全球软件需求持续攀升，而开发者资源却日益紧张——更糟的是，工程师也常年被重复性、低价值的任务困住手脚。随着AI大模型的逐步成熟，AI 编程助手的企业渗透率自 2023 年起增长近六倍，正在成为“现代开发流程的新基建”。

在全球的AI编程舞台上，Poolside 正在走出一条与众不同的路径。在硅谷科技评论SVTR.AI创投库对数百家AI创业公司的追踪中，Poolside 凭借“自研大模型 + 垂直深耕 + 安全优先”的组合打法，成为技术与战略上的“异类玩家”。它没有依赖通用模型的二次调用，而是从零开始构建一个专为软件工程师设计的生成式AI基础模型，配套 API 和代码助手，意图重塑开发者的整个工具栈。

作为长期霸榜AI创投榜的Poolside 所代表的，是一种全新的生产力范式：用专业化的生成式 AI 重塑开发工作流，以安全、高效、上下文理解驱动的模型架构，为开发者真正“腾出手来”。Poolside 是否真能完成从“代码助手”向“开发大脑”的根本转变，让我们拭目以待。

图片

本文是硅谷科技评论“AI编程的未来”系列文章的第6篇，我们之前深度分析过欧洲增长最快的公司Lovable、OpenAI想要并购的Windsurf、七年磨一剑的Bolt、教马斯克儿子学编程的Replit、高中毕业的自学少年创立的Vercel。今天，我们将目光投向一家尚未出圈、但潜力巨大的初创公司Poolside。

在生成式AI迅速崛起的今天，软件行业正面临“双重危机”：一方面，全球对软件开发的需求激增；另一方面，开发者数量严重不足。预计到2030年，缺口将高达8500万人。而现有开发者的效率也远未充分释放——调查显示，程序员每天真正写代码的时间仅52分钟，其余时间多耗于重复性、低价值任务。

这也推动了AI编程工具的爆发式增长。2024年已有63%的企业在测试或使用AI编程助手，预计2028年将达75%。与此同时，44%的开发者已在使用AI工具，还有26%计划很快跟进。AI主要应用于代码生成、自动补全、质量优化等环节，显著提升开发效率。一项研究表明，AI可将编码时间减半，文档生成提速2倍，完成复杂任务的成功率提升30%。

GitHub Copilot 的研究进一步印证了这一趋势：使用AI助手的开发者任务完成速度提升近56%。若广泛应用，将带来显著经济效益，并推动GDP增长。

但通用型大语言模型并非万能。它们在面对复杂依赖或大型代码库时，常生成“看似正确、实则无用”的代码，难以满足专业开发需求。

初创公司 Poolside 正在打造面向开发者的专用生成式AI模型，主打垂直化、可控性与安全性。其模型深度理解开发环境，支持代码生成、优化建议、问题解答等功能。更重要的是，Poolside确保企业数据不出本地，训练过程也规避版权和隐私风险。

此外，Poolside采用合成数据训练，大幅提升效率并减少安全隐患。这种专注于开发者真实痛点的垂直型AI，正成为下一个开发效率革命的关键引擎。在人力紧张与复杂需求并存的时代，它提供了一种更现实、更高效的解法。

Poolside：自研编程大模型，直指开发全流程

成立时间：2023年5月

公司总部：加州旧金山

融资总额：$626M

融资轮次：B轮

员工数量：190

一、创立故事

Poolside成立于2023年，由Jason Warner（现任CEO）与Eiso Kant（现任CTO）联合创办。这两位创始人不仅拥有深厚的技术背景，更在开发者工具领域深耕多年，其创业轨迹本身就映射出AI技术如何逐步渗透至软件开发的每一个环节。

图片

Warner的职业生涯始于Heroku，他在2014至2017年间担任该云平台的工程副总裁。在Salesforce收购Heroku之后，他转战GitHub，并于2017年出任首席技术官，主导了多个关键项目的开发——包括GitHub Actions、Packages、安全与分析工具、Codespaces、Connect，以及后来与微软联手推出的Copilot。

