同一个 AI agent，今天把一件事做对，明天可能换一种做法。Chef 前 CTO Adam Jacob 的新公司 Swamp 拿到 700 万美元种子轮，让 AI 只负责弄清用户要什么，把答案固化成可复用的行为，之后每次由代码原样执行。

你有没有想过，同一个 AI agent，今天把一件事做对了，明天为什么可能换一种做法？开发者 Flavio Copes 写过这样一句话：AI agent 可以把一个难题解决一次，明天又用另一种方式再解决一次。第二个答案也许仍然能用，也可能漏了一个检查，换了一个工具，或者忘了某个只存在于上一次对话里的细节。

10 月 14 日，旧金山的 Swamp Club 宣布完成 700 万美元种子轮，Amplify Partners 领投，Encoded Ventures 和几位天使投资人跟投，同时正式推出产品 Swamp。CEO Adam Jacob 是 Chef 的前 CTO，他的做法是让 AI 只负责弄清楚用户要什么，把答案固定成可以复用的行为，之后每一次都由代码原样执行。

开发者 Flavio Copes 的 Swamp 教程开头。截图来自 flaviocopes.com

01 AI agent 到底卡在哪里

Jacob 对现状的判断很直接。他说，行业这几年一直被前沿实验室的进展牵着走，工程师拼命想把这些进展用到实处，结果常常是失败。原因他讲得很清楚：“当 LLM 决定下一步做什么的时候，你每增加一种能力，系统就更脆弱一点，也更贵一点。”现有的框架还会放大这个问题，因为它们本来就是围绕同一个假设搭起来的。

Amplify 的普通合伙人 Sunil Dhaliwal 从投资人的角度说了同一件事。他说 AI 现在几乎什么都能造，难的是相信这些代码在生产环境里可靠、可重复。他想要的是每一次都能用的 agent 自动化。

我认为这两句话点中了同一个事实，问题出在谁来决定下一步。一个让模型每一步重新判断的系统，每次执行都像第一次，输出自然不稳定，每一步还要付一次模型调用的钱。能力加得越多，稳定性和成本这两个问题放大得越快。

Jacob 还给这件事找了一个更大的背景。他说，想象一座城市里每家每户的水压同时涨了两个数量级，会发生什么，每一根水管都会爆。软件开发现在就是这样，写代码的速度一下子快了几十倍上百倍，代码审查，质量把关，上线和监控这些原来的关口全都被冲垮。他说 Swamp 之所以存在，就是因为软件加速到这个程度，基础设施也必须跟着加速，自动化，部署和管理的能力都得追上来。

02 Jacob 为什么要做 Swamp

Jacob 形容自己是系统管理员出身，后来成了不错的开发者，再后来成了还行的 CEO，他一直做的事是自动化。离开 Chef 之后，他创办了 System Initiative，想用可视化的方式改写基础设施自动化，后来又在引擎上叠了一层 AI。他说最后没有人喜欢，太怪，太复杂，产品没有找到 product-market fit（产品与市场的匹配），团队从 18 个人缩到 5 个人，这个过程很痛苦。

RedMonk 对 Adam Jacob 的访谈。截图来自 redmonk.com

转机出现在最后阶段。团队在那套数据结构上做了几个 agent，发现它们能做出让人吃惊的事。他们给 AWS 和 Azure 都建了模型，让 agent 分析一套现有的 AWS 基础设施，提出在 Azure 上怎么搭一套类似的，再给出迁移方案。他说那个 agent 有点慢，有点笨拙，“但它就是魔法”。

这条线索后来变成了 Swamp。Jacob 举过一个例子：在装了 Swamp 的目录里打开 Claude Code，对它说我家的 wifi 很慢，你能不能连上所有设备，查出原因，写一份报告。agent 对他家里用什么路由器一无所知，却会替他建出一套可重复运行的自动化来完成这件事。

我觉得这个例子比任何架构图都清楚。普通的做法是 agent 每次都重新摸索一遍你家的设备，Swamp 要的是第一次摸索完，把过程沉淀成一套可以反复运行的东西，下次不必再问一遍。

