Autoheal собра 7,9 милиони долари: AI-агентите сами си ги поправаат грешките

Autoheal објави почетна рунда од 7,9 милиони долари на 28 септември 2026 година, со соопштение од Сан Франциско. Рундата ја предводеше Innovation Endeavors. Компанијата го развива својот систем за создавање, надзор и подобрување на AI-агенти што извршуваат инженерски задачи. Системот открива слаби резултати и подготвува поправки, но инженер треба да ја одобри промената пред таа да стане активна.

Unite.AI ги наведува Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures и Param Hansa Values како други учесници во рундата, а Сид Чоудхури, Уткарш Ом и Пунеет Сарасват како основачи. Платформата е насочена кон работата по пишувањето код: истражување инциденти, отстранување ранливости и контрола на трошоците за AI-модели. Токму таму е проблемот што компанијата сака да го реши: агентот може брзо да се создаде, но неговата работа мора да се мери и контролира додека се менуваат системите во кои дејствува.

Што треба да овозможи новата рунда

Autoheal развива заедничка околина за специјализирани агенти, наместо секоја инженерска задача да се автоматизира изолирано. Таа ги поврзува постојните агенти за кодирање со складишта за код, автоматски проверки, податоци за работата на услугите, облачни околини и евиденција на задачи. Намерата е агент што истражува инцидент да има пристап до релевантните промени, проверки и сигнали, со правилата за пристап што ги поставила организацијата.

Според описот на платформата, Autoheal може да оценува претходни сесии и од агенти како Claude Code, Codex и GitHub Copilot, а предложените измени во вештини, меморија и поставки ги остава за одобрување. Платформата предвидува и следење на секое извршување, ограничувања на трошокот и правила за дејства што бараат човечка одлука. Тоа се функции што компанијата ги опишува за производот; нивното постоење само по себе не покажува колку добро агентите работат кај различни клиенти.

За софтверски тим во Северна Македонија што одржува услуги за повеќе клиенти, прашањето е конкретно: дали истото правило за пристап, оценување и преглед важи за секој агент што работи во таа околина. Едно успешно извршување покажува дека агентот ја завршил таа задача. Низа оценети извршувања може да покаже дали неговото однесување се менува кога ќе се сменат кодот, инфраструктурата или упатствата.

Како се подготвува поправка на агент

Циклусот почнува со резултат од извршена задача, а не со самостојна промена на продукциски код. Во описот на SiliconANGLE, надзорниот агент Evaluator ја оценува работата на другите агенти преку сигнали како неуспешни автоматски проверки и пријавени инциденти. Кога резултатот е слаб, Healer отвора предлог за промена на упатствата, алатките, вештините или изборот на модел.

Условен пример го покажува редоследот: агент предлага поправка на грешка, но проверката на кодот потоа открива дека решението не поминало. Evaluator го поврзува неуспехот со тоа извршување и го оценува резултатот. Healer може да предложи поинакво упатство или потесен пристап до алатка за следните задачи. Примерот го објаснува механизмот; тој не е пријавен инцидент кај клиент на Autoheal.

Предлогот потоа се проверува врз историски извршувања. Целта е да се види дали измената го подобрува слабиот случај без да ги влоши задачите што претходно биле успешно завршени. Ова е важна разлика: подобар резултат на една задача не гарантира подобро однесување на сите други. Проверка врз стара историја може да открие такво влошување пред инженерот да одлучи дали ќе ја прифати измената.

„Самоподобрувањето“ во овој систем затоа се однесува на автоматско откривање на слаб резултат, составување предлог и негова проверка. Предлогот е промена на начинот на кој агентот ќе работи во иднина, а не доказ дека првичната грешка во софтверот веќе е отстранета. Квалитетот на целиот циклус зависи и од оценката: ако сигналите погрешно го мерат успехот, Healer може доследно да предлага промена што не го решава вистинскиот проблем.

Кога одлучува инженерот

Предложените промени се верзионираат во Git и се отвораат како pull request за преглед. Инженерот ја одобрува секоја промена на однесувањето пред таа да стапи во сила. Така автоматската оценка води до проверлив предлог, а одлуката кој предлог ќе го користат агентите останува кај тимот.

Одвоениот предлог му овозможува на инженерот да ја види причината за измената, што точно се менува и како таа поминала при проверката со претходни извршувања. Ова е особено значајно кога агент работи со податоци за инциденти или со продукциски системи: погрешно упатство може да се повторува при секоја идна задача. Верзионирањето остава трага и за подоцнежен преглед на одлуката.

Во објавата на основачите, Самир Џејн од Nomura Bank вели дека Autoheal го скратил времето за истражување инциденти „from hours to minutes“. Тоа е сведоштво на клиент, без објавена методологија за споредба меѓу повеќе организации. Истата објава опишува работа во облачната околина на клиентот, со неговите контроли за пристап, што помага да се објасни зошто одобрувањето е дел од процесот.

Следната проверка е во поширока употреба

Autoheal планира да развива и помали модели прилагодени на приватните инженерски податоци на секој клиент. Тоа е следна развојна насока, додека тековниот производ се потпира на поврзување на постојни алатки, оценување на извршувањата и контролирани промени на агентите. Објавените искуства со истражување инциденти покажуваат каде компанијата веќе ја применува платформата.

За инженерските тимови, следната важна мерка ќе биде дали предложените измени постојано го подобруваат резултатот на различни задачи и колку работа бара нивниот човечки преглед. Податоци споредливи меѓу повеќе клиенти за успешноста, времето и трошокот по завршена задача би покажале дали циклусот останува корисен и кога бројот на агенти расте.

Прочитајте и:

• Ando собра 20 милиони долари: AI-агентите влегуваат во тимскиот разговор
• Restate собра 20 милиони долари: AI-агентите го поскапеа надежното извршување
• Verizon вложува 70 милиони долари во AI-вештини, обуката е бесплатна