夜雨聆风现在每个公司都在买AI用AI，AI产品、AI Agent、部署私有的AI一体机。
老板用ChatGPT、客服自己搭了个客服机器人、开发用Cursor、营销用openclaw配置了一堆skill……
表面看，实现全员AI化了，但拆开来看，是另一回事。
销售用AI做完客户研究，售前第二天还得重新查一遍。市场用AI写了产品物料，销售团队又基于另一个版本重新做。客服总结了客户痛点，产品团队完全不知道。HR做了一套员工问答Agent，法务又搞了一套合规Agent，IT还得单独维护两套权限。
于是出现了一个反直觉的现象：公司里用AI的人越来越多，但公司、组织本身并没有因此变聪明。
这是因为AI落地企业后的矛盾在于，AI的理解、生成能力已经足够强，但企业的协作系统还没有因此演化。
今天要解析的就是Agent的管理和协作平台Dust。
2、Dust本质不是AI工具，是AI协作层
Dust的基础功能不复杂：让企业把Slack、Notion、Google Drive、Salesforce、GitHub这些工具接进来，然后在上面创建Agent，销售Agent做客户研究、客服Agent处理工单、法务Agent审合同、HR Agent回答员工问题。
但如果只做到这一层，Dust和市面上的“企业AI平台”没太大区别。
Dust真正的不同在于架构假设。市面上绝大多数AI平台默认的结构是“一个人+一个Agent”，简而言之，你跟Agent对话，Agent给你答案或执行一个任务，对话/任务结束。上下文锁在你的聊天窗口里，你的同事、上司完全不知道你刚才发现了什么。
Dust把Agent放在共享工作空间里。Agent之间能共享上下文，团队之间能复用Agent，工作过程对所有人可见，经验能沉淀成可复用的技能。
Dust把这个逻辑叫Multiplayer AI。
这个词背后是一个场景判断：今天企业AI的重要瓶颈不是模型或Agent不够强，而是AI的使用方式还停留在单人模式。
这就解释了Dust为什么不是在做又一个AI工具。Copilot、Agent的逻辑是帮单个人更快完成任务，Dust的逻辑是让一群人+一群Agent在同一个环境里协作。
前者侧重效率，后者关注组织能力，可以理解为两种产品哲学。
红杉合伙人Konstantine Buhler在Dust的B轮公告里写了段话，翻译过来大概是：“大多数企业AI还是单人的，一个人、一个提示词、没有复利。Dust正在构建多人系统，Agent和人在整个公司里共享上下文、协作推进工作。零流失和70%周活不是实验数据，这就是企业未来实际运营的方式。”
3、技术选型反映了其真正用心
Dust是TypeScript全栈，TS全栈意味着前后端共享类型定义、SDK和工具函数，开发效率和类型安全性都上了一个台阶。
Rust则被精准地用在最需要性能和安全性的地方，代码沙箱执行环境。
这个技术选型本身就很务实的：TS做业务逻辑和API层，Rust做隔离执行，Elasticsearch做搜索，PostgreSQL做持久化，每个组件选的是该领域最成熟的方案，整体风格较为务实。
此外，Dust对MCP（Model Context Protocol）的使用是全方位的，甚至可以说，其全部功能是围绕MCP进行的开发和优化。MCP是Anthropic开发的一个开放协议，用于标准化AI模型与外部工具之间的通信。
Dust把MCP当成了整个平台的基础设施内核，通过这个可以看出其真实野心。
Dust实现了四种MCP Server类型：
内置服务器（Internal Server）：编译时定义，进程内运行，零网络开销。包括web搜索、语义搜索、SQL查询（query_tables_v2）、Agent调用（run_agent）等。这些是开箱即用的核心能力。
远程服务器（Remote Server）：外部HTTP/SSE端点，通过OAuth或Bearer Token认证。内置30+默认远程服务器配置，覆盖GitHub、Slack、Salesforce、Gmail、Notion、Google Drive等主流SaaS工具。
客户端侧服务器（Client-Side Server）：通过Redis pub/sub通信，5秒超时。用于需要客户端侧执行的场景。
系统视图服务器（System View Server）：系统空间的默认视图，用于平台级能力暴露。
这套架构的精妙之处在于：所有工具——不管是平台内置的还是第三方接进来的——对Agent来说都是同一套MCP接口。
Agent不需要知道调用的是内部搜索还是其他工具的查询，它只需要调用工具名+参数，剩下的由MCP传输层自动路由。
这套架构意味着什么？Dust本质上是在做AI Agent时代的iPaaS（集成平台即服务）。
它不是在卖Agent，而是在卖“让Agent能安全接入一切企业系统”的基础设施。
Dust把工具调用分成四个风险等级：读数据库直接执行、HTTP请求每次对话问一次、Slack发消息每次调用都问、修改文档必须明确审批。
部分工具甚至支持参数级审批——Gmail的send_mail对收件人字段（“to”）单独要求审批。
这个颗粒度的权限控制未来可能成为Dust能进大企业的底牌。AI创业公司死在Demo阶段的太多了：功能很炫，一问权限、审计、合规，直接沉默，或泛泛而谈没有具体实施路径。
还有其他更具体的技术细节可以去看他们的开源内容，链接在文末，这里就不一一列举了。
4、商业数据让人直流口水
Dust在2026年5月拿了B轮4000万美元，Abstract和Sequoia领投，Snowflake Ventures和Datadog跟投。总融资额超过6000万。
在AI融资的通货膨胀面前，融资额本身没什么稀奇的。稀奇的是一组数据（根据GlobeNewswire）：
