企业部署的每一个AI应用都在产生数据，但大多数公司没意识到这一点。用户查询、专家修正、流程反馈——这些交互本可以成为训练信号，却直接流失了。
旧金山初创公司Empromptu AI本周推出Alchemy Models，核心逻辑很简单：企业已经在运行的AI应用就是数据源，专家修正后的输出自动回流到微调管道，持续改进模型。企业完全拥有最终模型权重。
这与现有方案处于不同象限。RAG（检索增强生成）在推理时调取外部上下文，不修改模型权重；传统微调改变权重，但需要单独准备标注数据集和专用ML管道。Alchemy做的是后者，但数据源就是企业应用本身，过程是连续的。
使用基础模型API的企业面临三重约束：推理成本随用量线性增长；数据在训练模型，但模型不归自己；难以针对特定领域任务定制行为。Empromptu CEO Shanea Leven表示，这些痛点普遍存在，却鲜有解决方案。"每个客户都在问：我怎么才能不被颠覆？怎么保护业务？他们看不到路径。"
Alchemy的机制分为两个阶段。应用构建前，企业数据先经过清洗、提取和富集，确保应用启动时有结构化输入。应用运行后，每个输出都回流到管道，由企业内部专家审核修正，验证后的输出成为下一轮微调的训练数据。"客户已经在创建的AI应用，自己就完成了数据清洗。"Leven说。
最终产出的是Empromptu所称的"专家纳米模型"——小而专的任务模型，针对特定工作流优化，而非通用推理。评估、护栏和合规控制都在同一管道内运行，治理与训练过程同步。模型权重归客户所有，可付费导出。平台目前支持多种基础模型架构。