03 Swamp 到底怎么运作

Swamp Club 管自己的做法叫 behavior-centric design（以行为为中心的设计）。前沿模型负责把开发者的意图翻译成一个个可复用的行为，每个行为都有明确的输入和输出，数据格式带版本，凭证单独隔离。这些行为再被组合成确定性的工作流，只有某一步确实需要推理，才调用一次 LLM。它跑在 Claude Code 或 Cursor 这类编码 agent 下面，是一个命令行工具，不另做一个聊天界面。

Swamp Club 官网首页：用 AI 搭系统的正确方式。截图来自 swamp.club

Copes 拿一个 HTTP 检查当例子。先建一个“HTTP 检查”类型，它知道怎么请求一个网址、测量响应。再基于它建出 check-primary 和 check-backup 两个定义，各自只提供网址和超时时间。行为留在一个地方，换一个目标只改两个参数，不用让 agent 再发明一个新的检查。

想象一下你让 agent 每天早上检查两个网站是否正常。第一天它写了一段脚本，第二天换了另一种库，第三天又少检查了一项。有了行为这一层，第一天的做法被固定下来，之后每天只是原样执行，AI 只在需要判断的地方出场，比如分析异常的原因。

Copes 说让他真正想通的，是一个个人录音机的例子。一段口述的笔记，可能变成一条提醒，一个调研任务，或者一件编码工作。agent 负责判断这段话是什么意思，然后 Swamp 去运行对应的自动化，并更新数据。agent 决定做什么，Swamp 让它可重复地跑，带版本的数据记录下每一次发生了什么，这三步分得清清楚楚，也是整个产品最关键的部分。每次运行的结果都作为带版本的数据存下来，出了问题，可以回头看到当时到底发生了什么。

数字上的差别也很大。Swamp 做过一个对比，用 LangChain 做的旅行规划 agent，输入消耗 24,611 个 token，同样的功能用 Swamp 只要 1,183 个，大约少了 14 倍，成本是原来的六分之一。

凭证的处理沿用同一个思路。密钥放在加密的保险库里，agent 不能直接读取，需要时由 Swamp 去调用。Copes 还讲了它和 MCP 的区别，MCP 是把工具暴露给 agent，Swamp 则给 agent 一层执行环境，让做成功的事变成一个可重复的系统，两者可以同时用。

官网上的 Any harness 一栏：Claude Code、Codex、VS Code、Cursor 等都能配合 Swamp 使用。截图来自 swamp.club

我认为这个分工的道理很朴素。模型擅长理解含糊的意图，却做不到每次都一样，代码正相反。把两件事拆开，各干各的，系统既稳，也省钱。

04 Swamp 团队自己怎么写 Swamp

Swamp 团队只有 5 个人，他们是在 1 月底 2 月初决定全面押 AI 的，Jacob 说那时他和身边的不少技术负责人几乎同时发现，新一代模型已经真的能干活了。他们决定做 AI 的极端派，不看代码，遇到任何问题，答案都是再加一个 AI。Jacob 说效果好得出奇，但它也打破了团队所有的社会规范，他不知道怎么估计一个问题有多复杂，要花多久，风险多大。Swamp 现在是 15 万行 TypeScript，从来没有人读过。

他自己只管架构。一天里可以有上万行的改动涌进来，他说在代码层面根本看不过来，只能在架构层面理解。他是领域驱动设计的信徒，这种写法要生成大量代码，几乎没人真的这样写，agent 却乐意做。他说 Swamp 是他写过的对需求变化最灵活的代码。

他们的流程是几个人先讨论要改什么，写成计划，再让一个人和 agent 把它变成实现方案。方案会被不同用途的对手 agent 轮流审查，一个检查有没有违反架构原则，一个检查无障碍。Swamp Club 的网站拿到了 Lighthouse 的满分，Jacob 说功劳不在他，他只是装了技能，建了一个对手 agent。之后 agent 自己去实现，提交的 PR 再由另一批 agent 在 CI 里审，认为没问题就自动合并，不需要人工审查。

