Lucius（luciusai.com）已完成数百万美元天使轮融资，由明势创投领投，蓝狮资本担任独家财务顾问。本轮资金将用于产品研发、AI Teammate 工作流能力建设、全球市场拓展和团队建设。Lucius 目前已服务 30+ 家客户，覆盖 3,000+ 个社区与工作频道，接入 Discord、官网 Live Chat、Telegram、飞书、Slack 等平台。

Lucius 切入的是一个很多团队都熟悉、但很少被单独拿出来处理的问题：同样的解释，为什么每天都要在不同群聊、不同客户和不同团队之间重来一遍？

01 问题被回答了，判断却没有留下来

社区里有人问：“Pro plan 是否支持团队成员共享额度？”运营不能只回支持或不支持。他要判断这个用户是否有企业采购意图、功能是否已经上线、能否承诺时间线、是否需要销售介入。

这不是少数团队才会遇到的麻烦。定价问题在社区里解释过一遍，到了销售私聊里还要重新确认；bug 修复时间被反复追问，工程同事不得不补上版本背景；一个功能能不能承诺给客户，也要看用户类型、当前排期和后续谁来接。表面上是在回消息，实际是在做判断：哪些话可以说到什么程度，什么时候必须转人工，哪些提问已经接近购买意图。

如果这次判断没有被记录，下一次类似问题出现时，团队就要重新走一遍完整流程。更麻烦的是，新问题很少长得一模一样。用户换一个说法、换一个频道、带着不同的上下文，原来的判断就很难被调用。

重复问题通常被当成客服负担处理，但从组织视角看，它暴露的是一个记忆缺失：公司没有记住自己已经做过的判断。

02 创始人视角：六年技术民主化，每次都卡在同一个地方

Lucius 创始人赵赫是一位连续创业者。在创办 Lucius 之前，他花了六年时间做技术民主化，从无代码开发平台 Zion（40 万注册用户、700 万元年营收）到出海产品 Momen.app，再到 AI 基础设施 ZAI。

“每次创业都卡在同一个地方，”赵赫说，“用户的业务知识在他们脑子里，进不了系统。我们之前做无代码，发现用户连文档都不愿意写；做 AI 工具，发现客户不愿意花时间配置和维护知识库。真正能用好平台的人是凤毛麟角。”

这段经历让他得出一个结论：不要再试图教用户使用工具，而是让 AI 直接住进他们的业务里。

“Lucius 是我第一次不再做工具，而是直接去赚结果的钱。AI 员工不需要用户写文档、不需要配置流程，它在岗位上跟着真人同事学，教一次就会。”

03 Lucius 的机制：Answer → Context 循环

Lucius 与普通 RAG bot 的核心区别可以用一句话概括：RAG bot 回答问题，Lucius 记住判断。

当 Lucius 第一次遇到未知问题时，它不直接生成答案，而是把问题转成任务交给团队处理。团队给出回答后，Lucius 不仅记录回复内容，还记录这次回复适用的场景、不能外推的边界、是否需要转给销售或产品，以及后续动作。

这些信息进入 Lucius 所构建的 Organization Context Layer。它不只是知识库，而是带有语境、边界和行动指令的组织记忆系统。下次类似问题出现时，Lucius 先匹配问题类型、适用条件和风险边界，再决定直接回答还是继续转人工。如果情况不同，它会继续转人工，避免旧答案被盲目套用。

这个循环的精妙之处在于：团队不需要回答完问题后再单独整理文档。回答本身就成为一次组织记忆的生产，知识维护变成了工作自然发生的一部分。

04 验证场景：两个案例，同一个模式

Dubbing AI 是一家面向全球创作者的 AI 配音工具公司，Discord 社区拥有 30,000+ 名成员。接入 Lucius 前，3 人社区团队长期处理新用户上手、定价与用量限制、生成失败、功能请求、账号问题等咨询，重复解释几乎成了主线工作。

接入 Lucius 后，按覆盖问题范围统计，社区自解决率在一个月内从 29% 提升至 88%，团队每月减少 100+ 小时重复回答。节省下来的时间被转向复杂问题处理、用户洞察和增长动作。

如果 Lucius 只是把 FAQ 搬进 Discord，自解决率很难在一个月内实现这样的跳跃。真正的变化发生在第一次人工介入之后：团队确认的答案、适用条件和转人工规则，被带进了下一次相似问题。

如果说 Dubbing AI 证明的是 Lucius 可以减少外部社区里的重复问答，前文提到的 Momen.app 则更能说明另一件事：当社区对话被持续记录和整理后，它会变成产品团队的决策输入。

Momen.app 是一个低代码开发平台，用户社区长期保持活跃。用户会在群聊中提问、反馈 bug、提出功能需求，也会分享自己的解决方案。过去，这些对话大多停留在支持场景里：问题被回答，卡点被解决，然后进入下一轮对话。等产品团队规划下一次迭代时，很难系统看到这个月用户最常遇到哪些问题、哪些需求反复出现、哪些只是偶发反馈。

在 Momen.app 的用户社区中，Lucius 被放进用户原本活跃的群组，处理日常问答，并记录每次问题背后的解决路径。据 Lucius 提供的数据，在其覆盖的问题范围内，Momen.app 用户群中约 80% 的问题可由 Lucius 处理，无需人工升级。

更重要的是，这些记录后来可以被产品团队重新调用。在一次产品规划场景中，产品经理向 Lucius 询问下一次功能更新应该关注什么。Lucius 没有替团队决定路线图，而是基于过往社区对话整理出几个反复出现的方向：数据删除和清理操作中的稳定性问题、抖音小程序支持这类平台扩展需求、大量“这个怎么做”背后的上手摩擦，以及定制开发服务咨询中透露出的服务需求信号。

把两个案例放在一起看，Dubbing AI 更像是 Lucius 在社区支持里的压力测试：重复问题能不能少掉，人工时间能不能省下来。Momen.app 则把问题往后推了一层：那些已经被回答过、解决过的对话，能不能在产品规划时重新派上用场。Lucius 要讲的 Context Layer，其实落在这里：聊天记录不再只是历史记录，而是公司做过判断、听过反馈、收到需求之后留下的一层可调用材料。

Lucius 称，在其已服务的 30+ 家客户中，类似模式反复出现：高频问题没有沉淀，购买意图埋在聊天记录里，功能承诺在不同频道里丢失上下文。不同行业、不同规模的团队，面临的底层问题高度一致。

05 从社区问答到 Organization Context System

社区运营是最早暴露这个问题的入口，但绝不是终点。客服、售前接待、销售调研、项目管理和内部协作里，同样存在大量已经判断过但无法复用的瞬间。

“当你有了从用户行为数据、内部商品服务描述、团队行为偏好中积累的上下文，”赵赫说，“你就可以更自然地进入调研、销售、任务管理这些工作场景。Lucius 不再只是回答问题的 bot，而是开始变成一个真正了解公司业务的同事。”

融资后，Lucius 计划持续推出新的 AI 角色，优先选择那些能收集新上下文、或能充分利用已有上下文的场景。当越来越多的问题、例外、承诺和后续动作进入同一层组织记忆，AI Teammate 才有机会从 support 走向更广泛的协作角色。

更多信息可见 Lucius 官网：luciusai.com。