Lemma تجمع 2.3 مليون دولار في التمويل قبل السلسلة لتحديد فشل وكلاء الذكاء الاصطناعي الصامت في الإنتاج

بدأت شركة Lemma، وهي شركة ناشئة تعمل في مجال موثوقية وكلاء الذكاء الاصطناعي، في جمع 2.3 مليون دولار في التمويل قبل السلسلة لإنشاء بنية تحتية لمراقبة وكلاء الذكاء الاصطناعي في الإنتاج.

شارك في الجولة المستثمرون من Matrix و Y Combinator و Liquid 2 Ventures و Vermilion Cliffs Ventures و Irregular Expressions و Cervin Ventures و Comma Capital و Position Ventures و Eight Capital، إلى جانب مستثمرين ملاك و مشغلين من OpenAI و xAI و Meta و DoorDash.

تأسست Lemma بواسطة جيري زانج و كول جاوين، و كانت جزءًا من دفعة خريف 2025 في Y Combinator، و تركز على مراقبة الإنتاج ل وكلاء الذكاء الاصطناعي. وتقول الشركة إن منصتها قد معالجت أكثر من مليون تتبع وكيل حتى الآن، حيث يبحث الفنيون عن طرق لفهم كيفية سلوك الأنظمة المستقلة بعد النشر.

الproblem المتزايد ل وكلاء الذكاء الاصطناعي الذين يفشلون بصمت

تتمثل مشكلة مراقبة البرمجيات التقليدية في الغالب حول إشارات الفشل الصريحة. قد يتعطل التطبيق، أو يعود رمز خطأ، أو يتأخر، أو يصبح أحد مكونات البنية التحتية غير متاح.

然而، يطرح وكلاء الذكاء الاصطناعي مشكلة مختلفة.

يمكن لوكيل أن ينفذ كل خطوة تقنية في تدفق العمل بنجاح و مع ذلك يفهم بشكل خاطئ ما يريده المستخدم، أو يدعو الأداة الخاطئة، أو يستخدم معلومات خاطئة، أو يظل عالقًا في حلقة غير منتجة، أو يعود بنتيجة معقولة ولكن خاطئة. من منظور البنية التحتية للمراقبة التقليدية، قد يبدو الطلب صحيًا تمامًا.

تصف Lemma هذه كفشل دلالي. وتشمل الأمثلة على ذلك وكيل خدمة العملاء الذي يذكر سياسة الاسترداد الخاطئة، أو وكيل التدقيق الذي يولد تقريرًا قديمًا، أو وكيل يدعو نظامًا خارجيًا باستخدام المعلومات التي اخترعها. هذه هي النقاط الشائعة لفشل وكلاء الذكاء الاصطناعي.

تزداد أهمية هذا التمييز مع انتقال وكلاء الذكاء الاصطناعي إلى واجهات حوارية أطول وأكثر تعقيدًا، حيث تتفاعل نماذج اللغة مع قواعد البيانات و واجهات برمجة التطبيقات و أنظمة الاسترجاع وأدوات برمجية أخرى.

كيف تقوم Lemma بمراقبة وكلاء الذكاء الاصطناعي في الإنتاج

تطوير Lemma طبقة مراقبة مخصصة حول مسارات تنفيذ الوكيل.

يتحول نظام التتبع الخاص به كل تنفيذ وكيل إلى تتبع منظم يحتوي على مكالمات نموذج اللغة الكبيرة الأساسية، ودعوات الأدوات، والمدخلات، والمدخلات، وبيانات التوقيت، وخطوات الاسترجاع، والأخطاء التي تم إنشاؤها خلال تدفق العمل. يمكن لفريق الهندسة بعد ذلك فحص شجرة التنفيذ كاملة بدلاً من النظر فقط إلى الاستجابة النهائية للوكيل.

然而، التتبع هو جزء فقط من النهج.

تتحليل Lemma لأثر الإنتاج مقابل تعليمات الوكيل و تجميع المشاكل المتكررة في قضايا، مما يساعد الفرق على تحديد أنماط الفشل التي قد تظل مدفونة في الآلاف من التفاعلات الفردية. يمكن للمنصة أيضًا تحديد الأولوية للقضايا وإرسال تنبيهات عبر Slack عند ظهور مشاكل محتملة.

الهدف هو الإجابة على سؤال أكثر صعوبة من سؤال ما إذا كان البرنامج قد نفذ بنجاح: هل حقق الوكيل ما كان من المفترض أن يحققه؟

تحويل فشل الإنتاج إلى تحسين الوكيل

تحاول Lemma أيضًا تقصير المسافة بين العثور على مشكلة و إصلاحها.

عندما يتم تحديد فشل متكرر، يتحليل المنصة التتبعات المحيطة و السياق لتحديد سبب الجذر المحتمل. من هناك، يمكنها اقتراح التغييرات على الدفعات أو منطق التطبيق أو تدفق عمل الوكيل بدلاً من要求 من مهندسي البرمجيات إعادة بناء كل互одействة مشكلة يدويا.

