台。
Jayaprakash 的互补论在短期内是成立的：模型厂商专注于生成，Blacksmith 专注于验证，两者各司其职。但这个分工的稳定性取决于模型厂商是否认为验证是一个值得自己做的市场。如果验证负载的增长速度超过模型厂商自身的算力承受能力，它们可能更愿意把验证外包给 Blacksmith 这样的专业平台。但如果验证成为模型推理的自然延伸，模型厂商就有动机将其整合进自己的产品。
从已披露的信息看，Blacksmith 的防御策略是重资产和性能控制。自购硬件让它能够提供比云托管 CI 更稳定的执行环境，这是模型厂商短期内难以复制的。但这种优势的持续时间取决于硬件供应的变化和模型厂商的资本投入意愿。如果领先模型厂商决定大规模自建验证基础设施，Blacksmith 的重资产优势就会被削弱。目前没有公开信息表明模型厂商正在这样做，但这是一个需要持续观察的变量。
Blacksmith 的 C 轮融资确认了一个趋势：AI 编程的瓶颈正在从生成端向验证端转移。公司用自购硬件和自研软件在这个转移中占据了一个位置，收入增长和客户扩张的速度也支持了这一叙事。但验证层的终局仍然开放。独立 CI 平台能否在模型厂商和代码托管平台的双重挤压下保持独立价值，取决于它能否在性能、成本和生态集成上持续建立差异。Blacksmith 的 10 亿美元估值是对这一可能性的定价，而不是对结果的确认。
RecodeX 极客视：当代码生成变得廉价，验证就成了新的稀缺资源。Blacksmith 用重资产模式把 CI 从云服务的附庸变成独立的基础设施层，但它的护城河建立在硬件采购能力和性能控制之上，而非不可替代的生态位置。真正的考验不是需求是否存在，而是当上游模型厂商和下游代码平台同时向中间层挤压时，一家 40 人的公司能否在算力短缺和估值翻倍的夹缝中，把验证这件事做成一个可持续的生意。
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。