Copilot的成功，意味着AI不仅能够辅助代码编写，更有潜力重塑整个软件开发流程。这段经历为Warner带来了全局视角——他深度参与了GitHub除财务与销售以外的几乎所有业务模块，包括产品工程、设计、安全、数据、基础设施、市场、人力资源与企业战略。这为他后来创立AI驱动的开发平台打下了坚实基础。

2021年离开GitHub后，Warner短暂进入风险投资领域，成为Redpoint Ventures的董事总经理，进一步拓展了他在AI初创生态中的资源网络（顺便提一句，GitHub的时任CEO Nat Friedman离开后，成为硅谷活跃的独立AI投资人，在AI创投榜排名第二。）。2023年，他与Kant正式启动Poolside，致力于打造一个为开发者量身定制的AI平台。

图片

与Warner的技术管理路径不同，Kant是一位典型的连续创业者，长期专注于开发者工具和数据分析领域。他曾创办engineering analytics平台Athenian以及专注于代码搜索与分析的source{d}。两人在2017年结识，起因是Warner曾试图收购Kant的公司，将其技术纳入GitHub的AI引擎。尽管收购未成，但两人建立了长期的友谊与共同愿景，并在接下来的六年里共同筹划了一个AI驱动的开发助手平台，最终落地为Poolside。

Warner一直相信，AI的真正价值在于“领域专用化”（domain-specific application），而软件开发是最适合这种垂直AI落地的场景。Poolside的使命正是以AI为基础，重构开发者的工作方式，从根本上提升编程效率。

最初，这家公司打算命名为“Snowball”，象征技术滚雪球式的指数增长，但最终因AWS Snowball的商标问题作罢。在一次与某大型云服务厂商（hyperscaler）的会谈中，对方建议来一次轻松的“poolside meeting”，这一名字瞬间打动了Warner——简短、有趣、双音节、易记，正中下怀。于是，“Poolside”这个新公司名诞生了。

2024年4月，Poolside迎来一位关键高管：GitHub前首席营收官（CRO）Paul St. John，负责制定企业级市场的推进策略。这一任命意味着Poolside正逐步走出“技术构建期”，进入商业化扩张阶段。

目前，Poolside的研发团队成员来自DeepMind、Yandex、Amazon、Uber等一线科技企业，涵盖人工智能、系统工程、安全与产品等多个关键领域。这种“明星级”配置也为公司快速构建AI开发平台奠定了坚实基础。

二、公司产品

在AI重塑开发流程的浪潮中，Poolside选择了一条“全栈式”的路径，意在打造从底层模型到应用层助手的一体化平台，为软件工程师提供前所未有的协作体验。

图片

Poolside的产品架构由三大层级组成：

  1. 底层模型层：核心是专为代码与开发交互优化的大语言模型，通过对开源代码库与真实开发行为的微调训练，实现更精准的理解与生成能力；
  2. 中间件层：以API为桥梁，将模型能力嵌入到实际应用与开发流程中，支持集成到各类工具与环境；
  3. 应用层：则是开发者最直接的接触面——Assistant，一个集代码补全、对话式问答、代码审查与建议于一体的AI助手。

这一架构的设计理念，是让AI模型不再只是一个“后端算法”，而是嵌入式参与整个开发生命周期的“数字拍档”。

根据公司内部的一场演讲，Poolside的产品构建基于三条核心信念，明确与通用LLM拉开距离：

  1. 通用LLM无法胜任初级开发者的角色 当前通用大模型虽然能生成代码片段，却难以承担“能思考”的工程任务。这是因为它们“学的是代码知识”，而非“编程思维”。Poolside则通过其独创的RLCEF（基于代码执行反馈的强化学习）方法，将代码执行结果（如是否编译、是否通过测试、是否高效与安全）纳入训练反馈体系，从而培养模型具备更像开发者的“判断力”。
  2. 理解业务上下文才是关键 即使代码本身没有错，但如果不了解企业的业务逻辑和技术栈，就很难写出真正有价值的代码。为此，Poolside的模型不仅训练通用知识，更基于客户自身的代码库、文档和开发行为进行深度微调，使模型具备“业务感知”能力，甚至比一名孤立的人类开发者更懂整个开发流程。
  3. 安全必须“原地执行” Poolside被设计为“在客户安全边界内运行”的模型平台。数据永不外泄，所有训练与部署都在客户本地或受控私有云环境内完成。这不仅保障了隐私，也使其能服务于金融、医疗、政府等对数据合规要求极高的行业。同时，Poolside使用RLCEF生成的合成数据，避免依赖客户私有数据训练，进一步降低了数据风险。

