4人创业公司Arga Labs拿到1000万美元种子轮，不训模型不做聊天机器人，而是复制Slack、Stripe、GitHub让智能体先在副本里试错，出错就清空重来。客户已跑超10万次测试，智能体时代的测试对象正从一句话变成一连串真实动作。

一家只有 4 个人的创业公司，刚拿到 1000 万美元种子轮融资。

它没有训练新模型，也没有再做一个聊天机器人。Arga Labs 做的事情听起来更笨重。它复制 Slack、Stripe、GitHub、Gmail 和 Salesforce，让 AI 智能体先在这些副本里工作，出错以后清空数据，再来一次。

General Catalyst 领投了这轮融资，BoxGroup、Emergence、Gradient 和 SV Angel 等机构参与。Arga Labs 说，客户已经在它的环境里运行超过 10 万次测试。公司官网列出了 30 种可以启动的服务副本。

Arga Labs 宣布完成 1000 万美元种子轮融资

这笔融资让我们注意到一块正在快速长出来的基础设施。过去，AI 产品最常测的是模型会怎样回答。现在，智能体开始替人发邮件、改客户资料、退款、建工单和合并代码，测试对象已经从一句回答变成一连串真实动作。

模型答错一句话，通常还能让人重新问。智能体在 Stripe 里多退一次钱，问题就没有这么轻了。

01 四个人的公司

Arga Labs 成立于 2025 年，是 YC 2026 年春季项目中的公司。YC 公开页面显示，团队目前只有 4 个人，总部在旧金山。

两位创始人 Phillip Li 和 Akira Tong 认识得很早。他们在英属哥伦比亚大学的一门微积分课上相识，当时 Akira 只有 14 岁。Phillip 后来在 Amazon 做过一套内部开发工具，据他的 YC 资料介绍，这套工具每年可以节省超过 10 周的工程时间。Akira 曾在 Stripe 做软件工程，也曾在 Goldman Sachs 做量化工作。

他们盯上的问题并不新。软件公司一直有测试环境、模拟接口和预发布系统。Stripe 自己就提供沙盒，让开发者模拟支付。WireMock 一类工具也能按照预先写好的规则返回接口结果。

智能体让这个老问题突然变难了。

传统程序的路径大多由工程师提前写好。输入什么，调用哪个接口，应该返回什么，测试人员通常心里有数。智能体会自己决定下一步。它可能先看 Gmail，再查 Salesforce，随后把结果发进 Slack。前一次先查客户，后一次先查订单。两条路都能完成任务，中间也都可能出错。

传统软件测试面对确定路径，智能体测试面对不断变化的行动路径

Arga Labs 在融资公告里表达过一个判断，大意如下。

模型越强，测试问题不会变小。我们愿意交给它的任务更重要，出错时影响的范围也会更大。

这句话解释了 1000 万美元为什么会投向一家做测试环境的公司。智能体能力提高以后，团队敢让它碰到的系统越来越多，发布前需要检查的内容也跟着增加。

02 旧测试漏在哪里

开发者今天通常有三种办法测试外部服务。

第一种是模拟接口。工程师提前规定，当程序请求某个地址时，返回一段准备好的数据。它便宜、快，也容易反复运行。问题在于，模拟接口只会发生工程师已经想到的事。你准备了支付成功、余额不足和网络超时，它就不会突然遇到权限变化、重复回调或一条顺序不同的通知。

第二种是使用服务商提供的沙盒。Stripe 的支付沙盒就属于这一类。它的行为更接近真实服务，覆盖范围通常也更深。可一家公司常常只会给自己的产品提供沙盒。一个同时连接 Stripe、Slack、HubSpot 和 Jira 的智能体，仍要面对四套不同环境，数据彼此也不认识。

第三种是直接拿测试账号甚至真实系统来跑。结果最真实，代价也最大。数据会在不同测试之间不断积累，接口有调用次数限制，有些失败很难故意制造，并行运行时还可能互相干扰。谁都不想为了测试退款智能体，真的给 500 个客户各退一笔钱。

静态模拟、真实服务与服务副本各自解决的问题

Arga 想把后两种办法合在一起。服务表现得像真实产品，数据却关在独立环境里。测试结束以后，这个环境可以销毁，下一次再从同样的起点开始。

03 复制一个世界

Arga 把这些副本叫作 twins，可以理解成服务副本。接口地址只是第一层。它还要复制数据状态、权限、身份验证、回调通知、调用时序、失败方式和重试后的变化。

假设一个客服智能体要处理退款。它先从 Gmail 读到客户来信，在 Stripe 找订单，退款以后去 Slack 通知值班团队，再到 Jira 建立一个商品问题。

