字节前AI编程负责人杨萍创办的词元无限，对标海外Devin，主打企业级Agent基础设施，瞄准金融行业千万行级存量核心代码系统，跳出单纯代码生成的思路，以完整软件工程交付为目标，兼顾安全合规、模型自主选择权、系统持续迭代三大企业核心诉求，探索To B AI编程商业化路径。

AI编程工具在个人开发者赛道已经快速普及，但对银行、保险这类强监管的金融行业，落地推进却步履维艰。金融行业并非抗拒AI赋能研发，而是现存海量历史代码系统架构复杂，同时对数据安全、流程可追溯有着严苛标准，普通AI编码工具很难适配行业要求。

词元无限选择将金融作为首要突破口，一方面金融软件市场体量庞大，存量系统复杂度高；另一方面，适配高要求的金融场景后，相关技术能力可以向下辐射到更多其他行业。团队区分了编码与软件工程两个概念：编码追求写代码的速度与数量，而软件工程的核心是围绕业务需求，稳定、可靠地交付符合预期的软件成果。企业付费的核心是业务交付结果，而非AI产出的代码行数，这也是这家创业公司产品设计的底层逻辑。

和面向个人开发者、主打代码补全体验的Cursor不同，词元无限产品思路对标Devin，依靠Agent智能体完成任务拆解、工作委派、任务执行，再交由人类审核验收。公司先后打造DeepMap工程知识地图、编码、测试系列产品，年底还将上线企业统一数据管理平台，搭建覆盖完整研发链路的产品矩阵。目前其编程产品已经在近50家金融客户完成试点，2026年先后完成天使+、天使++轮融资，乐观预估今年ARR可达4000万。

在商业赛道判断上，团队认为To B AI编程市场的发展空间远大于To C。To C AI编码市场规模受开发者用户数量约束，整体仅有几十亿元级别，收入和用户数呈线性增长，同时还要承担高昂的模型调用算力成本；而To B市场面向企业软件项目，市场规模可达千亿级别。传统软件项目大量成本消耗在人力环节，AI Agent并非只替代写代码的环节，而是覆盖从需求理解、任务拆解、开发编码到测试验证的全流程，释放不同岗位的人力价值，商业价值不再局限于席位订阅费，可以延伸至项目整体交付层面。

安全问题是金融企业应用AI的最大顾虑。银行等机构要求研发数据不可流出内网，整套AI能力必须嵌入受控、可审计的软件工程体系。词元无限坚持企业应当拥有大模型自主选择权，支持私有化、混合部署模式，企业业务数据留存于自身环境内，避免数据外泄风险。在权限边界上，智能体访问代码、文档、数据库需要明确授权，生产环境部署等高风险操作强制保留人工审批环节。面对智能体输出和现实业务冲突的情况，系统会建立类似“错题集”的反馈机制，沉淀问题案例，在企业业务场景中持续迭代优化智能体可靠性。

为解决企业本地化落地难题，词元无限引入FDE前沿部署工程师模式。FDE区别于传统驻场实施人员，不只是完成定制化交付，更核心的价值是挖掘客户真实业务痛点，将一线现场的需求反馈转化为产品迭代的驱动力。经过实践，AI加持之下现场交付成本相比早期下降70%-80%，破解传统软件定制化成本居高不下的行业痛点。少数的FDE人员同时对接2‑3个客户项目，将一线真实场景的问题带回研发端，反向打磨产品能力。

面对国内大模型厂商入局企业AI编程赛道，词元无限认为双方既是竞争也存在合作关系。企业级场景的胜负不完全取决于模型本身，读懂复杂存量系统、转化业务需求、保障交付落地、打消客户数据信任顾虑，是应用层服务商的核心壁垒。企业级AI尚处在早期阶段，公司会兼容多家第三方大模型，同时将客户落地遇到的真实问题反馈给模型厂商，共建行业生态。

商业化层面，词元无限采用三类收费模式：席位订阅模式、订阅加调用量计费模式，以及按结果付费模式。其中按结果付费以任务完成质量、业务价值作为计费依据，而非简单统计人力投入，适配测试等效果可量化的业务场景。部署形态上兼顾私有化与混合部署，保障本地部署版本也可以和公有云版本同步迭代更新。

接下来2026‑2027年，企业依旧将金融行业作为核心阵地，同时拓展3‑4个具备数字化基础、天花板高、具备出海潜力的行业，持续打磨企业级软件工程Agent能力。