Relevance AI 深度拆解 — 无代码 AI Agent 构建器

开场

2025 年 1 月，Relevance AI 的平台上注册了 40,000 个新的 AI Agent。一个月，4 万个。这个数字让我注意到了这家从悉尼起步、总部搬到旧金山的创业公司。它的核心主张很直白：让任何人——不管你会不会写代码——都能搭建、部署和管理 AI Agent。我在评估无代码 Agent 平台时系统测试过 Relevance AI，也把它推荐给了一人独角兽俱乐部里几个非技术背景的创业者。这篇文章拆解它的产品逻辑、商业模式和真实体验。

他们解决什么问题

AI Agent 的概念已经从开发者圈子渗透到了业务决策层。CEO 们想要 Agent 来做客服、销售外联、市场调研、文档处理。但让一个没有 Python 基础的业务主管去用 LangChain 或 CrewAI 搭 Agent？做不到。

市场上的 Agent 构建器大致分两类：给开发者的（LangChain、CrewAI、AutoGen）和给业务人员的（Relevance AI、StackAI）。前者功能强但门槛高，后者降低门槛但功能往往有限。Relevance AI 的目标是在这两端找到平衡——"足够强大 + 足够简单"。

具体痛点：企业里大量重复性推理任务（回复客户邮件、评估销售线索、分析合同条款）需要 AI 判断力，但每个任务都找开发者写代码成本太高。Relevance AI 让业务团队自己定义 Agent 的角色、工具和流程，然后部署运行。

产品矩阵

核心产品

Agent Builder：低代码/无代码界面。定义 Agent 的指令、连接工具（搜索、API 调用、文件读取）、设置触发条件、部署上线。支持多 Agent 协作——一个 Agent 可以把任务委派给另一个 Agent。

Tool Builder：自定义 Agent 可用的工具。支持 API 集成、数据库查询、网页抓取、文件处理等。比纯无代码多了一层灵活性——高级用户可以用代码自定义工具逻辑。

知识库（Knowledge）：上传文档、网页、数据表，Agent 可以检索引用。支持 RAG 模式，自动处理文档分割和向量索引。

集成生态：Premium 集成包括 LinkedIn、WhatsApp、Salesforce、HubSpot 等。Agent 可以直接在这些平台上执行操作。

技术差异化

Relevance AI 定义自己为"AI Agent Operating System"。这个定位比"Agent 构建器"更大——它不只是帮你建一个 Agent，而是管理你所有的 Agent。Agent 有自己的"工作台"、"任务队列"、"执行日志"，像一个真正的员工一样被管理。

2025 年 9 月的定价模型改革是一个信号：把 credits 拆分为 Actions（Agent 执行的操作）和 Vendor Credits（AI 模型调用成本），让用户更清楚钱花在哪里。这种透明化的计费方式在 AI 平台里不常见。

商业模式

定价策略

方案	价格	Credits	用户数	目标客户
Free	$0	100/天	1	个人试用
Pro	$19/月	—	—	入门用户
Team	$199/月	100K/月	10	中小团队
Business	$599/月	300K/月	无限	成长期企业
Enterprise	定制	定制	定制	大企业

Per-Agent 运行成本随方案递减：Free/Pro 每次 4 credits，Team 每次 3 credits，Business/Enterprise 每次 2 credits。

收入模式

SaaS 订阅 + credit 用量混合模式。根据公开数据，年收入约 $2.9M。增长飞轮依赖 PLG：免费试用 → 构建 Agent → 团队采用 → 升级付费。

融资与估值

轮次	时间	金额	领投
早期轮次	2022-2023	~$13M	King River Capital
Series B	2025.05	$24M	Bessemer Venture Partners

总融资 $37M。二级市场估值约 $77M。Bessemer 领投 Series B 是一个正面信号——他们在 SaaS 领域的判断力有口碑（投过 Shopify、Twilio、SendGrid）。其他投资人包括 Insight Partners 和 Peak XV（原 Sequoia India）。