普通模拟测试会分别告诉智能体，四个接口都返回成功。Arga 的场景会让四个服务共享同一套客户和订单信息。智能体如果退款两次、通知了错误频道、没有建立 Jira 工单，或者在权限不足后仍然继续操作，系统都能从最终状态里看出来。

一个客服任务会连续改变多个外部服务的状态

这种差别很像消防演练。只给参与者一张写着“出口畅通”的纸，能检查他是否记得往外走。把烟雾、封闭楼梯、报警器和人员分布一起放进演练，才能看见他在情况变化后会怎样选择。

研究界也在沿着同一个方向走。WebArena 和 WorkArena 没有只用一组问答评估智能体，它们搭建可以实际操作的网站和企业软件环境，让模型在多步任务里完成工作。原因很直接。很多失败只有在操作持续一段时间、系统状态已经被前几步改变以后才会出现。

WebArena 建了电商、论坛、代码协作和内容管理四类网站。论文发布时，表现最好的 GPT-4 智能体端到端成功率只有 14.41%，人类可以达到 78.24%。WorkArena 又把测试搬进 ServiceNow，整理了 33 项常见的知识工作任务。两项研究隔着不同产品，都碰到了同一个问题。模型知道界面上的字是什么意思，并不等于它能把一段工作可靠地做完。

这些数字已经有些年头，今天的模型也明显更强。它们仍然说明了一件事。环境越接近真实工作，许多在简单问答里看不见的失败越容易暴露出来。

Arga 把这种研究环境做成了企业可以买到的产品。

04 怎样跑一次

一轮测试从创建场景开始。开发者选择需要的服务副本，可以从空白状态出发，也可以用自然语言描述初始数据，或者直接加载保存过的场景。

随后，团队把程序原本访问 Slack、Stripe 等服务的地址换成 Arga 提供的地址，凭证也改为测试环境的凭证。代码仍然按照原来的方式调用 API、CLI 或 MCP，写入的数据却只会留在副本里。

第三步才是运行智能体。Arga 记录每次外部调用、返回结果、延迟和产生的副作用。它也能运行浏览器测试，保留页面操作、截图和判断结果。测试完成以后，团队可以保存这条流程，接入 GitHub，在新的代码提交或合并请求出现时重新执行。

最后，服务副本恢复到原来的场景。下一次测试面对相同的客户、订单、权限和文件，不会继承上一次留下的垃圾数据。

Arga 的一轮测试从准备状态开始，以重置环境结束

这个重置动作非常重要。智能体本身有随机性，如果外部世界也每次都不一样，团队很难判断问题来自模型、代码，还是测试数据刚好发生了变化。固定起点以后，模型仍然可能走不同路线，至少它们面对的是同一道题。

05 十六周十万次

Arga 披露的几组数字，让这家公司看上去不像一份刚画完的融资计划。

公司称，它可以在 12 小时内复制一个新的软件服务，目前支持 30 多种服务副本，客户在过去 16 周里启动超过 10 万个副本实例。公司公开提到的合作对象包括 Slash、Monaco、WorkWeave 和 YC 等团队。

Arga Labs 对外披露的产品与业务数字

公开价格也指向真实的工程预算。免费版每月提供 10 个预置服务副本的额度，每次只能运行 1 个副本。Pro 版本每月 1250 美元，包括 1500 次副本运行、3 万分钟长时运行和 1500 次持续集成检查。Team 版本从每月 3500 美元起，企业版还会提供本地部署、单点登录和专门的前线部署工程师。

如果一个 Pro 客户把 1500 次额度全部用完，单次副本运行对应的订阅价格不到 1 美元。这笔粗算没有计入运行时长、工程接入和团队维护，也不能当作 Arga 的实际单次报价。它能帮助我们理解产品为什么要进入持续集成。偶尔手工跑一次，很难撑起每月四位数美元的预算。每个代码提交都自动重跑几十条跨服务流程，使用量才会迅速累积。

这也让 Arga 和普通的模型评估工具有了区别。后者常常判断回答是否准确、格式是否合格。Arga 需要保留一整套可以被改变的外部状态，并且在测试后告诉团队，智能体究竟动过哪些数据。

谁会先付这笔钱，答案也很具体。团队需要让智能体操作多个外部系统，接口调用已经进入核心业务，工程师又经常在发布以后才发现权限、状态和回调问题，这时一套可反复运行的环境可能比增加几个提示词评估更有价值。

一个只负责总结会议的智能体，大概用不上它。一个能读取客户账户、修改订阅、发起退款和通知内部团队的智能体，出错一次的成本就可能超过一年的测试费用。

06 100% 有多远

Arga 在融资公告里把服务副本描述为拥有 100% 的还原度。这是公司对自己产品的表述，还没有独立验证，需要放回产品文档里看。

Arga 的文档详细列出了每种服务已经覆盖的接口，也列出了没有覆盖的部分。它的 GitHub 副本支持仓库、分支、文件、合并请求、工单、检查任务、身份验证和回调等大量功能，超出范围的接口可能返回明确的占位结果。Gmail 副本覆盖邮件、会话、标签、附件和发送流程，但垃圾邮件判断和服务商信誉只做了确定性的近似。

