Trace：用知识图谱给 AI Agent 装上企业大脑

2026 年 2 月，伦敦创业公司 Trace 从 Y Combinator、Zeno Ventures、Goodwater Capital 等机构筹集了 300 万美元种子轮融资，正式亮相。这家公司做的不是又一个 AI Agent，而是一个让 Agent 能真正在企业里跑起来的编排层。

创始人 Tim Cherkasov 把现有 AI 工具比作聪明的实习生——OpenAI 和 Anthropic 造出了能干活的 Agent，但企业里没人教它们该干什么、怎么干。Trace 想做那个教 Agent 的经理。

知识图谱：让 Agent 懂公司

Trace 的核心思路是用知识图谱建模企业的运作方式。系统接入 Slack、Airtable、HubSpot、Jira 等日常工具，把部门之间的任务流转关系抽取成一张持久的实体图谱。

CTO Artur Romanov 说：2024 和 2025 年是 Prompt Engineering 的时代，现在进入了 Context Engineering。谁能给 Agent 提供最好的上下文，谁就是 AI 优先公司的基础设施。

具体怎么运作？用户在系统里输入一个高层任务，比如"设计一个新微站"或者"制定 2027 年销售计划"，Trace 会拆解成一步步的工作流，把部分任务分给 AI Agent，部分分给人。Agent 执行时，系统会带上针对性的数据，不是让 Agent 瞎猜。

官网演示里能看到一个客户入职流程：Agent 从 PDF 合同里提取条款，发现金额超过 5 万美元阈值，自动路由到财务审批，同时通知对应的销售经理。整个过程 Agent 和人交替执行，不是一次性甩给 AI 就不管了。

不只是自动化，是可控的自主

Trace 的页面上反复出现一个词：Clarity at Scale。规模扩张带来复杂性，但每一层都要可测量、可追溯。

系统内置了执行治理功能。工作流健康状态实时监控，Agent 警报标记置信度低于阈值的情况——比如一个 Lead Qualifier Agent 只对 62% 的线索给出了可靠判断，系统自动标记需要人工复核。SLA 超时也会告警，财务审批超过时限直接推送提醒。

命令行接口同样透着工程味：

这种透明度在 Anthropic 同期推出的企业 Agent 插件和 Atlassian Jira 新加入的 AI 功能面前，形成了差异化。竞品做的是部门级插件，Trace 做的是跨部门的流程编排。

300 万美元够不够？

种子轮 300 万美元在 AI 创业圈不算多。Sierra 刚拿到 3.5 亿美元 C 轮，估值 100 亿美金；Replit 四个月估值翻了三倍到 90 亿。但 Trace 的赛道更窄——不做通用 Agent，只做 Agent 的基础设施。

创始人团队背景值得关注。CEO Tim Cherkasov 来自伦敦科技圈，CTO Artur Romanov 有分布式系统经验。YC 2025 夏季批次毕业，到现在不到一年。

企业 AI Agent 落地一直卡在两个问题上：一是 Agent 不知道公司内部的流程和工具结构，二是老板不敢让 Agent 自主执行关键业务。Trace 的知识图谱方案试图同时解决这两个问题——先让 Agent 看懂公司，再给执行加上人工审批门控。

这路线能不能跑通，要看知识图谱的维护成本。企业工具链变化快，Slack 加个频道、HubSpot 改个字段，图谱就得跟着更新。如果维护成本太高，再好的编排层也只是个 Demo。