Jacob 提到了一类工程师，从下往上学会写软件，遇到问题第一反应是冲到代码里，把它打到顺眼为止。他说这样的人他雇过，也很敬重，可这种做法在 agent 时代已经走到头了，因为底层变得太快，没法再用砍刀去劈。团队现在每收到一个 issue，大约二十分钟就能修好，软件也一直在变好。

最外面一层是验收测试。Jacob 把 90 年代的 UAT（用户验收测试）搬了回来。那时 QA 拿着厚厚的册子，把软件光盘装进电脑，从第一页开始逐项试。现在他的测试套件放在 agent 的控制范围之外，只能从外往里测，对内部知道得越少越好。只要有一项不通过，整个产品停止发布，直到全部通过。

他的理由是，用过 agent 的人都知道，它们会为了让测试通过去改测试。在那个层面，测试是给 agent 用的，让它保持自洽和诚实，所以还要另一套放在它上下文之外、绝对改不动的东西，看住它在他没盯着的循环里有没有做出离谱的事。

对外部贡献，他的规矩更彻底。Swamp 开源，用的是 AGPL 协议，但永远不接受 pull request。他说 agent 写代码的速度没有人能审完，他也不能指望每个 agent 都能发现被塞进来的安全问题，唯一的办法是把输入管得很紧。想要新功能的人可以提 issue，他会读你想要什么，确认没有人想让他替自己挖比特币。agent 做完提交时，提需求的人会被写成共同作者。

我觉得这几件事是同一个思路用在了两个地方。对客户，Swamp 让 AI 在中间自由发挥，两头用确定性的东西卡住。对自己的代码，Swamp 团队也这样做，agent 可以随便写，计划要过对手 agent 的审，成品要过它们改不动的验收测试。能被放心交给 AI 的活，是被它改不动的东西围起来的活。

05 客户用下来怎么样

Xero 是早期客户之一。它的数据科学、分析和洞察高级副总裁 Adam Roberts 说，市场部的人清楚知道想触达谁，不该为此去找 DevOps 工程师。他描述的流程是，市场部提出需求，AI 弄清他们的意思，Swamp 在公司设好的围栏里执行。以前要几个小时或几天的事，现在只要几分钟。他们最初只做了一个市场部的原型，现在 Xero 的其他团队也开始在同一个平台上搭东西。

官网上的客户评价：Xero 的 Adam Roberts 说，以前要几个小时或几天的事，现在只要几分钟。截图来自 swamp.club

Bitbison 的 CEO Samy Al Bahra 说，他只是描述了想要的架构，就让 Swamp 把生产环境的 SaaS 平台搭了出来，原本要几周的事一天做完。团队里的工程师也能在围栏里安全地管理和扩展基础设施，他说这帮他省下了人手。

社区的增长也很快。第一个原型在 3 月发布，到现在社区已经做出了 1500 多个扩展，写下了 100 多篇独立的使用文章，累计跑过 3.5 亿多次自动化事件，用在基础设施自动化和软件开发上，也用在销售线索打分，甚至生物实验管理上。一位叫 sock-lint 的用户写道，13 个 Swamp 工作流已经覆盖了他原来 11 个 n8n 流程做的事，还多出几样 n8n 不太好做的。

开发者的评价也落在同一个点上。Dieter Plaetinck 说，Swamp 是个很好用的工具，给他的 AI 工作流加上了严谨度，还降低了推理成本。Jean-Philippe Evrard 把它和 Ansible 放在一起比，Swamp 做同样的配置管理，有 AI 在循环里，更快，结果也更让他放心。American Sound 的 Doug Schaefer 则说，他们这个行业总是在不断学着支持上百个新应用，每一个都不一样，Swamp 能和任何东西对接，这正是他们需要的。

我认为 Xero 的例子最能说明产品的位置。市场部的人不会写 DevOps 脚本，AI 替他把意图翻译出来，执行交给固定下来的行为，边界由技术团队来划。一份工作被拆成了三段，谁提需求，谁来理解，谁负责不出错，每一段交给最合适的一方。

