文 | 阿尔法公社

AI编程的浪潮到了2025年仍然没有停息。最近，OpenAI拟以30亿美元价格收购AI编程助手初创公司Windsurf的消息闹得沸沸扬扬，Cursor的母公司Anysphere也获得9亿美元的巨额融资，估值达到90亿美元。

Anthropic的创始人Dario Amodei甚至喊出到2025年的年底，90%的代码将由AI编写的口号。

但是这也带来一个问题：这些AI生成的代码靠谱么，能够用到生产环境中么，一旦发生了问题，该怎么办？

一家叫Lightrun的公司试图解决这个问题，它们推出了一款基于AI的软件可观测和调试工具，名为Runtime Autonomous AI Debugger，这个工具能够在集成开发环境（IDE）中精确定位导致问题的代码行，还会提供代码修复建议，帮助开发者把Debug的时间从以往的几天，几小时，缩短到几分钟。

近日，Lightrun完成由Accel和Insight Partners领投的7000万美元B轮融资, 花旗集团、Glilot Capital、GTM Capital和Sorenson Capital亦参与了本轮融资。此轮融资后，该公司融资总额已达1.1亿美元。

AI软件可观测和调试工具，让Debug从“事后诸葛亮”到“未雨绸缪”

Lightrun成立于2019年，由首席执行官Ilan Peleg和首席技术官Leonid Blouvshtein联合创立，Ilan Peleg和Leonid Blouvshtein都是资深的软件工程师，Leonid Blouvshtein更是连续创业者，还入选过福布斯30 under 30。

Lightrun在创业之初瞄准了软件开发者的一大痛点：软件的调试，尤其是在生产环境中调试。举例来说，一旦运行中的软件出现问题或错误，开发者就需要在本地环境复现问题并解决问题，这一过程往往耗时数小时，而且会导致软件服务停机，直接对公司的盈利造成影响。例如，对于福布斯“企业2000强”而言，生产环境停机每年造成的损失高达4000亿美元。

更严重的是，开发者在软件开发阶段（上线前）缺乏工具来获得对性能影响的代码级可见性，因此只能等问题出现以后，再“亡羊补牢”式的解决问题。

Lightrun提供以开发者为中心的可观测性平台，允许开发者在现有的集成开发环境（IDE）和工作流中，实时地向生产和预演环境的代码添加日志、指标和追踪信息，从而更快地解决bug，缩短解决生产问题的时间。

不仅如此，它还使得软件运行时及其他可观测性指标能够在开发阶段就得到考量。这使得一定程度上，开发者可以在软件上线前，就最大程度地解决bug。

将Debug的时间从几天，几小时，缩短到几分钟。

AI编程浪潮从2023年下半年兴起，到了2025年，Vibe Coding的风潮，则让Lightrun乘上了快速增长的春风。

一方面，AI模型生产商们把编程能力当成了模型最重要的性能指标之一，AI编程公司们也不断获得收入和融资。据估计，到2032 年，AI代码工具市场规模将达到300亿美元。

另一方面，AI写成的代码要进入生产环境，它的可靠性会被打上一个大大的问号，因为AI模型目前的局限性（例如代码幻觉），它生成的代码可能会有更多bug，而运营可靠性是首席信息官（CIO）们关注的核心之一。

对于开发者，多项研究表明开发者20%的时间用于编码，30%用于测试，有高达50%的时间在软件上线运行后用于调试和故障排除（Debug）。他们可能会疑问，AI帮助他们减轻了花20%时间的编码工作，会不会加重花50%时间的调试和Debug工作呢？

