7 月 6 日，总部位于 Mountain View 的 AI Agent 训练平台 Bespoke Labs 宣布，种子轮和 A 轮融资合计 4000 万美元。其中，A 轮金额为 3175 万美元，由 Wing VC 领投，Mayfield、The House Fund、dbt Labs CEO Tristan Handy，以及来自 Anthropic、OpenAI 和 Meta 的天使投资人等参与；种子轮由 8VC 领投，Google DeepMind 首席科学家 Jeff Dean、Resolve AI CEO Spiros Xanthos、前 Nutanix CEO Dheeraj Pandey 等参投。
这笔资金将用于研究、招聘和平台建设。Bespoke Labs 关注的是模型预训练之后的一个环节：提供可交互、可评估的工作环境，让 Agent 练习长流程任务并改进行为。
模拟代码库、日志与沟通工具，让 Agent 练习工作流程
Bespoke Labs 由 CEO Mahesh Sathiamoorthy 和首席科学家 Alex Dimakis 于 2024 年联合创立。Sathiamoorthy 此前是 Google DeepMind 的 Staff Software Engineer，拥有 USC 博士学位和 IIT Kharagpur 学士学位。Dimakis 是 UC Berkeley 教授、IEEE Fellow，曾任美国商会 AI 委员会委员，在生成式 AI 和信息论领域拥有深厚的学术积累。
Bespoke Labs 构建 Agent 的训练环境，尝试模拟企业工作中的大型代码库、微服务架构、日志系统、工单、邮件和 Slack 消息。目标是让 Agent 学习完成跨数小时乃至数天、具有实际业务价值的工作流程；模拟环境不等于已经完整复制一家企业。
公司的出发点是：AI Agent 已能写代码、回答问题和完成部分短任务，但在跨数小时或数天的自主工作中，可靠性仍然不足。要提升可靠性，Agent 需要在逼真的环境中反复练习、收集偏好数据、通过强化学习（RL）微调行为。这正是 Bespoke Labs 瞄准的痛点。
METR 的研究显示，前沿 Agent 以 50% 成功率完成任务所对应的时间跨度，按人类专家完成同类任务的耗时衡量，约每七个月翻一番。这不是模型自身连续运行时长，也不是对所有工作的可靠性保证。Bespoke Labs 认为，训练环境需要随长任务能力的发展增加复杂度。
两轮投资者包括基金与科技公司个人投资者
投资者对后训练基础设施的兴趣，可以从其公开表态中看出。
Wing VC 的创始合伙人 Peter Wagner 以企业基础设施投资著称，他表示"前沿实验室和 AI 原生企业在推动长周期 Agent 能力边界时，需要新一代数据和训练基础设施"。这反映了他对第三方后训练服务的判断。
Jeff Dean 以个人身份参与了种子轮。它说明他对这家公司的兴趣，但不代表 Google 或 Google Ventures 的投资决定，也不能直接推断 Google 内部的采购需求。
来自 Anthropic、OpenAI 和 Meta 的天使投资者参与了 A 轮。这些个人投资同样不能代表其雇主的技术判断。实验室是否购买第三方环境，仍取决于质量、成本、保密要求和内部研发安排。
用 GEPA 优化 Agent，并参与开源数据和评测
Bespoke Labs 使用的优化方法包括 Genetic-Pareto Agent Optimizer（GEPA），用于自动搜索提示词与策略。公司称，这种方法能比手工调提示词更快改善准确率。它也与学术界和开源社区合作研究强化学习环境；实际收益需要结合任务和对照配置评估。
公司是 Terminal-Bench 的核心贡献者——这是目前最广泛使用的 Agent 能力基准之一，被 Anthropic、OpenAI 和 Google DeepMind 用于展示前沿模型的 Agent 能力。公司公告称，团队还主导了 OpenThoughts 项目，该开源推理数据集已被下载超过 50 万次，被 Thinking Machines Lab、Meta 和 Amazon 等机构使用。
参与开源数据和评测，可以帮助团队展示研究能力、建立知名度；商业平台则需要把这些经验转化为客户可使用的训练环境。
训练环境服务与数据标注、模型 API 如何分工
当前的 Agent 训练工具链可以粗略地分为三层。
Scale AI 等数据服务商提供标注和人类反馈等服务。模型 API 由前沿实验室（OpenAI、Anthropic、Google）和推理服务商（Together AI、Fireworks 等）提供。环境与后训练基础设施则有各实验室的自研方案，也有第三方服务商尝试进入，尚未形成统一平台。
Bespoke Labs 试图在环境与后训练服务中形成业务。公司强调研究团队、环境生成方法和真实基础设施快照技术，希望减少逐项手工搭建的工作；这些是其产品定位，仍需客户使用结果来检验。
不确定之处同样明显。Bespoke Labs 尚未披露具体客户名单和收入规模，4000 万美元的总融资额（含种子轮）在 2026 年的 AI 基础设施领域并不算大。Wing VC 领投的 3175 万美元 Series A 也表明公司仍处于早期阶段。Agent 训练环境是否会成为一个足够大的独立市场，还是最终会被模型层或数据层吸收，目前没有明确答案。
独立服务能否成立，要看环境质量和客户需求
当实验室开始购买第三方提供的工具与数据，一个原本内部完成的环节就可能形成独立服务。但供应商出现，并不等于市场规模和商业模式已获验证。
预训练所需的芯片、集群和云服务，已有成熟供应商；OpenAI 和 Anthropic 等公司的推理 API 也说明，企业对外部模型服务存在需求。这些案例可以提供参考，但不足以证明后训练环境会沿着相同路径发展。
Agent 后训练环境能否成为独立市场，需要回答几个实际问题：环境质量能否稳定改善 Agent 表现，强化学习流程能否反复交付，以及企业是否愿意为领域微调所需的环境付费。
4000 万美元融资为 Bespoke Labs 继续研发提供了资金。相比投资者的任职背景，后续的客户留存、任务表现和收入，更能说明这类专业服务能否持续。