完整复制一家持续更新的大型软件公司，几乎没有终点。Slack、GitHub 和 Salesforce 每次修改接口、权限或产品规则，服务副本都要跟着更新。客户真正需要的也不是每个角落都长得一样。他们更关心自己的那条业务流程能否得到一致的结果。

服务副本的价值来自接口、状态、权限、回调和失败方式共同接近真实系统

因此，我们更愿意把 100% 理解成 Arga 的产品目标。它当前交付的是一组有明确覆盖范围的高还原度环境。文档敢把限制逐项写出来，反而比一个没有边界的口号更有用。

这也指出了它将来最难的工作。复制接口并不稀奇，持续跟上几十种服务的行为变化，积累真实失败场景，再把这些场景变成客户每次提交代码都会运行的检查，才可能形成长期价值。

07 新的测试对象

软件测试过去很在意覆盖率。代码里有多少分支，测试走过多少路径，最后可以算出一个相对清楚的比例。

智能体没有这么听话。工程师可以列出它可能做的动作，却很难列完它将来会做的所有动作。模型升级、提示词改变、外部数据变化，都会让它选择新的路线。过去没有写进测试清单的情况，往往正是后来出现在真实业务里的情况。

这会改变测试团队的工作。他们仍然要写确定性的单元测试，也要检查接口能否正常返回。与此同时，他们还要准备不同的世界，让智能体在里面行动，再判断最终结果能不能接受。

智能体测试正在从检查固定答案转向检查行动后的结果

评价标准也会跟着变化。客服智能体是否成功，不能只看它有没有调用退款接口。团队还要检查金额是否正确、有没有重复退款、客户是否收到通知、内部工单是否完整，以及遇到权限不足时有没有停下来请求人工处理。

测试的最小单位，从一次函数调用变成了一段工作。

08 可以买的把握

Arga Labs 当然还很早。1000 万美元融资、4 人团队和 10 万次运行，能证明需求已经出现，暂时还不能证明它会成为智能体测试的统一平台。

它面对的竞争也不会少。大型软件公司可以继续完善自己的沙盒，模型平台会增加智能体评估工具，企业也能用模拟接口和内部测试环境解决最关键的几条流程。Arga 必须证明，一套跨服务的公共环境比客户自己维护更快，也能长期跟上真实产品。

这家公司仍然抓住了一个很准的时间点。

过去两年，行业花了大量精力回答智能体能不能完成任务。模型能力继续提高以后，企业会更频繁地问另一件事。我们凭什么敢让它真的去做。

回答这个问题，需要日志、权限、审批和人工接管，也需要一个能够重置的世界。智能体可以在里面碰到失败，试出错误路线，留下完整证据，却不会真的改掉客户资料或退掉一笔钱。

Arga 的产品叫沙盒，客户真正付费买的是发布前的把握。

当 AI 从生成文字走向操作软件，测试也会从检查答案走向检查行动。模型公司负责让智能体越来越能干，另一批公司会负责划出一个安全范围，让企业敢把更多工作交出去。

这块市场现在还小。它会随着智能体获得的权限一起长大。

资料来源：

Akira Tong 关于融资与产品的原帖，2026 年 8 月 27 日原文 https://x.com/akkkkiira/status/2092644030509408352

Arga Labs 融资公告与产品说明，2026 年 8 月 26 日原文 https://www.argalabs.com/blog/making-ai-agents-ready-for-the-real-world

Arga Labs 产品主页，2026 年 8 月访问原文 https://www.argalabs.com/

Arga Labs 服务副本文档，2026 年 8 月访问原文 https://docs.argalabs.com/concepts/digital-twins.md

Arga Labs 测试流程文档，2026 年 8 月访问原文 https://docs.argalabs.com/concepts/how-it-works.md

Arga Labs 公开价格，2026 年 8 月访问原文 https://www.argalabs.com/pricing

Y Combinator 的 Arga Labs 公司资料，2026 年 8 月访问原文 https://www.ycombinator.com/companies/arga-labs

Stripe 支付沙盒说明，2026 年 8 月访问原文 https://docs.stripe.com/test-mode

WireMock 接口模拟文档，2026 年 8 月访问原文 https://wiremock.org/docs/

WebArena 真实网站智能体评估论文，2023 年 7 月原文 https://arxiv.org/abs/2307.13854

WorkArena 企业软件智能体评估论文，2024 年 3 月原文 https://arxiv.org/abs/2403.07718