
印度初创公司 Rocket.new 近日宣布完成 1500 万美元种子轮融资,由 Salesforce Ventures 领投,Accel 和 Together Fund 跟投。这笔资金将用于加速其 AI 驱动应用开发平台的研发与市场拓展。
自 6 月发布 beta 版以来仅三个月,Rocket.new 已吸引全球 40 万用户,其中付费订阅者超过 1 万人,实现 450 万美元年度经常性收入(ARR)。联合创始人兼 CEO Vishal Virani 表示,公司目标是到年底将 ARR 提升至 2000–2500 万美元,并在 2026 年 6 月前达到 6000–7000 万美元。

这家成立仅 16 周的公司正试图解决当前“氛围编码”(AI coding)工具的核心痛点:大多数平台只能生成原型,难以交付生产就绪的应用。
不止于“快速生成”,而是“完整交付”
目前市场上已有多个热门 AI 编程工具,如 Lovable、Cursor 和 Bolt,它们擅长通过自然语言提示快速生成前端页面或简单应用原型。但一旦进入真实部署环节——涉及后端逻辑、数据库集成、身份认证、可扩展架构等——开发者仍需大量手动调整。
Rocket.new 的差异化在于:它从设计之初就瞄准全栈、生产级输出。
Virani 表示:“我们关注的不是‘第一天的问题’——即如何快速生成一个界面;而是‘第二天的问题’——如何维护、迭代和规模化。”

这意味着,用户只需输入一段自然语言描述(例如:“创建一个支持登录、商品浏览和支付的服装电商平台”),Rocket.new 即可生成包含以下要素的完整应用:
- 前端 UI(支持 React、Next.js、Flutter 等主流框架)
- 后端服务与 API
- 数据库结构与 Supabase/Firebase 集成
- 身份验证系统
- 托管部署方案
所有代码均可导出至 GitHub 或本地环境,用户完全拥有知识产权(IP)。
构建智能体系统:替代产品经理?
Rocket.new 的愿景不止于代码生成。团队正在开发一个更高级的智能体架构(agent system),未来将能自主完成产品规划全流程:
- 接收用户需求
- 进行竞品分析
- 设计功能结构
- 生成可运行代码
- 支持后续迭代更新
“我们的目标是让组织无需专门雇佣产品经理也能快速推出产品。”Virani 强调,“你只需要一个想法。”
这一系统结合了 Anthropic、OpenAI 和 Google Gemini 的大模型能力,以及 Rocket.new 自研的深度学习模型——后者基于其前身项目 DhiWise 积累的专有开发者行为数据集训练而成。
“我们的底层架构与 Lovable、Bolt 等完全不同。”他补充道。
用户画像:从独立开发者到企业团队
尽管成立时间短,Rocket.new 已吸引多元用户群体,包括:
- 独立创业者(solopreneurs)
- 前端开发者
- 初创公司创始团队
- 企业内部创新小组(来自 Meta、PayPal、KPMG、PwC、Times Internet 等)
据 Virani 介绍,约 80% 的用户构建的是“严肃应用”,而非简单的着陆页。具体分布如下:
- 12%:垂直电商(如杂货、服装)
- 10%:金融科技应用
- 5–6%:B2B 工具
- 4–5%:心理健康类应用
目前,55% 的用户构建网站,45% 创建移动应用。许多用户先在其他平台搭建原型,再转向 Rocket.new 生成原生移动版本并集成现有后端。
商业模式:过滤业余用户,保障服务质量
为确保资源不被滥用,Rocket.new 提供有限免费试用(上限 100 万 tokens),之后按使用量订阅:
- 起步套餐:25 美元/月(500 万 tokens)
- 更高用量可升级
该定价策略有效筛选出真正有产品落地意图的用户,帮助公司维持 50–55% 的毛利率,并计划在未来几个月提升至 60–70%。
全球布局:根植印度,服务美国
Rocket.new 总部位于古吉拉特邦的 苏拉特(Surat)——一座以钻石加工和纺织业闻名的城市,远离班加罗尔、海得拉巴等传统科技中心。目前团队共 58 人,主要集中在印度。
尽管如此,其市场重心明确:美国是最大收入来源(占 26%),其次是欧洲(15–20%)和印度本土(10%)。为更好服务北美客户,公司正筹备在 帕洛阿尔托设立美国总部。
安全合规,支持企业级部署
对于企业用户而言,安全与合规至关重要。Rocket.new 已通过 ISO 27001 和 SOC-II 认证,所有项目均基于现代、可扩展的技术栈构建,支持导出代码、私有化部署和第三方审计。
有机增长驱动早期成功
Virani 指出,当前用户增长主要来自口碑传播和社交媒体上的自发分享,几乎没有投入营销费用。新一轮融资后,公司将加强市场进入策略,在关键区域深化本地支持,并加大研发投入,进一步优化自有模型性能。
数据统计
相关导航


NocoBase

Qwen Code

Mocha

Gemini CLI

Replit

CodeBuddy Code