1、核心模型：Malibu 与 Point

图片

截至2025年5月，Poolside发布了两款自主研发的核心模型：

  1. Malibu：旗舰级对话模型，专注于深度推理任务，如代码生成、测试编写、重构与文档生成。其最大token容量超过100万个，适合处理大规模上下文的复杂任务。
  2. Point：实时代码补全模型，可根据当前上下文预测开发者的下一个操作，同时提供算法与设计模式的优化建议。其最大token容量为10万个，更适合在编辑器中高频调用。

图片

这两款模型均通过RLCEF方法训练，并根据客户的代码环境进行微调，使其在每个企业内部都有定制化“语境”。

2、API接口与集成生态

Poolside还提供可定制化的API接口，企业可用其对自身代码库、内部文档与工具库进行专属模型微调，最终打造出“企业私有大模型”。这一能力尤其受到高度合规行业的青睐。

此外，Poolside已支持主流开发工具的插件化接入，包括VS Code、IntelliJ等IDE，以及Chrome、Safari、Firefox、Arc等浏览器，确保开发者可以无缝过渡到AI驱动的工作流中。

3、应用层产品：Assistant

图片

所有模型能力最终汇聚于Assistant——一个集成Malibu与Point的智能助手。Assistant能够实时撰写与编辑代码片段，回答技术问题，并根据开发上下文给出建议，其定位不仅是“助手”，更像是随时待命的“技术合伙人”。

尽管Poolside推出了应用产品，公司依然强调其核心竞争力在于模型能力本身。CEO Jason Warner在2025年3月公开表示，绝大多数企业应专注于构建AI应用，而非试图打造基础模型，除非企业的目标是深入推动“智能本身”的发展。

Warner认为，基础模型不应被视作单一产品，而应成为更广泛系统中的组件。他进一步透露，Poolside正以“通过软件实现通用人工智能（AGI）”为目标，并逐步进入更复杂的环境场景，如国防与政府系统。

三、市场格局

公司客户

截至2025年5月，Poolside尚未向公众开放。公司明确表示，其目标客户是拥有软件开发团队的企业级用户，而非面向个人开发者或小团队。这一定位，也决定了其产品设计与商业化策略更偏向于深度整合、安全部署与定制化模型。

尽管官方尚未公开具体客户名单，但Poolside已经开始与部分全球2000强企业与政府机构展开合作。由于部署模式强调数据安全和企业私有化环境，很多客户都将其用作核心研发系统的一部分，细节则高度保密。

有早期客户透露，目前Poolside的市场推进受限于几个因素：一是团队规模尚小，难以快速大规模扩张客户支持；二是GPU资源有限，算力成本与可扩展性仍需优化；三是自身LLM架构的体量与训练周期，也为模型定制带来一定挑战。这些问题，在早期ToB AI企业中普遍存在，但也是技术突破与商业平衡的关键节点。

从当前趋势看，Poolside极可能首先在金融、医疗、国防、能源等对数据安全极度敏感的行业实现突破，这些行业对AI开发助手的接受度正快速提升，但又不可能使用云端开放模型。而Poolside的“企业本地私有模型”策略，正好击中这类客户的核心诉求。

市场规模

从宏观来看，AI编程工具市场正处于爆发前夜。据行业预测，2024年该市场规模约为50亿美元，预计到2032年将达到270亿美元，复合年增长率（CAGR）高达24%。这一增长的驱动因素主要有两点：

  1. 软件开发者短缺危机：正如前文所述，全球开发者缺口将在2030年达到8500万，供需极度失衡，催生了大量“AI增能”工具需求；
  2. 开发复杂度持续上升：现代开发环境中，技术栈复杂、任务碎片化，对开发者的认知负荷与效率提出更高要求。AI工具能够承担基础性重复劳动，帮助开发者专注于核心逻辑与系统架构设计。

