大多数 Agent 平台在比谁的应用多、画布顺、免费额度大。Lumbra 反过来,只接「错一次就算事故」的活。11 月 10 日,这家 2025 年才成立的公司拿到 2500 万美元 A 轮,Point72 Ventures 和 Ansa Capital 联合领投,种子轮投资人 Costanoa 继续跟投。比融资更硬的背书是:它的平台已经跑在美国政府的绝密网络上。
这家公司到底做什么
Lumbra 2025 年成立,创始人 Aaron Brown 是前 CIA 行动官、陆军游骑兵,Michael Hiebert 是 MIT 出身、干过特种部队,后来在国防科技公司带工程团队做情报机器学习。公司 40 多人,总部在华盛顿和纽约。
它的定位一句话就能说完:不造模型,管模型;不替换现有系统,坐在所有系统上面做编排。官方管这叫「高后果环境里的 Agent 操作系统」——情报、国防、金融合规、法务、医疗,都是错了要担责的场景。
三个产品怎么分工
Nebula 负责编排多 Agent 工作流:记录每个 Agent 的动作,把每条结论沿着推理步骤、数据源和评测闸门追到原始出处;在写回业务系统之前,必须由领域专家验证。数据按源系统自己的权限原地读取,不复制第二份。
StarChart 是组织的知识图谱:把验证过的结论连同来源、敏感级标签一起沉淀下来,越跑越厚;数据权和导出权在客户手里。
Astrolabe 管评测:上线前用自定义基准测 Agent,上线后用同一套标准持续打分,盯幻觉、漂移、置信度崩塌。
平台 model-neutral,前沿闭源模型和开源权重模型可以混着派活;部署形态是 classified、air-gapped、on-prem。
上手:没有注册按钮,怎么落地
Lumbra 没有注册试用。它的上手是项目制:先挑一个后果足够高的流程——情报分析、制裁与供应链风险、KYC/AML、法务尽调——把数据源按原权限接进来,在 Astrolabe 里建这个流程的评测集,让 Agent 先做「找、追、提」:找证据、追来源、提结论,人做最终判断。Nebula 把每次动作和验证记录留痕;跑顺了,再一点点放开写回权限。顺序不能反:先评测,后放权。
实话:强在哪,坑在哪
强的地方很明确:它不是又一个拖拽画布,卖的是可验证性和采购路径。6 月 25 日美国国防部宣布的 Agent Network(第二个 Pace-Setting Project),就是 Palantir 的 Maven Smart System 加 Lumbra 的编排层,挂在 CDAO 和太平洋、南方、欧洲三个司令部下面。Ansa 的说法是,Lumbra 开始做产品两个月就签下第一家情报机构,从合同到上国防部绝密网用了六个月。这个速度,普通 SaaS 学不来。
坑也明显。
第一,封闭。没有开源、没有社区版、没有公开定价,个人和小团队基本用不上,评估只能走商务。
第二,口径要分清。LumbraOS 已经在绝密网络生产使用,但 Agent Network 本身还没 fielded,官方写的是还要过测试、作战评估和监督。宣传里的「已上绝密网」和「新项目已部署」是两件事,别混着读。
第三,能力依赖数据治理。每条结论可溯源听着很美,前提是源数据本身有权限体系、有元数据、有人愿意做验证;如果企业内部是一堆没主的表格,Nebula 追到源头也只能追到一张脏表。
第四,估值不算高。Dealroom 给的估值区间是 1 到 1.5 亿美元,在 Agent 平台里不算夸张——资本市场还没把它当成下一个 Palantir,更像是「政府场景里长出来的编排层」。
如果你在做「错了要担责」的 Agent,Lumbra 这套思路值得抄:模型随便换,编排层不让;结论必须有出处;评测卡在每个路口;人保留最后一票。平台本身现在服务政府和 regulated 行业,离普通开发者还远。想看同类思路,可以翻我们之前写的 Palantir AIP 和 Kindo:一个讲企业级 Agent 怎么从 0 到用例,一个讲怎么在 Agent 动手前踩刹车。