提到「Writer」，多数人第一反应还是个写作润色工具。真把它当竞争对手的那些企业 AI 平台，看的却是另一件事：这家 2020 年成立的旧金山公司，如今是给 Accenture、Uber、Vanguard 干活的企业级 Agent 平台，2024 年 11 月 C 轮融了 2 亿美元、估值 19 亿。而今年 8 月它发布新旗舰模型 Palmyra X6 时，最让行业愣一下的不是跑分，而是底座——它是拿开源的 GLM-5.2 后训练出来的。
这是谁
Writer 由 May Habib（CEO）和 Waseem Alshikh（CTO）在 2020 年创立，总部旧金山，另有纽约和伦敦办公室。它的起家路径和大多数 LLM 厂商不太一样：先是给企业做品牌语气一致的内容生成，慢慢长成一套全栈企业 AI 平台。用 VentureBeat 的话说，它「早就超出了名字的含义」——如今横跨营销、营收、运营等多个部门，帮企业搭应用、分析文档、卡合规。
它自我定位不是聊天机器人，而是一层跑在企业已有系统之上的 Agent 平台。核心逻辑是把公司的「DNA」——上下文、标准、工具——编码进 Agent，让它像自己人一样干活，产出的是能直接交付的成品，不是还要人盯着改的草稿。
资金和客户都摆在明面上：
- 2023 年 B 轮 1 亿美元，ICONIQ Growth 领投
- 2024 年 11 月 C 轮 2 亿美元，估值 19 亿，Premji Invest、Radical Ventures、ICONIQ 联合领投，Adobe、Citi、IBM、Salesforce、Workday 的风投部门都跟了
- 客户：Accenture、Intuit、Salesforce、Uber、Vanguard、H&R Block
整个平台的骨架长这样：
Palmyra X6：拿 GLM-5.2 当底座
Writer 自家的模型家族叫 Palmyra。今年 8 月 13 日发布的 Palmyra X6 是新旗舰，它做的事很务实——把「每个任务的成本」打下来。
X6 是在 Z.ai 开源的 GLM-5.2（MIT 协议）基础上后训练出来的。TechCrunch 直言，这种事放两年前的美国企业级厂商身上「不可想象」。如今变了：GLM-5.2 被普遍认为是当前最强的开放权重模型之一，Artificial Analysis 的智能指数给到 51，压过 DeepSeek V4 Pro、Kimi K2.6，价格却比美国旗舰 API 低好几倍。Writer 的说法很直接，它叫「最强可用的开放权重模型」。
效果是实打实的成本优势：
| 模型 | 九项评测均分 | 价格（输入/输出 每百万 token） |
|---|---|---|
| Palmyra X6 | 0.87 | $2 / $8 |
| Claude Opus 4.8 | 0.86 | $15 / $75 |
| Claude Sonnet 4.6 | 0.85 | $3 / $15 |
| GPT-5.5 | 0.80 | $5 / $15 |
| Gemini 3.1 | 0.77 | $2.50 / $10 |
那九项评测是 Writer 自己攒的生产任务——营销、营收、调研、外呼，覆盖接地检索、工具调用、内容生成、子代理委派、品牌语气等。X6 平均每个任务约 $0.12，比上代 X5 便宜一半、快一半；平均 26 秒完成一个任务，能围绕单一目标无人值守跑最长 8 小时不跑偏。
上手
Writer 是闭源 SaaS，走「先试用、再谈企业版」两条路。个人和小团队从 Starter 起步：14 天免费、不用信用卡，最多 5 个用户，能建 5 个 Playbook、3 个定时任务，Knowledge Graph 限 50GB、3 个活跃连接器。企业版放开人数、Playbook 数量和连接器，并加上 SSO/SCIM、审计日志、细粒度权限、花费上限这些治理能力。
用起来就三步：
- 接数据。把公司文档、知识库接进 Knowledge Graph（图式 RAG），这是 Agent 产出「不像瞎编」的关键。
- 委派任务。在 WRITER Agent 里用一句话描述目标，它负责规划、批处理、必要时委派子代理。
- 交付成品。输出过一层护栏（PII、版权、品牌语气筛查），出来的是能直接用的稿子。
模型不是绑死的。X6 是默认，但管理员可以启用 Anthropic、OpenAI 的模型，也能从 Microsoft Azure、AWS Bedrock、NVIDIA NIM 带自有模型进来。
治理这块也补齐了：统一的用量看板，能按 Playbook、Skill 拆分看采用率和花费，配消耗告警和上限。合规上，它有 SOC 2 Type II、ISO 27001、ISO 42001、HIPAA、GDPR、PCI-DSS，对齐 NIST AI RMF 和欧盟 AI 法案。数据默认零留存，不拿客户数据训练模型，支持自托管和数据驻留。
想自己看代码的话，它有个开源的 writer-framework（GitHub 约 1.45K 星），思路是「前面无代码、后面 Python」。
实话
Writer 的聪明之处，是它押对了 2026 年企业 AI 的真命题：token 经济学。Goldman Sachs 预测 2026 到 2030 年 token 消耗要涨 24 倍、到每月约 120 千万亿（120 quadrillion）级别，而推手不是更多人来问问题，是全天候跑的企业 Agent。高盛同时警告：单价降不等于账单降——一个 Agent 任务多烧 20 倍 token、单价降 75%，总账还能涨 5 倍。
Writer 的应对是两头堵：自家模型把单任务成本压到 $0.12，同时重写 Agent 的 harness（编排层）。它那篇《The Harness Effect》的说法是，光靠 harness 优化，跑任何模型——包括第三方模型——都能平均快 44%、便宜 41%，质量不掉。
它的姿态也很务实：嘴上让你用 X6（因为对你的工作流最便宜最好），但平台支持多模型，你带谁家的模型进来它都帮你省钱。CEO May Habib 对 TechCrunch 的那句吐槽很到位——CIO 们正在「对大模型实验室失去信心」，因为实验室有把 token 消耗推高的天然动机。
所以 Writer 值得看的点，不是「又一个 Agent 平台」，而是它代表的一种转向：前沿的价值不再只在预训练，而在最后一公里——拿开放权重做后训练、把 harness 工程做精、再把成本看板交到 CFO 手里。对被 token 账单追着跑的企业来说，这可能比谁跑分更高实在得多。
如果你在挑企业级横向 Agent 平台，又受够了「按 token 烧钱看不到底」，Writer 值得进候选清单。