06 我担心的几件事

首先是确定性也会把错误固定下来。行为一旦生成，之后每次都会原样执行。如果 AI 第一次把意图理解偏了，这个偏差就会被每一次忠实地重复。所以行为生成之后的验收和审查，比生成本身更重要，Swamp 团队自己放在 agent 控制之外的那套测试，守的就是这一关。

其次是开发者喜欢，不等于企业买单。Swamp 的社区长得很快，可从社区到企业合同，要过采购、安全审查和团队习惯这几关。Xero 是个好的开头，Swamp 还需要更多这样的部署。

第三是每个团队都得学会造机器的机器。Jacob 自己说，做到这一步，流程，估算，风险判断，还有互相信任的方式，都要重来，他也没有现成的答案给大公司。他说五个人他可以挑，一百个人他不知道怎么挑。这个门槛对小团队是自由，对大团队是难题。

最后是钱。Swamp 是 AGPL 开源，不接受外部代码。Jacob 对赚钱的想法很简单，先把问题解决到让你喜欢，钱自然会来。这轮 700 万美元够做产品和社区，之后靠什么收入，还需要一个更清楚的答案。

我自己的一点思考

听完 Jacob 的话，我觉得 Swamp 要说的只有一件事：让 AI 想一次，把想出来的东西固定下来，剩下的交给代码。无论是它卖给客户的架构，还是团队造自己产品的方式，都在做这一件事，一端放开 AI，另一端钉死边界。

他还讲到一个事实：团队从 18 个人缩到 5 个人以后，现在的产出比当年 18 个人时高出一大截。Jacob 特意说，以前的人都是出色的开发者，现在的差别来自团队造了一台造机器的机器，并且用特定的方式去用这些工具。我觉得这个细节说明，速度来自那套边界，人数多少倒在其次。

Dhaliwal 说过，确定性的、成本可控的 AI，是风险投资里最大的机会。我觉得这句话押的是一个趋势：演示阶段大家比的是模型多聪明，进入生产以后，比的是同一件事能不能每次都做对，能不能算得清账。Swamp 的位置正好在这条分界线上。

Jacob 对年轻工程师的第一条建议也在这条线上。他说先去读一本软件架构和系统设计的书，如果没有自己的看法，就读领域驱动设计，因为那是和 agent 对话的语言。你读不了每一行代码，但看得出重复的模式，看得出软件里哪些接缝不灵活。

对做产品的人，这里有个具体的启发。agent 越强，越不该让 agent 自己去保证每次都一样。可靠性要靠 agent 之外的东西来给，比如固定的行为，改不动的测试，管住凭证的保险库。让 agent 自由的前提，是把它的自由放在一个它改不动的框里。

一个系统能不能被信任，要看它第一万次的表现，是不是还和第一次一样。Swamp 把赌注压在这个标准上。

让 AI 去想，让代码去记住。

资料来源：

Pulse 2.0，Swamp Club Raises $7 Million Seed Led By Amplify Partners，2026-10-14原文 https://pulse2.com/swamp-club-raises-7-million-seed-funding/

Dealroom，Swamp Club raises $7M seed to fix AI agents’ cost and reliability problems，2026-10-14原文 https://dealroom.co/news/162637-swamp-club-raises-7m-seed-to-fix-ai-agents-cost-and-reliability-problems/

Efficiently Connected，Swamp Club Launches AI Agent Platform to Fix Production Reliability原文 https://www.efficientlyconnected.com/?p=9741

RedMonk，“Absolute AI Maximalist” Adam Jacob on Building Software That Builds Software原文 https://redmonk.com/videos/adam-jacob-ai-maximalist/

The Changelog & Friends 第 130 期，Automation at the speed of Swamp，2026-05-13原文 https://podscripts.co/podcasts/the-changelog-software-development-open-source/automation-at-the-speed-of-swamp-friends

Swamp Club 官网原文 https://swamp.club

Flavio Copes，Swamp tutorial: make AI agent work repeatable，2026-10-05原文 https://flaviocopes.com/swamp/