Lightrun适时推出了一款名为Runtime Autonomous AI Debugger的软件可观测和自动调试工具。

这款工具能够从最初的工单开始，自动化整个调试过程，它甚至能在集成开发环境（IDE）中精确定位导致问题的代码行，还会提供代码修复建议。

这意味着，过去需要花费数小时仔细查阅日志、深入代码查找问题根源、最终开发修复方案、测试并部署的过程，如今可能只需几分钟，这重新定义了可观测性和软件调试。

具体来说，这个AI自动调试工具能够执行以下任务：

• 实时分析日志、追踪信息和指标以检测异常。

• 跨微服务和分布式系统关联相关事件。

• 在潜在故障影响用户之前进行预测。

• 基于历史数据和模式识别建议修复方案。

而它解决问题的具体流程是：开发者向AI自动调试工具提供问题工单以供分析 → AI自动调试工具定位相关的源代码文件 → AI自动调试工具提出问题排查建议，并给出关于问题根本原因的假设 → 开发者使用Lightrun操作来验证该根本原因假设 → 根据AI自动调试工具建议的修复方案，修复阶段随之启动 → 问题得到修复。

Lightrun的软件界面

在这个工具背后，是Lightrun专为自动化实时生产调试而设计和微调的生成式AI模型，它利用基于公司上下文的可观测性数据、日志以及开发者可在运行时添加到软件中的遥测数据进行训练。

对于未来的产品发展方向，Lightrun表示，计划继续扩展产品规模、提升其能力，充分发挥其由AI赋能的自主能力，推动行业从“事后诸葛亮”式的可观测性转向主动、自主的问题解决，引领下一波可观测性浪潮——从传统监控转向全面修复。

2024年收入增长4.5倍，获得花旗、微软等大客户

在客户获取方面，Lightrun既采用了自下而上也采用了自上而下策略。自下而上，面向开发者，Lightrun通过开发者渠道和社区进行推广，鼓励使用并收集反馈。

自上而下，Lightrun接触大型企业的研发管理层，例如研发副总裁、研发总监等，向他们展示其产品如何帮助公司节省开发资源并提升客户满意度。

在这两种策略的推动，并且搭上AI编程的风潮后，Lightrun在2024年收入同比增长4.5倍，并且已经签约多家财富500强企业，包括花旗集团、ADP、AT&T 、微软、Salesforce 、SAP和NYSE（纽约证券交易所）。

AI应用发展带来的问题，就是工具类创业的机会

随着AI应用的爆发，暴露出一些AI存在的问题，也给有能力解决这些问题的创业公司提供了新的机会。此前，我们连续介绍了两家解决AI应用安全问题的公司Cyberhaven和Reco，这次的Lightrun则瞄准了一个更狭窄也更精准的方向。

另一个值得注意的点是，这些公司尝试用AI来管AI，Cyberhaven是训练了大型溯源模型 (Large Lineage Model, LLiM)，而Lightrun则是在现有的大模型上用特定的数据进行微调，而在微调模型的过程中，Lightrun发现，模型本身能力的提升能够让他们的产品功能更好的完成，并且降低成本，就像Claude 3.5出现之后，AI编程类产品才真正开始腾飞。

Lightrun可以看作是AI时代的软件可观测性产品，在此之前可观测性产品已经相对成熟，Datadog就是其中的典型代表，它现在已经是市值360多亿美金，年收入20亿美金以上的上市公司。

但是与Lightrun相比，它更偏向传统的监控和运维，并且智能化程度和细腻程度均有不足。例如，Datadog可以告诉客户哪个服务慢了，错误率是多少，是否有安全威胁？而Lightrun可以把问题定位到出现问题的那一行代码，并且告诉客户为什么有问题，应该怎么改。

同时，Datadog更多是帮助客户在发生问题后快速亡羊补牢，而Lightrun则致力于在软件上线前将bug发现并改掉，防患于未然。

当然，所有软件可观测性产品的一个核心目的是降低MTTR（平均停机时间），因为现在绝大多数的软件服务都假设在云上，每一次长时间的服务中断，都会产生大量的成本花费。

在中国，阿里云、华为云等大公司和观测云等创业公司也设计了可观测性业务，但是主要做的是APM（应用性能管理），还没有能达到代码行精度定位问题，并且提前解决bug的AI产品出现。