四、竞争对手

在AI重构软件开发流程的浪潮下，AI代码助手已成为技术创业最激烈的战场之一。GitHub Copilot与ChatGPT目前仍占据主导地位，分别有44%与82%的开发者在日常工作中使用它们。但这一赛道的版图正迅速扩展，2024年涌现出众多新兴玩家，包括Anysphere的Cursor、Magic、Windsurf（原名Codeium）、Cognition AI与Augment等。

尽管大多数竞品都集中于代码生成与补全，Poolside则通过专用模型与强化学习策略（RLCEF）形成技术护城河，力图在高度竞争的市场中脱颖而出。

图片

GitHub Copilot：广度优先的行业巨头

Copilot由GitHub开发，依托微软生态深度整合，是目前使用率最高的AI开发工具之一。其优势在于紧密结合GitHub平台，拥有包括Shopify、BMW、FedEx等在内的大量企业客户，并支持多个主流模型如GPT-4o、Claude 3.5 Sonnet等。

弱点在于其模型仍基于通用架构，功能更偏向“代码补全”，在自动测试、文档生成、逻辑优化等方面仍需手动介入。相比之下，Poolside更像一个“能独立思考的开发助手”。

Cursor（Anysphere）：增长最快的挑战者

Cursor在2025年完成了9亿美元融资，估值达90亿美元，并迅速从400万美元年收入增长到3亿美元，客户包括OpenAI、Midjourney与Shopify等。

Cursor支持从代码库中学习，并结合Slack、Jira等信息流进行上下文理解，具备多建议生成、错误修复、自然语言交互等能力。Poolside在个性化程度与上下文感知能力上与Cursor相似，但在模型训练机制与执行路径优化方面更胜一筹。

Magic：以“超长上下文”打破记忆限制

Magic的主打卖点是其超大上下文窗口，2024年推出的LTM-2-mini模型可支持1亿token的上下文，相当于1000万行代码。这使得其模型在面对超大型项目时可持续理解上下文而不“遗忘”，甚至完成无人工参与的复杂项目。

Poolside在上下文管理方面不追求极限宽度，而是强调语义深度与执行反馈结合，更适合需要高准确性与可控性的企业环境。

Windsurf（原Codeium）：高性价比路线与自托管选项

Windsurf于2025年被OpenAI以30亿美元收购，其产品提供免费层与企业自托管选项，覆盖700K+用户与1K+企业客户。类似Poolside，其也关注数据隐私问题，提供在企业内网运行的部署方式。

不过，Windsurf更倾向于面向中小型开发团队与开源社区，在企业级模型微调与复杂系统集成方面能力相对有限。

Cognition Devin：自动化的“AI开发者”尝试

Cognition推出的Devin标榜为“自主开发者”，可执行整个开发任务、部署应用、修复Bug，并在SWE-Bench基准上取得13.86%的无干预问题修复率，居行业领先。

尽管这种“全自动开发”的概念吸引眼球，但在实际企业场景中，可控性、定制性、安全性仍然是更重要的考量，而这正是Poolside的强项。

Augment：新锐综合型AI开发平台

Augment聚焦于AI与开发者的自然语言交互、代码建议与全代码库操作能力。团队人数虽小，但增长迅速，融资规模已近10亿美元。

Poolside则以更深层次的模型训练机制为基础，致力于成为大型企业系统的“智能中枢”。

五、商业模式

Poolside并未采用通用SaaS常见的“固定月费”或“席位订阅”模式，而是采取基于使用量的动态定价（pay-per-use）策略，更贴合其服务企业级客户、深度集成模型的特点。

一位Poolside企业客户透露，该平台采用“弹性扩展的计价机制（scale-out model）”，即客户使用服务越多，享受的价格激励与折扣越多，呈阶梯式下调。这种方式非常适合希望将AI助手深度嵌入开发流程、并在团队层面广泛部署的中大型企业。