3000+组织客户，5.1万月活 已部署超30个Agent 月活跃采用率持续超过90% 周活跃率超过70% 2025年NRR（净收入留存率）240% 客户流失率：零
好得让人羡慕得直流口水！
零流失率+240% NRR，这个组合在企业SaaS里极其罕见。
这个数字代表，不是客户“觉得还行续费了”，而是一个团队用了之后其他团队跟进来，越用越深，越用越离不开。
但是同时需要注意的是，这里有一个很重要的信息不对称：Dust现在的客户大多是AI-native公司。 Clay、Cursor、Decagon、Persona，这类公司组织速度快、流程轻、愿意用Agent改造内部工作，天然是Dust的最佳土壤。
问题是传统企业能不能复制？传统企业愿意为了提升效率愿意开放多大的权限给到Agent，这是个极其难以回答的问题。
Dust采取了一种叫AI Operator的策略：让最接近业务的一线业务人员（增长营销、RevOps经理、GTM工程师、支持经理）他们自己构建和运行AI系统。
这本质上是一个自下而上的推广策略：绕开IT部门和采购部门，先让业务团队用起来，培养他们的习惯后倒逼企业采购。
策略很聪明，但是在传统企业呆过的人应该都很清楚，有多少决策是自下而上推动的呢？
5、跳出案例本身，行业是什么发展趋势？
如果只把Dust当一家公司分析，显然不够，我们需要拔高视野。
它代表了三个正在发生的行业变化。
第一，AI应用层的竞争重心从“模型能力”转向了“协作基础设施”。 过去两年大家都在卷模型，GPT5.5、Claude、Gemini，谁更强。但模型越来越强之后，企业发现了一个尴尬的事：模型强和组织能用好是两码事。真正缺的是数据接入、权限控制、工作流编排、人机协同、审计机制。Dust不做模型，它做的是模型和企业系统之间的那层协同关系。这个判断一旦成立，Dust的竞争对手就不是ChatGPT，而是未来的企业协作标准。
第二，“Agent治理”正在变成一个独立品类。 30万+Agent这个数字很漂亮，但换个角度看也很可怕，如果其中一半是没人维护的僵尸Agent，过期知识继续被调用，权限不清互相打架，那就是企业级灾难。Dust真正的挑战不是让用户创建Agent，而是治理Agent，删除低质量的、更新过时的、判断哪个是官方推荐、管理Agent生命周期。谁能解决这个问题，谁就拿下了AI时代的企业IT治理权。
第三，企业SaaS之上正在长出一层横向AI编排层。 过去十几年企业软件的主线是SaaS化，结果是每个部门一堆工具，数据互相不流动，形成一个个数据孤岛。AI的出现让企业第一次有机会整合好这些碎片数据。Dust不是要替代Salesforce等SaaS，而是横跨它们之上搭建一个AI协作层。这也是为什么Snowflake和Datadog会投它——它俩一个卖数据基础设施，一个卖可观测性，本质上都是被AI协作调用的逻辑，协作约好，调用越频繁。
但是，这个市场到底是独立市场，还是会被Microsoft、Salesforce、Google吸收？Microsoft有Office+Teams+Copilot，Salesforce有CRM+Slack+Agentforce，Google有Workspace+Gemini。这些产品未必比Dust好，但有大厂的生态优势保驾护航。
创业公司最怕的不是大厂产品更强，而是大厂产品“够用且便宜”。
因此，我判断，Dust的窗口期不完全取决于大厂有没有能力做，而取决于大厂的产品组织能不能做到足够开放、足够快。
如果Dust能在AI-native公司里先建立心智和工作流沉淀，再向传统企业扩散，它就有机会定义AI时代的组织协作模式。
以后就是一群人+一群Agent协同的组织模式。
6、风险
按照惯例，要讨论一下风险，既是从创业的视角也从投资视角。
现阶段，Dust最大的风险不是大厂、不是竞争，而是它卖的产品可能领先市场太多。大量公司连个人AI工具都没用明白，你跟人家说“多人Agent协作”，过于超前了就难免有曲高和寡的嫌疑。
Dust的高NRR和零流失证明现有客户买单，但这些客户全是AI-native。传统企业能不能复制？目前没答案。
其次是Agent数量多不等于组织智能强。30万Agent听起来很厉害，但如果其中一半是重复的、过时的、没人维护的，这个数字不但不说明价值，反而说明混乱。
Dust必须从“创建及使用Agent的平台”进化成“治理Agent的系统”，这一步跨不过去，它就是AI垃圾制造机。
（想一想coze、WorkBuddy上面有多少没啥人使用的Agent、skill吧）
最后一个风险是商业模式的底层逻辑。Dust目前的客户群是AI-native公司——增长快、决策快、付费意愿强。而传统企业的采购周期和AI-native公司完全不是一个量级。Dust能不能在AI-native客户的红利期结束之前，完成向传统企业的跨越？这个问题也是必须要重点观测的。
总体来说，Dust这类公司想要解决的痛点很大：当每家公司都有几百个Agent在跑时，谁来管它们？需要认真思考如何回答好这个问题。
参考来源：
[1] Dust Series B融资公告 https://dust.tt/blog/series-b-multiplayer-ai[2] Dust GitHub开源仓库 https://github.com/dust-tt/dust[3] Dust MCP服务端架构 https://deepwiki.com/dust-tt/dust/4.1-mcp-server-architecture[4] Dust产品页面及客户案例 https://dust.tt/home/product[5] Dust B轮融资分析 https://ohsem.me/2026/05/dust-raises-40m-to-make-ai-multiplayer-inside-the-enterprise/
