Lemma 获得 230 万美元种子轮资金，以解决生产环境中 AI 代理的沉默失败问题

AI 代理可靠性启动公司 Lemma 已获得 230 万美元的种子轮资金，以建立监控基础设施，旨在捕获一个特别困难的类别问题：AI 代理似乎已经成功完成任务，但实际上产生了错误的结果。

本轮投资包括 Matrix、Y Combinator、Liquid 2 Ventures、Vermilion Cliffs Ventures、Irregular Expressions、Cervin Ventures、Comma Capital、Position Ventures 和 Eight Capital，以及来自 OpenAI、xAI、Meta 和 DoorDash (DASH ) 的天使投资者和运营商的参与。

Lemma 由 Jerry Zhang 和 Cole Gawin 创立，曾是 Y Combinator 2025 年秋季批次的一部分，专注于 AI 代理的生产监控。该公司表示，其平台已经处理了超过一百万个代理跟踪，工程团队越来越多地寻找了解自主系统在部署后行为的方法。

AI 代理沉默失败问题的增长

传统的软件监控主要围绕明确的失败信号设计。应用程序崩溃、请求返回错误代码、延迟激增或基础设施组件变得不可用。

AI 代理引入了一个不同的问题。

代理可以成功执行工作流中的每个技术步骤，但仍然可能误解用户的意图、调用错误的工具、使用不正确的信息、陷入无产出循环或返回一个看似合理但错误的答案。从传统监控基础设施的角度来看，请求可能看起来完全正常。

Lemma 将这些称为语义失败。示例包括客户服务代理引用错误的退款政策、审计代理生成过时的报告或代理调用外部系统使用的信息是它自己编造的。这些是常见的 AI 代理故障点。

随着代理开始执行更长、更复杂的工作流，语言模型与数据库、应用程序编程接口（API）、检索系统和其他软件工具交互，这个区别变得越来越重要。

Lemma 如何监控生产环境中的 AI 代理

Lemma 正在围绕这些代理执行路径构建一个可观察性层。

其跟踪系统将每个代理执行转换为一个结构化跟踪，包含底层大型语言模型调用、工具调用、输入、输出、计时数据、检索步骤和整个工作流中生成的错误。工程团队可以检查整个执行树，而不仅仅是查看代理的最终响应。

但是，跟踪只是方法的一部分。

Lemma 将生产跟踪与代理的指令进行分析，并将重复出现的问题分组为问题，帮助团队识别可能在成千上万个单独交互中被埋没的故障模式。该平台还可以优先考虑问题并在潜在的重要问题出现时通过 Slack 发送警报。

目标是回答一个比软件是否成功运行更难的问题：代理是否真正完成了它应该完成的任务？

这是对代理软件可观察性可能需要如何工作的重大转变。

将生产故障转化为代理改进

Lemma 还试图缩短找到问题和解决问题之间的距离。

一旦平台识别出重复出现的故障，它就会分析周围的跟踪和上下文以确定可能的根本原因。从那里，它可以提议更改提示、应用逻辑或代理工作流，而不是要求工程师手动重建每个有问题的交互。

该公司正在通过 Model Context Protocol (MCP) 服务器将此工作流扩展到开发环境中。开发人员可以从包括 Cursor、Claude Desktop 和 Claude Code 在内的工具中查询 Lemma 的跟踪，从而使调试过程更接近代理的开发位置。

在修复部署后，Lemma 可以将生产故障转化为在线评估，并监测其再次发生。这样就创建了一个反馈循环，之前未见的现实世界故障成为未来的测试，而不是孤立的事件。

这种方法使 Lemma 超越了传统的可观察性。长期目标是创建基础设施，以帮助代理从生产故障中系统地学习，而不是完全依赖工程师发现、重现和手动修复每个边缘情况。

创始人亲身遇到的问题

Zhang 和 Gawin 在南加州大学相识，后来在各自的 AI 本土启动公司中从事 AI 系统工作。在创立 Lemma 之前，他们曾在 Tandem 工作，Tandem 在医疗保健领域应用 AI，以及 ChipStack，ChipStack 开发用于芯片设计的 AI 代理。

这些经历帮助他们了解将代理从受控开发环境转移到生产环境的困难。

“Cole 和我创立 Lemma 是因为我们亲身经历了构建 AI 代理的痛苦，”张说。“我们不断遇到同一个问题：代理似乎工作正常，但生产环境中的结果不够可靠。”

创始人认为，仅仅改进基础模型并不能消除这个问题。现实世界中的代理行为还取决于提示、应用逻辑、工具、集成、检索系统、用户行为以及连接它们的日益复杂的链条。

Lemma 的工程论文认为，离线评估很难重现代理在部署后遇到的不可预测条件，使生产数据成为了解系统实际故障的重要来源。

监控生产环境中 AI 代理的更广泛挑战

新的资金将支持 Lemma 监控和故障检测工具的进一步开发，最初专注于已经在生产环境中运行 AI 代理的初创公司。

该公司正在一个日益重要的领域中运营，因为 AI 系统从孤立的演示转移到现实世界的工作流中。传统的可观察性工具通常擅长检测技术问题，例如停机、延迟或失败的请求，但代理系统引入了另一个复杂性层：应用程序可以保持运行，而代理误解任务、选择错误的工具或产生错误的结果。

这个区别可能会变得更加重要，因为代理被用于客户支持、财务分析、医疗保健管理、软件开发和研究。在这些环境中，测量代理是否完成工作流可能不如确定它是否正确完成工作流那么重要。

对于 Lemma 来说，机会取决于监控语义故障是否成为在生产环境中运行 AI 代理的标准部分。230 万美元的种子轮资金为公司提供了额外的资本来测试这一假设，因为组织在越来越复杂的工作流中部署代理。

更好的代理监控对 AI 的意义

随着 AI 代理承担更多复杂和自主工作，传统的监控可能不再足够。未来系统需要评估代理不仅是否完成任务，还是否理解目标、使用正确的工具和产生正确的结果。

像 Lemma 这样的工具还可以在生产和开发之间创建更紧密的反馈循环，将现实世界的故障转化为新的测试和改进。随着时间的推移，这可能会使代理可观察性成为 AI 基础设施栈的标准部分，特别是在高风险环境中，可靠性和问责制最重要。