定价参数涵盖多维度服务指标：

  1. 代码处理量 客户被按“处理或翻译的代码量”计费，例如AI协助重构、生成或分析的行数。
  2. 任务类型与资源配置 根据具体任务对计算资源的需求进行区分，例如运行在哪类GPU上（如A100、H100等），是否调用大模型，以及使用时间长度等。
  3. 附加服务与技术支持 如需进行性能测试、安全审计、基准评估（benchmarking）等增值服务，或要求更高级别的售后支持服务，也会计入总费用。

六、重大进展

随着企业客户对AI代码助手需求的加速增长，Poolside 正将其超过6亿美元的融资资源投入到算力与模型能力的双重扩展上。

大规模训练集群：迈向10,000张Nvidia GPU

Poolside计划将训练集群规模扩展至10,000张Nvidia GPU，以支撑未来更强大的大模型训练需求。当前，Poolside的两个核心模型（Malibu与Point）已基于超过50万个开源代码库进行训练。这不仅为其模型带来丰富的实际开发样本，也为RLCEF机制提供了广泛的“执行反馈训练素材”。

这种超大规模的GPU集群建设，标志着Poolside正向“模型平台型公司”转型，具备与行业头部模型厂商在模型深度与训练质量上直接竞争的实力。

云原生合作：与AWS深度绑定，接入Amazon Bedrock

2024年12月，Poolside宣布与AWS达成战略合作，其AI助手Assistant与基础模型将通过Amazon Bedrock平台提供。Bedrock是AWS提供的一站式模型接入平台，允许企业用户通过统一API调用不同厂商的基础模型服务。

这一合作使得企业用户可在AWS的安全边界内使用Poolside模型，既保留了私有化部署的合规优势，又获得了云端服务的弹性扩展能力。对于对数据安全与监管要求较高的行业（如金融、政府、医疗等），这是一个极具吸引力的解决方案。

七、融资估值

2024 年 10 月完成了由 Bain Capital Ventures 领投的 5 亿美元融资，投后估值高达 20 亿美元。这一轮融资阵容豪华，除 Bain 外，还包括 eBay、Nvidia、花旗创投（Citi Ventures）、Redpoint 以及 Adams Street 等知名机构或企业。

而在此之前，Poolside 曾于 2023 年 8 月完成了 1.26 亿美元的种子轮融资，当时估值为 5.26 亿美元。该轮由 Felicis、Redpoint Ventures 和法国电信大亨 Xavier Niel 共同领投，Bain Capital Ventures、Air Street Capital 以及 Scribble Ventures 等也参与其中。

Poolside 作为 AI 创业公司在短短一年间估值翻了近四倍，反映出投资人对其技术潜力和市场前景的高度认可。这类快速崛起的 AI 新贵，也进一步印证了生成式 AI 领域在资本市场持续升温的趋势。根据累计融资额排名，Poolside也一直居于硅谷科技评论SVTR.AI创投榜AI编程赛道榜首，直到最近被Cursor反超，位居第二。

八、关键机遇

在大模型竞争日益激烈的背景下，Poolside 凭借其独特的训练方法和基础设施部署策略，正在构建差异化优势。虽然目前在客户支持上仍有短板，但其在技术路径上的前瞻布局和战略合作，正在为下一阶段的增长奠定基础。

1、强化学习：用“反例”训练大模型的新范式

Poolside 最大的技术卖点在于其 RLCEF（Reinforcement Learning with Code Execution Feedback）训练体系。这种方法的独特之处在于，它不仅让模型学习“怎么做”，还让模型通过大量失败和中庸的反馈学会“不要怎么做”。具体而言，Poolside 能够从客户代码库中提取超过 1 万个子任务，在模拟环境中反复执行代码，并采集模型在不同质量输出下的反馈。这一过程有效构建了一个闭环的“试错-改进”机制。

更重要的是，这种基于真实执行结果生成的大量合成数据，在新一代模型训练中具有极高价值。当前业界普遍面临的数据瓶颈问题——尤其是在结构化、高质量样本匮乏的背景下——Poolside 的方法有望提供一种“自给自足”的解决方案。随着模型训练日益依赖大规模、标注复杂的数据，RLCEF 作为一个能持续输出优质训练素材的体系，将成为 Poolside 面对巨头竞争的核心武器。

