你每天都能给 AI 下指令，但它更像一位临时接单的助手：不了解你的长期偏好，也不会因为一次次合作而真正变成“你的 AI”。River AI 想换一种路线，让个人和企业能继续训练、塑造并控制模型，最终做出长期陪伴单个用户的个人 Agent。
这家公司由 xAI 联合创始人 Igor Babuschkin 创立。据 TechCrunch 报道，River 在 2026 年 6 月结束隐身状态，约两个月后便获得 11 亿美元 seed/Series A 融资。这个速度和金额都很醒目，也反映出资本正在押注下一阶段的 AI：不只会回答问题，还能被用户训练，并代表用户行动。
需要说明的是，目前有关融资细节、产品性能和公司进展的信息主要来自 TechCrunch，其中部分数据又引自 River 自己的公告，尚缺少独立测试。
先让模型变成“你的模型”
个人 Agent，是围绕单个用户持续工作的 AI 系统。它能记住偏好、拆解任务，并调用其他应用完成工作。问题也很直接：一个越了解你、权限越大的系统，越需要回答数据归谁、行为由谁控制。
River 给出的答案是“可训练”。这里不是让普通用户从零造一个模型，而是用自己的数据、反馈和工作流程继续定制现有模型。比如，一家公司可以让 AI 学会自己的客服标准；个人也可以逐步教会助手如何安排日程、筛选信息，而不只是每次重新写一长串提示词。
据《纽约时报》报道，Babuschkin 的目标是建设开源 AI，让任何人都能按自己的需要控制和塑造它。开源 AI 可能开放代码、模型权重、数据或训练方法中的一部分，实际开放到哪里仍要看许可证。它在这里的意义，是给用户更多部署和定制空间，而不是只能租用一家大公司的统一助手。
River 的长期设想更激进。Babuschkin 表示，公司计划从训练、模型、产品层一直重建到新硬件，让个人 AI 可以在用户身边运行。换句话说，River 不只想卖一个聊天产品，而是想重做个人 Agent 背后的整套技术栈。
第一款产品先从训练工具切入
愿景还很远，River 已经推出的产品是一套按每 100 万 tokens 计费的 API。Token 是模型处理文字时使用的基本计量单位，可以粗略理解为被拆开的词和字片段。
这套 API 支持两种定制方式。其一是 reinforcement learning（强化学习，简称 RL），即通过奖励和反馈，让模型逐步学会更符合目标的行为。其二是 LoRA——一种低成本微调方法，只调整模型中的少量参数，不必把整个模型重新训练一遍。River 面向的是开放模型，也就是允许开发者取得并继续改造的模型。
据 TechCrunch 转述 River 的融资公告，公司宣称，企业不需要专门的基础设施团队，就能在 15 至 20 分钟内完成一次复杂的强化学习训练，成本比闭源替代方案低 2 至 4 倍。不过，这些数字来自公司自身，尚无第三方验证；“节省 2 至 4 倍”的计算口径也不清楚，现阶段更适合视为产品主张，而非已经坐实的优势。
11亿美元买的是什么？
据 TechCrunch 报道，这笔 seed/Series A 融资由 General Catalyst 和 AMP PBC 领投，Nvidia、AMD Ventures、Y Combinator 与 Temasek 参投。Seed 和 Series A 通常是两个阶段：前者用于早期验证，后者用于产品和业务扩张。报道将本次融资写作“seed/Series A”，不宜擅自简化成其中一种。
如此大额的早期融资，买下的首先不是一项已经充分验证的产品，而是一条可能成立的路线：随着 Agent 能记住更多信息、调用更多工具，用户是否还愿意把训练权、数据和行为控制权全部交给统一的云端服务？River 把答案押在开放模型和个人控制上。
它也抓住了一个真实的产品缺口。提示词只能临时引导一个用户并不拥有、也无法持续改进的模型；训练则有机会把经验沉淀下来。个人 Agent 若要形成稳定的个性，而不是每次都从头理解用户，这种可持续定制能力会很关键。
局限与未知
- “约两个月”指 River 从 6 月结束隐身状态到 8 月融资报道之间的时间，不等于其法律实体只成立了两个月。
- River 尚未披露足够的技术细节，无法判断它的训练系统与现有方案究竟有何实质差异。
- 从企业微调 API 到真正由个人控制、能长期代办任务的 Agent，中间仍隔着模型、产品、权限管理和硬件等多层工程问题。11 亿美元证明了资本的兴趣，还不能证明这条路线已经跑通。