每個 PR 都要過的撞擊測試：Raindrop 募得 5,000 萬美元，要讓 AI Agent 不再在線上出包

AI agent 悄悄出現了一種傳統軟體從未有過的失敗模式：它們會以極具說服力的方式做錯事，而且是大規模地做，直到有人碰巧發現為止。沒有 stack trace，沒有 500 錯誤。Agent 只是用滿滿的自信給出一個錯誤答案——幻覺出來的事實、誤用的工具、模型升級帶來的微妙行為漂移——然後繼續跑下去。2026 年 9 月 17 日，舊金山新創 Raindrop 宣布總募資達到 5,000 萬美元，並推出一款專為這個問題打造的產品，而這輪投資人的名單，簡直是「agent 可靠性」這個命題的重量級背書。

官方宣布了什麼

Raindrop 完成了由 CRV 領投的 A 輪募資，總募資額來到 5,000 萬美元。本輪的確切金額並未公開，但股東名單說明了一切：2025 年 12 月種子輪就進場的 Lightspeed Venture Partners 與 Y Combinator 繼續加碼，Figma Ventures 與 Vercel Ventures 也參與其中。最值得注意的是，OpenAI、Anthropic 與 Thinking Machines 的資深研究員以個人名義投資。當打造前沿模型的人用自己的錢投一家失敗偵測新創，這個訊號值得解讀。

與募資同時，Raindrop 推出了 Simulations，目前處於 research preview（早期存取正在擴大，官方承諾「未來一個月內」全面開放）。公司也確認了客戶名單，包括 Vercel、Framer、Clay，以及醫療與物流領域多家未具名的財富 100 大企業。

產品核心：看見你的變更將會改變什麼

Raindrop 現有的平台是 agent 的生產環境監控系統。它讀取線上 agent 的完整軌跡——每一次執行、每一次工具呼叫、每一個決策——然後標記出公司所謂的語意異常（semantic anomalies）：幻覺答案、不當的工具使用、卡在迴圈裡的 agent，以及團隊升級底層模型後出現的行為變化。問題會在使用者抱怨之前就出現在 trace 裡，工程團隊能看到什麼變了、從何時開始、影響了哪些用戶。

Simulations 則把這套邏輯往上游延伸，推到變更上線之前。產品在每一個 pull request 上執行，回答一個傳統評測無法回答的問題：這個變更實際上會改變什麼？

機制講起來很簡單：Simulations 會把真實的生產流量與團隊現有的測試案例，重播到 agent harness 的提議變更上，然後對結果套用 Raindrop 的異常偵測。團隊一方面能用自己預期到的測試案例衡量效能，另一方面也能偵測到預期之外的行為變化——那些沒有人寫過測試的問題。

困難之處，正如公司自己解釋的，在於要做到 harness 無關（harness-agnostic）。你不能只是重播網路呼叫或舊 trace 裡快取的工具回應。如果開發者新增了一個全新工具，歷史 trace 裡根本沒有它的紀錄。如果團隊把整個 harness 遷移到新的執行環境，舊的重播就毫無用處。Raindrop 的答案是：真正模擬 agent 周圍的整個世界。團隊的心智模型是瑞士起司：每一個被記錄下來的工具呼叫，都是一個洞，讓你看見底層世界的真實狀態，而這些洞就成了重建合理測試環境的原料。

為什麼是現在：Agent 變長了，失敗也變貴了

兩個數字解釋了這一切有多急迫。METR 的研究顯示，自 2019 年以來，前沿 AI agent 能以 50% 可靠度自主完成任務的長度，大約每七個月翻一倍。而在今天的生產環境中，單一 agent 執行可以持續數天、涉及數千次工具呼叫。

「Agent 現在一跑就是幾個小時、呼叫數千個工具、處理真正的錢、真正的健康資料和真正的客戶，」Raindrop 執行長 Zubin Koticha 說。「當 agent 失敗時，它是以極具說服力的方式、大規模地做錯事，直到有人碰巧注意到。」

執行時間越長，單一錯誤決策的爆炸半徑就越大。一個在 4,000 步執行中第 40 步就開始迴圈、幻覺或誤用工具的 agent，不只是給出錯誤答案——它可能一路上已經在真實系統裡採取了真實行動。領投種子輪的 Lightspeed 合夥人 Bucky Moore 講得直接：隨 agent 部署進國防、醫療與金融服務，壞行為不再只是不便，而是責任。

還有一個 Raindrop 大方承認的情報戰角度。公司聲稱 Simulations 是前沿實驗室以外的一般公司，第一次能接觸到這些實驗室內部使用的訓練與測試流程。OpenAI 最近發表了部署模擬（deployment simulation）研究——用候選模型重新生成去識別化的生產對話回應，在發布前預測不當行為率。Anthropic 則打造合成宇宙（synthetic universes）來訓練與壓力測試它的 agent。Raindrop 等於是把這套方法論產品化，賣給所有人。

創辦團隊

Raindrop 由 Zubin Koticha（CEO）、Ben Hylak（CTO）與 Alexis Gauba（COO）共同創辦。Koticha 與 Gauba 先前共同創辦密碼學新創 Apache（安全計算、ZEXE），Hylak 則在 Apple 打造過自主智慧 agent，之後待過一家 ML 觀測公司。這家九人規模的舊金山團隊，帶著與問題高度對症的傷疤：在 Robinhood 打造詐欺 transformer 模型的工程師、開創 Pinterest 推薦系統的人、在 Square 做惡意異常偵測的人，以及來自 Segment、Semgrep 與 Socket.dev 的資安工程師。

這個背景直接反映在 Raindrop 對品類的定位上。「Agent 與傳統軟體有根本上的不同。它們能力強、自主、且非確定性，」CRV 普通合夥人 Reid Christian 說。「Raindrop 把 agent 失敗當成一個偵測問題來處理，就像一家資安公司那樣。」這是把入侵偵測的劇本套用到你自己的軟體上——假設失敗必然發生且難以察覺，然後建出抓住它的感測器網格。

客戶的說法也印證了這個定位。「如果我們遇到建置失敗或 agent 卡在迴圈裡這類問題，我們會在 Slack 上看到，」Vercel 的 AI 工程師 Bani Singh 說。

擁擠的賽道，獨特的賭注

嗅到機會的不只 Raindrop。groundcover 七月募了 1 億美元做 AI 時代的可觀測性；Scaled Cognition 六月從 Khosla Ventures 拿了 1 億美元做可靠 agent；Harvey 本月稍早收購了 Guardrails AI。各家 pitch 的差異在於介入點：設計時的護欄、執行時的監控，還是部署前的測試。

Raindrop 的賭注有兩層。第一，agent 可靠性終究是偵測問題而非設計問題——你無法用規格窮舉擺脫非確定性。第二，槓桿最高的介入點是 pull request：人類的手還在鍵盤上、壞變更回滾成本為零的那一刻。如果 agent 未來要一跑數天，整個產業最後一個便宜的檢查點就是 PR——而 Simulations 想成為在那裡執行的撞擊測試。

這個賭注尚未定局。Simulations 還在 research preview，是與財富 100 大夥伴手工打造出來的，全面開放還要一個月。但隨著 agent 任務視野每七個月翻一倍，「agent 做了件怪事」與「agent 釀成災難」之間的窗口正在快速關閉——而抓住它的市場，也隨之升溫。

Raindrop 表示正在全面徵才，重點放在 go-to-market 與 ML 工程。