توسع الشركة هذا التدفق إلى بيئات التطوير من خلال خادم بروتوكول سياق النموذج (MCP). يمكن للمطورين استفسار تتبعات Lemma من أدوات مثل Cursor و Claude Desktop و Claude Code، مما يسمح عملية تصحيح الأخطاء بالحدوث أقرب إلى حيث يتم تطوير الوكيل الأساسي.

بعد نشر الإصلاح، يمكن لـ Lemma تحويل فشل الإنتاج إلى تقييم عبر الإنترنت و مراقبته لحدوثه مرة أخرى. هذا يخلق حلقة обратية حيث يصبح الفشل الحقيقي في العالم الحقيقي اختبارات مستقبلية بدلاً من البقاء حوادث معزولة.

مشكلة واجهها المؤسسون بشكل مباشر

التقى زانج و جاوين كطالبين في جامعة جنوب كاليفورنيا و عملوا لاحقًا في أنظمة الذكاء الاصطناعي في شركات ناشئة منفصلة. قبل تأسيس Lemma، عملوا في Tandem، التي تطبق الذكاء الاصطناعي في مجال الرعاية الصحية، و ChipStack، التي تطور وكلاء الذكاء الاصطناعي لتصميم الرقائق.

ساعدت هذه الخبرات في كشفهم عن صعوبة أخذ وكلاء الذكاء الاصطناعي من بيئات التطوير المسيطرة إلى الإنتاج.

قال زانج: “كول و أنا بدأنا Lemma لأننا واجهنا ألم بناء وكلاء الذكاء الاصطناعي بشكل مباشر. كنا نتعرض لنفس المشكلة دائمًا: وكلاء الذكاء الاصطناعي يبدو أنهم يعملون، لكن النتائج لم تكن موثوقة بما يكفي في الإنتاج”.

يجادل المؤسسون بأن تحسين نماذج الأساس فقط لن يزيل هذه المشكلة. يعتمد سلوك الوكيل في العالم الحقيقي أيضًا على الدفعات و منطق التطبيق و الأدوات و التكامل و أنظمة الاسترجاع و سلوك المستخدم و السلاسل المعقدة التي تصل بينهم.

التحدي الأوسع لمراقبة وكلاء الذكاء الاصطناعي في الإنتاج

سيدعم التمويل الجديد تطوير أدوات مراقبة و كشف الفشل في Lemma، مع التركيز في البداية على الشركات الناشئة التي تعمل بالفعل مع وكلاء الذكاء الاصطناعي في الإنتاج.

تعمل الشركة في مجال يصبح أكثر أهمية مع انتقال أنظمة الذكاء الاصطناعي من عروض منفصلة إلى تدفقات عمل حقيقية. تكون أدوات المراقبة التقليدية جيدة في الكشف عن مشاكل تقنية مثل الفشل أو التأخير أو الفشل في الطلب، لكن أنظمة الوكيل تطرح طبقة أخرى من التعقيد: يمكن للتطبيق أن يبقى متاحًا بينما يفهم الوكيل مهمة بشكل خاطئ أو يختار الأداة الخاطئة أو ينتج نتيجة خاطئة.

من المرجح أن يصبح هذا التمييز أكثر أهمية مع استخدام وكلاء الذكاء الاصطناعي في دعم العملاء و التحليل المالي و إدارة الرعاية الصحية و تطوير البرمجيات و البحث. في هذه البيئات، قد يكون قياس ما إذا كان الوكيل قد أكمل تدفق العمل أقل أهمية من تحديد ما إذا كان الوكيل قد أكمل تدفق العمل بشكل صحيح.

لذا، تعتمد الفرصة على ما إذا كانت مراقبة فشل الوكيل سيصبح جزءًا قياسيًا من تشغيل وكلاء الذكاء الاصطناعي في الإنتاج. يعطي جولة التمويل قبل السلسلة البالغة 2.3 مليون دولار للشركة رأس مالًا إضافيًا لاختبار هذه الفرضية مع نشر المنظمات لوكلاء الذكاء الاصطناعي عبر تدفقات عمل معقدة بشكل متزايد.

ما قد يعنيه مراقبة وكيل أفضل للذكاء الاصطناعي

مع اتخاذ وكلاء الذكاء الاصطناعي لمهام أكثر تعقيدًا و استقلالية، قد لا تكون المراقبة التقليدية كافية. سيتطلب النظام المستقبل تقييم ما إذا كان الوكيل قد فهم الهدف، واستخدم الأداة الصحيحة، ونتج عن النتيجة الصحيحة.

يمكن لأدوات مثل Lemma أيضًا خلق حلقة обратية أكثر ضيقًا بين الإنتاج و التطوير، مما يturned فشل العالم الحقيقي إلى اختبارات و تحسينات جديدة. مع مرور الوقت، قد يجعل هذا من مراقبة الوكيل جزءًا قياسيًا من بنية تحتية للذكاء الاصطناعي، خاصة في البيئات عالية المخاطر حيث يهم الموثوقية و المساءلة أكثر.