一家名为QueryStory的初创公司近日结束隐身模式，宣布获得600万美元种子轮融资。该公司计划利用大语言模型（LLM）和网络安全领域的技术积累，解决AI查询结果缺乏连贯性和可验证性的问题。
QueryStory的核心业务聚焦于企业级AI应用中的查询可信度问题。随着大模型在企业场景中的普及，用户对AI输出内容的准确性、逻辑一致性和可追溯性提出了更高要求。QueryStory的技术方案试图在不牺牲响应速度的前提下，通过引入网络安全领域的溯源和验证机制，让AI生成的回答在逻辑上更加连贯、来源上更加可信。
本轮融资由多家机构共同参与，资金将主要用于技术研发、团队扩充以及早期客户拓展。QueryStory创始人表示，公司从创立之初就意识到，企业客户在使用AI工具时面临的最大障碍并非模型能力本身，而是对输出结果缺乏信任。这一问题在金融、医疗、法律等强监管行业尤为突出，这些领域的决策往往依赖严格的证据链和审计记录。
从技术路径来看，QueryStory的解决方案融合了两条主线：一方面利用大语言模型对复杂查询进行语义理解和推理，另一方面借鉴网络安全领域的数据完整性校验、访问控制和审计追踪技术，为AI输出的每个关键结论建立可验证的引用链路。这种「AI生成+安全验证」的双层架构，在目前的ToB AI市场中较为少见。
行业分析人士指出，随着企业级AI应用从概念验证走向规模化落地，围绕AI输出的治理和合规需求正在快速增长。Gartner此前的预测显示，到2026年，将有超过80％的企业在生成式AI应用中部署某种形式的输出验证机制，而2023年这一比例不足5％。QueryStory所处的赛道，正是这一趋势下的新兴细分市场。
值得注意的是，QueryStory的创始团队具有网络安全和大模型研究的双重背景。该公司在隐身开发期间已与多家潜在客户进行试点合作，覆盖数据分析、内部知识库检索、客户支持自动化等典型企业场景。试点反馈显示，引入验证机制后，AI回答的采纳率有显著提升，特别是在涉及多步骤推理和跨数据源整合的任务中。
本轮融资完成后，QueryStory计划在未来12个月内将团队规模扩大一倍，并重点拓展金融和医疗健康两个垂直行业。公司同时透露，正在开发面向开发者平台的API接口，以便将查询验证能力嵌入到更多企业级应用和工作流中。
从更宏观的视角看，QueryStory的融资反映出AI基础设施投资正在从单纯的模型能力竞赛，转向围绕可靠性、可解释性和安全性的配套生态建设。当大模型参数规模的增长逐渐触及边际效益递减的临界点，如何让现有模型输出更可信、更可用，正在成为企业服务领域新的价值洼地。
对于正在部署AI系统的企业而言，查询可信度解决方案的出现，意味着AI应用可以从辅助性工具进一步升级为关键业务决策的支撑环节。不过，该领域仍处于早期发展阶段，技术标准的统一、验证成本的平衡以及与现有企业IT架构的兼容性，都是后续需要持续解决的问题。QueryStory能否凭借其安全基因在竞争中建立壁垒，尚需市场检验。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
