Plurai宣布获得1300万美元种子轮融资，由Team8领投，并向所有开发者开放企业AI智能体仿真平台。平台通过模拟企业工具、知识库和业务规则寻找失误，再连接修复与任务专用模型后训练；公司披露的降本和可靠性改善数据仍需结合具体任务与独立验证评估。
Plurai于2026年11月11日宣布获得1300万美元种子轮融资，并将此前面向特定合作伙伴和客户的智能体仿真平台向所有开发者开放。公司希望解决的，不是如何让AI智能体完成一次漂亮演示，而是它们接触真实用户、企业工具和业务规则后，能否持续可靠地工作。
根据Plurai通过美通社发布的公告，本轮融资由Team8领投，U&I、Velocity和Mercer参与，另有包括CyberArk创始人Udi Mokady在内的天使投资者支持。公告同时称，平台提供免费层级，开发者可以从Claude Code、Codex和GitHub Copilot等现有工具接入。
这份材料是公司新闻稿，而非美通社对产品效果的独立调查。融资与开放范围的变化可以据此确认；有关可靠性、成本和自动改进的说法，则需要区分产品设计、公司案例与独立验证。
从检查答案，转向模拟整个工作环境
企业智能体的风险不限于回答错误。它还可能调用错误工具、在不合适的时机采取行动，或完成了表面任务，却违反公司政策。仅对最终文本评分，未必能解释这些失误如何沿着多步工作流程发生。
Plurai提出的办法，是用客户的知识库、工具和政策，为智能体及其运行环境建立“数字孪生”。按照公司的描述，平台在沙盒中模拟大量正常及对抗性用户，寻找政策违规、幻觉、错误操作、工具调用失败、任务未完成和敏感数据泄露等问题。这里的数字孪生主要指企业数字工作环境的模拟，并非自动驾驶中的道路或物理世界建模。
其公开接入页面展示的流程包括扫描智能体环境、由用户批准环境拓扑、可选接入生产运行轨迹，以及生成场景和相应评估。页面还将环境表示为带有状态转移概率的流程图，强调测试应覆盖不同路径，而不只是重复相似对话。
这个设计的关键，是把“企业规则”纳入测试对象。一个通用模型即使语言能力更强，也不会自动知道某家公司的报销边界、数据库权限或工具使用条件；这些约束仍须由系统提供，并在实际任务中检查是否得到遵守。
“自我改进”具体指什么
Plurai并不只想出售一套发现错误的测试工具。根据公告，它还会针对发现的失败生成修复方案，并利用模拟数据对任务专用的小语言模型进行后训练。
公司为这些小模型设想了两类生产用途：一类直接承担原本交给较大模型的特定任务，以降低运行成本；另一类充当持续运行的评估器和防护机制，检查智能体行为是否符合政策。生产中发现的新失误再反馈到仿真环境，形成“模拟、修复、后训练、再测试”的循环。
因此，这里的“自我改进”应理解为一条连接测试、修复和模型训练的工程流程，而不是智能体已经能够脱离人工监督，自行判断并安全部署任何修改。接入页面也提到，在交付前用回归测试检查修复，并用生产轨迹确认修复是否奏效。
公司联合创始人、首席执行官Ilan Kadar与首席技术官Elad Levi此前均在Nexar工作，具有自动驾驶相关AI系统的研发经历。两人试图借鉴的，是在上线前主动寻找罕见故障、上线后继续从失败中学习的思路，而不是证明企业智能体已经具备与自动驾驶系统相同的验证标准。
降本数字需要放回具体任务
Plurai披露，在设计合作伙伴中，开发周期从数月缩短至数小时，影响真实用户的失败减少82%，可靠运行智能体的成本降低97%。这些数字来自公司的合作案例；新闻稿没有给出足以支持普遍外推的样本规模、统一失败定义或完整对照条件。它们不能被理解为任何企业接入后都会得到相同比例的改善。
另一组“40至44倍成本差异”的说法，有更具体、也更狭窄的背景。Plurai在2026年10月21日发布的技术案例中介绍，与Nebius和NVIDIA合作，为一家未具名全球企业优化从对话中提取结构化业务信息的模型。
按该案例，团队用3722段由教师模型标注的对话，对开放模型进行后训练。公司报告，其后训练的Nemotron 3.5 Lightning在真实生产对话上的质量得分为88.8，Claude Haiku-5.5为78.4，GPT-6 Luna为88.6；相应成本比较分别为Claude的约四十四分之一和GPT的约四十分之一。
这与“在所有任务上超越前沿模型”有本质区别：它比较的是特定客户、特定信息提取任务，以及指定模型和部署条件。案例正文对GPT的描述也是质量相当，而非全面领先。其模型推理成本比较，亦不能直接替代企业对数据接入、训练、评估和持续运维总成本的核算。上述结果由Plurai公布，不是本文独立复测；该案例也早于此次融资公告，并非11月11日才首次出现的新成果。
开放接入之后，仍要验证什么
仿真正成为智能体评估的一条重要技术路线。本站此前介绍的OpenAI部署仿真方法，侧重通过真实对话回放预测发布风险；Plurai此次强调的，则是企业环境建模，以及把测试结果连接到修复和任务专用模型训练。两者不是同一产品或同一事件，但都说明单次基准测试难以替代对部署行为的检查。
对企业而言，仿真的价值取决于模拟环境是否足够接近真实业务，以及测试没有覆盖到什么。若权限关系、工具反馈或用户行为被简化，沙盒中的通过结果仍可能无法延续到生产环境。修复某一失败，也需要检查是否引入其他回归。
免费开始同样不等于无限免费，更不能据此推定企业数据存放地点、保留期限、访问权限或合规条件。准备接入知识库和生产轨迹的团队，仍应逐项确认这些边界，并以自己的业务数据和验收标准衡量结果。
此次融资和扩大开放范围，使Plurai的方案能够接受更多开发者检验。它能否成为企业智能体的长期基础设施，最终要看可重复的业务表现：是否真正减少用户遭遇的失败，是否在计入完整工程成本后仍具经济性，以及每一次修复能否经受新的真实场景考验。