客户与市场

标杆客户

Relevance AI 的 40,000 Agent 注册量表明它有不错的长尾用户基础，但大客户案例的公开信息有限。从平台功能和定价来看，核心客户群是 50-500 人规模的成长期企业，需要自动化销售、客服和运营流程但缺乏 AI 工程团队。

市场规模

无代码 AI Agent 平台的市场还在形成期。如果 AI Agent 成为企业标配，这个市场可以达到 $10B+。但目前的现实是：大多数企业还在"试水"阶段，真正把 AI Agent 跑在生产环境里的比例可能不到 10%。

竞争格局

维度	Relevance AI	StackAI	Gumloop	Lindy
定位	AI Agent OS	企业 Agent 平台	AI 自动化（营销）	个人 AI Agent
目标用户	业务 + 技术混合	企业运维/合规	营销运营	个人效率
无代码程度	高	高	高	高
多 Agent	支持	支持	工作流级别	有限
知识库	内建	内建	有限	内建
合规认证	GDPR	SOC2, HIPAA, GDPR	SOC2, GDPR, HIPAA	—
融资规模	$37M	$16.6M	$24.5M	$33M

Relevance AI 的差异化在于"Agent OS"的定位——不只是建 Agent，而是管理整个 Agent workforce。另一个值得关注的对手是 Lindy，同样做无代码 AI Agent，融资规模 $33M，但 Lindy 更偏向个人效率场景（个人助理、日程管理），而 Relevance AI 面向团队和企业场景。这种定位差异决定了两者的 ICP（理想客户画像）重叠度不高。

我实际看到的

好的：Agent 构建流程确实顺滑。我花了不到 1 小时就搭了一个"销售线索评分 Agent"：接入 CRM 数据，分析公司规模、行业、互动历史，输出优先级评分和推荐话术。对于非技术用户来说，这个流程比用 Zapier + OpenAI API 简单至少 3 倍。知识库的 RAG 实现质量不错，上传几份产品文档后 Agent 的回答相关度很高。

复杂的：Credit 消耗的可预测性仍然是个问题。一个 Agent 每天跑 100 次，根据任务复杂度不同，月底的 credit 消耗可能差 3-5 倍。Team 方案的 100K credits 看起来很多，但如果你同时运行 5-10 个 Agent，可能月中就用完。另外，Premium 集成（LinkedIn、WhatsApp）需要额外配置，不像宣传的那么"开箱即用"。

现实的：$2.9M 的年收入对应 $77M 估值，27 倍左右。考虑到 Bessemer 刚领投了 $24M，这个倍数在 AI 赛道不算离谱，但也意味着 Relevance AI 需要在未来 12-18 个月内把收入做到 $8-10M 才能匹配投资人的预期。40,000 Agent 的注册量很好看，但付费转化率和留存数据才是关键。

我的判断

Relevance AI 切中了一个真实需求：企业需要 AI Agent 但没有工程团队来搭建。"AI Agent OS" 的定位有差异化，产品体验在同类工具中属于上游。但这个赛道的竞争正在快速升温——StackAI、Gumloop、Lindy 都在抢同一批客户，Zapier 和 n8n 也在加 Agent 能力。Relevance AI 的优势在于"Agent 管理"这个更高层次的抽象，但需要更多企业客户案例来证明这不只是概念。

✅ 适合：没有 AI 工程团队但需要部署 AI Agent 的中小企业，销售和客服自动化是核心诉求的团队，想快速原型验证 Agent 想法的非技术创业者

❌ 跳过如果：你有 AI 工程团队且需要深度定制（用 LangChain/CrewAI），你的合规要求严格且需要 SOC 2（看 StackAI），你的预算紧张且对 credit 消耗可预测性要求高

一句话：Relevance AI 的"人人都能建 Agent"愿景很诱人，但从 40,000 个注册 Agent 到可靠的企业级 Agent workforce，中间还有很长的路。

互动

你试过用无代码工具搭建 AI Agent 吗？最大的痛点是什么？你觉得"无代码 Agent"能做到多复杂？评论区交流。