2、合作部署：借云平台解决服务瓶颈

尽管技术方向领先，但 Poolside 在客户规模化使用上仍面临现实挑战。截至 2024 年底，不少企业客户反馈其交付支持不足，尤其是在企业本地私有网络中部署模型这一差异化策略上。对于大型组织而言，本地部署对运维和支持要求更高，而 Poolside 当前团队规模尚无法完全覆盖这些需求。

为了破解这一短板，Poolside 正在寻求通过基础设施合作来“绕开”人力瓶颈。目前，公司已与 AWS 及其 Bedrock 平台达成合作，客户可以通过一个 API 接口直接将模型部署到虚拟私有云中。这种“零接触部署”模式，显著提升了模型的可访问性，也为 Poolside 在面对大型客户时提供了更具弹性的解决方案。

九、主要风险

尽管 Poolside 在训练方法和数据策略上展现出不俗实力，但从技术走向产品、再走向市场的过程中，它仍面临几项不可忽视的风险。

1. 计算资源：规模难题的现实制约

AI 模型的训练不仅依赖算法和数据，算力（compute）本身就是护城河。更强大的计算能力，意味着可以处理更复杂的数据、做出更精细的判断，也决定了模型能否持续进化。

Poolside 的联合创始人 Warner 曾坦言，公司最终必须自建数据中心，以应对不断增长的算力需求。虽然 Poolside 已在数据质量方面通过 RLCEF 构建了一定优势，但面对如 OpenAI、Anthropic、以及 Anysphere 等同样押注代码生成领域的玩家，算力争夺战已经打响。从 GPU 获取到算力调度、从训练基础设施到推理部署，Poolside 如果无法提升自身的计算资源自主权，很可能在模型迭代速度与性能表现上被边缘化。

尤其在“生成式代码”这一赛道爆发式增长的背景下，算力将成为竞争的第一道门槛。Poolside 若无法在短期内实现算力基础设施的升级，将限制其规模化扩张的能力。

2. 差异化困境：功能同质化带来的竞争风险

从市场格局来看，Poolside 并非孤军奋战。当前有大量初创公司在提供类似的代码生成和辅助工具，产品形态从插件型助手到 IDE 一体化平台不等，形成了一定程度的“功能同质化”。

在这样的背景下，Poolside 必须突破“写代码”这一单一场景，扩展至整个软件开发生命周期（SDLC），才能真正建立壁垒。正如 Warner 所指出的，未来 AI 在软件开发中的价值不止于代码生成，而在于贯穿整个开发流程：从自动维护复杂依赖项、到理解项目上下文、再到集成 Slack 等协作工具中的语义学习。

如果 Poolside 停留在“代码助手”这一浅层功能，终将陷入与 GitHub Copilot、Cursor 等对手的正面竞争，难以形成明显的产品区隔。唯有进入软件工程的“操作系统层”，才能获得用户粘性与长期价值。

十、全文总结

随着 AI 技术加速渗透软件开发流程，企业对自动化工具的依赖迅速上升，以缓解开发者短缺、提升工程效率。在这一趋势下，像 Poolside 这样的产品，不再只是“效率工具”，而是有潜力演变为组织级软件能力的中枢系统。

Poolside 的创始团队来自 GitHub Copilot 核心开发团队，具备一线打造开发者工具的实战经验。他们对“AI 如何与开发者协作”的理解，远超市场上大多数玩家。正是这种深度认知，让 Poolside 有机会在生成式代码赛道中，正面挑战 Copilot 的市场主导地位。

但真正的竞争优势，不在于更快的代码补全速度，而在于思维范式的跃迁。如今的 AI 编程工具大多还停留在“写得更快、改得更准”的初级阶段，而企业级开发的真实需求远比这复杂。它涵盖了版本控制、依赖管理、团队协作、持续部署，甚至跨工具、跨部门的信息流整合。

今天，AI 编程工具正从“语法智能”进化到“架构智能”的深水区。Poolside 若要成为下一代开发平台的代表，必须完成从“代码助手”向“开发大脑”的根本转变。