红杉领投Blacksmith 6600万美元C轮,AI代码测试平台估值破10亿

Blacksmith 完成 6600 万美元 C 轮融资,红杉领投,估值 10 亿美元。
Blacksmith 宣布完成 6600 万美元 C 轮融资,由红杉资本领投,公司估值达到 10 亿美元,成为 AI 代码测试赛道的新晋独角兽。其平台定位是帮助企业围绕 AI 生成的代码构建和测试流程,把散落在各工具链中的验证工作收敛到统一平台。文章指出,随着 AI 编程助手普及,代码生成速度大幅提升,「生成之后如何验证」成为新瓶颈,测试与质量保障需求随之变得刚性。红杉的领投反映出资本对 AI 编程周边基础设施层的关注上升。不过 Blacksmith 也面临测试赛道竞争激烈、主流开发平台可能内嵌测试能力等挑战,估值能否兑现取决于其技术壁垒与客户粘性。
AI 代码测试赛道跑出了新晋独角兽。Blacksmith 宣布完成 6600 万美元 C 轮融资,由红杉资本领投,公司估值达到 10 亿美元。

Blacksmith 在做什么
Blacksmith 的定位是让企业更高效地构建和测试 AI 代码。随着 AI 编程助手在企业开发流程中快速普及,代码生成的速度大幅提升,但「生成之后如何验证」成了新的瓶颈——AI 写出的代码能否稳定运行、是否符合工程规范、是否引入隐蔽的缺陷,都需要配套的测试基础设施来兜底。
Blacksmith 切入的正是这一环节。它提供的平台帮助团队围绕 AI 生成的代码搭建测试流程,把原本散落在各个工具链中的验证工作收敛到一个平台上。这个方向的商业逻辑不难理解:AI 编程越普及,代码测试与质量保障的需求就越刚性。
CI/CD(持续集成/持续交付)是理解测试工具赛道的基础概念。持续集成指开发者频繁地把代码合并到主干,并由自动化流水线完成构建与测试;持续交付则在其基础上把通过验证的构建自动推进到可发布状态。传统 CI/CD 平台(如 Jenkins、GitLab CI、GitHub Actions)解决的是「人写的代码如何快速且安全地上线」。当 AI 生成代码进入流程后,提交频率和代码体量都可能显著上升,流水线的触发次数、测试用例的覆盖压力以及失败定位的复杂度随之放大。Blacksmith 一类平台的价值,正是在这条流水线的测试环节做增强与收敛,让 AI 代码在进入生产前经过系统化验证,而不是依赖零散的手工检查。
为什么是红杉,为什么是现在
本轮由红杉资本领投,将 Blacksmith 的估值推上 10 亿美元关口。据原始报道,这轮融资规模为 6600 万美元,属于 C 轮。
从行业背景看,资本对「AI 编程周边基础设施」的关注度正在上升。模型能力不再是唯一的竞争焦点,围绕代码生成、测试、部署、可观测性的工具层正在形成独立的投资主题。Blacksmith 拿到独角兽估值,某种程度上是市场对「AI 代码质量基础设施」这一细分方向的定价。
独角兽指估值达到 10 亿美元及以上的未上市初创公司,这一说法源于 2013 年投资人 Aileen Lee 的提法,用来形容当时极为罕见的超高估值私有企业。独角兽标签通常出现在后期融资轮次(C 轮及之后),意味着公司已跨过产品验证阶段,进入规模化扩张期。需要区分的是,估值来自一级市场的融资定价,反映的是投资方对未来增长的预期,而非公司当前的收入或盈利水平。因此「估值破 10 亿」更多是市场共识的信号,能否兑现取决于后续收入增长、客户留存和竞争格局的变化,这也是文章强调「阶段性里程碑」的原因。
独角兽标签背后的挑战
估值破 10 亿只是阶段性里程碑,Blacksmith 面临的考验同样明确。测试工具赛道本身竞争激烈,既有传统 CI/CD 与测试平台的存量玩家,也有大量围绕 AI 编程涌现的新创公司。如何在 AI 代码这一新场景中建立足够深的技术壁垒和客户粘性,是决定其估值能否持续兑现的关键。
另一个变量是 AI 编程工具本身的演进方向。如果主流开发平台将测试能力深度内嵌,第三方测试平台的生存空间可能被压缩;反之,如果企业更倾向于开放、可组合的工具链,Blacksmith 这类独立平台的价值就会放大。这轮融资为它争取到了更多时间去验证哪种路径会成为主流。
技术壁垒与客户粘性是评估此类基础设施公司的两个核心维度。技术壁垒通常来自难以复制的工程积累,例如对多种语言与框架的测试适配、对 AI 生成代码特征(如幻觉式 API 调用、冗余逻辑、边界条件缺失)的针对性检测能力,以及大规模并发下的流水线性能。客户粘性则更多体现在工作流嵌入深度:当测试平台接入代码仓库、合并请求门禁和发布流程后,替换成本会随使用时间和历史数据积累而上升。对 Blacksmith 而言,真正的护城河往往不是单点检测算法,而是「越用越深」的流程绑定与数据反馈闭环,这决定了它在面对大平台内嵌能力时是否具备议价空间。
编辑观点
Blacksmith 的融资释放了一个清晰信号:AI 编程的竞争正从「写代码」转向「保证代码可靠」。对于企业技术团队而言,这意味着 AI 代码质量治理将从可选项变成必选项;对于创业者而言,基础设施层的窗口期仍然存在,但留给独立玩家的时间不会太多。
相关推荐

零成本搭建AI超级员工系统:智能体自动工作流全解析
深度拆解B站演示的AI超级员工系统:Agent智能体编排、数字人口播、地图与企业获客、24小时智能客服及法务模块全覆盖。分析零成本开户背后的商业逻辑与合规风险,帮助创业者判断这套AI数字员工系统的真实投产比。

Chatbot与AI Agent的本质区别:从对话到执行的跨越
Chatbot和AI Agent有什么区别?本文基于Learn Tech频道的MCP系列讲解,用订机票、笔记摘要等实例说明:Chatbot只给答案,Agent通过思考-行动-观察循环真正完成任务,并拆解模型、工具、记忆、目标四大部件及MCP的桥梁作用,同时讨论Agent的适用边界与权限风险。

免费GitHub仓库:342小时AI课程,从数学到MCP服务器
一个免费GitHub仓库提供342小时AI课程,包含523节课、20个阶段,覆盖数学基础到Agent构建和MCP服务器。支持目标驱动学习,每节课产出可留存的prompt、skill或agent,已有近10万人开始学习。