CrewAI 连续两年入选 ET30 榜单

深度CrewAI2026年3月31日3 分钟阅读
CrewAI 连续两年入选 ET30 榜单
CrewAI 再次入选 Enterprise Tech 30 榜单,该榜单由 98 位管理 2.6 万亿美元资产的投资者投票选出。今年,AI 基础设施与开发类别占 ET30 的 43%,而 2019 年这一比例还是 0%。

CrewAI 连续第二年入选 Enterprise Tech 30 榜单,这令人兴奋。

如果你不熟悉 ET30,它与其他“顶级公司”榜单不同:不是编辑选择,也不是付费上榜,而是由 85 家公司的 98 位投资者进行结构化投票,这些投资者管理着总计 2.6 万亿美元的资产。他们是资助未来十年企业技术公司的投资者,投票基于市场观察。

今年,CrewAI 被列在 AI 基础设施与开发类别下的智能体开发(Agent Development)子类别中。该类别现在占整个 ET30 的 43%,而在 2019 年,这一比例是 0%。

从零到七年后成为最大类别!报告称之为“AI 和智能体超级周期”,我们从第一天起就称之为企业运营的未来。

ET30 2026 报告将“智能体开发者崛起”列为一个定义性主题,智能体开发现在是一个独立的子类别。72% 的 ET30 公司是 AI 原生公司,高于 2022 年的 3%。整个格局已转向使智能体在生产环境中工作的基础设施——不是演示,不是原型,而是生产环境。

这正是我们构建的。

这对我们意味着什么

上榜一次是一个信号,上榜两次意味着信号更强。

去年,投票是对愿景的赌注:多智能体编排(Multi-agent Orchestration)、开源基础、企业级控制平面(Control Plane)。有些人强烈反对:“多个智能体会增加错误率,这行不通。”我们保持专注,埋头构建,如今大家都知道多智能体是正确方向,并趋向于类似 CrewAI 的抽象。

今年是对证明的赌注。我们处理了超过 20 亿次智能体执行(Agentic Executions),财富 500 强公司运行生产工作负载,团队每天交付。我们继续埋头专注,构建正被商品化,在帮助许多企业公司开始智能体之旅后,我们明确了下一步方向并持续创新。今年是我们研发投入最多的一年,有许多内部突破,不久后我们将分享更多进展。现在,我们在多智能体抽象上被证明是正确的。

我很荣幸能上榜。如果你看到我在巴西圣保罗小社区出生的房子,我 13 岁开始工作的事实,以及父母为支持家庭梦想付出的努力,我从未想过有机会让公司与 Anthropic、OpenAI、Cursor、Databricks、Stripe 和 SpaceX 等公司并列。这对我意义重大,对我们团队也是如此。但这不是终点,“只有到手才算数”,我们还有很长的路要走,对未来充满期待!我是一个乐观主义者,相信未来,相信 AI 智能体将以巨大的积极方式彻底改变劳动力。

我想借此机会重申我们的承诺,我们如何投入精力:

  • 投入于客户部署替代百万美元实施的智能体。
  • 投入于推动我们构建更好的开源社区。
  • 投入于尚未有良好解决方案的问题。

感谢

感谢 Wing Venture Capital 运行企业技术中最严格的研究流程。感谢 Eric Newcomer 第二年将编辑独立性带入流程。感谢 98 位投票的投资者。

感谢 CrewAI 团队,你们构建了这一切:每一个深夜,每一个艰难周,每一次生产应急演练。这份认可是你们的。

感谢我们的开源社区。在无人关注时你们就出现了,提交问题,提交 PR,构建我们从未想象过的东西,并告诉朋友。没有你们,我们走不到这里。

感谢我们的客户。你们信任我们处理真实工作负载,推动我们变得更好,并证明智能体系统可以在生产环境中运行。

下一步

我们不会花太多时间看奖杯柜,智能体时代仍处于早期,类别仍在定义中,我们打算定义它。

第一年他们投票给愿景。第二年他们投票给证明。

第三年,我们正在构建让整个类别无可否认的东西。

我们很快将推出它。

如果你想阅读 ET30 网站上的完整报告

回去工作。

本文编译自 CrewAI Selected for the Enterprise Tech 30,版权归原作者所有。

觉得有用?分享给更多人

获取每周 AI 工具精选

工具推荐、实战教程和生态洞察,每周更新。

相关文章

Simon Willison 正在重构 LLM Python 库的抽象层,以支持服务器端工具执行等新功能。他利用 Claude Code 分析了四大 LLM 提供商的客户端库,生成了用于测试的 curl 命令和 JSON 输出。这些调研材料已开源,旨在帮助设计更通用的 API 抽象。

深度Simon Willison·4月5日·1 分钟

智能体技能——包含程序性知识和可执行资源的结构化包,供智能体在推理时动态加载——已成为增强 LLM 智能体的可靠机制。然而,推理时技能增强存在根本性限制:检索噪声引入无关指导,注入的技能内容带来大量 token 开销,而模型从未真正习得它所遵循的知识。我们提出一个问题:技能是否可以被内化到模型参数中,使其在无需任何运行时技能检索的情况下实现零样本自主行为?我们提出 Skill0,一个专为技能内化设计的上下文强化学习框架。Skill0 引入了一种训练时课程,从提供完整技能上下文开始,逐步撤除。技能按类别离线分组,并与交互历史一起渲染为紧凑的视觉上下文,教授模型工具调用和多轮任务完成。动态课程机制…

深度·4月5日·17 分钟

评论