AI-nhancement 致力于构建可治理、值得信赖的 AI 基础设施。与其把幻觉和虚构内容当成可以通过 Fine-tuning 消除的训练问题，这家公司更倾向于把它们视为架构问题，并通过系统设计来规避。其平台把身份、记忆和工具治理从底层 AI 模型中拆分出来，因此即使底层模型发生变化，系统行为也能保持一致。这种设计同时也有利于在云端和本地环境之间构建混合 AI 架构。
AI-nhancement 的旗舰系统 AiMe 是一种“有限权限（bounded-authority）”认知架构：语言模型负责生成语言，但系统在设计上不会让模型决定什么是真实、什么应该被记住，以及治理规则应该如何执行。所有这些决策都会在各个边界处由确定性的非 LLM 代码处理，因此模型无法自行把某个信息授权为事实。
“我们设计 AiMe，就是为了让模型无法自行把某件事认定为事实——因为系统根本没有给它这种权限。”Canady 说道。
在这套架构之上，目前运行着两款产品。Mia（NeuroMia）是一款个人 AI 伴侣，用户通过普通电话或短信就能与它交互，而它的记忆和“思维”完全运行在用户自己的家用电脑上，而不是云端。Anvil 则是一款采用 Apache 2.0 协议开源的多平台 AI 终端编程 Agent，每一次代码变更在发布之前，都必须分别经过两个独立模型系列的审查和批准。
AI-nhancement 创始人 John Canady Jr. 原本从事硬件制造，在没有接受过任何正规机器学习或计算机科学教育的情况下，于 2025 年 11 月创办了这家公司。他用自己的 Harley-Davidson 摩托车换来了两块 NVIDIA Quadro RTX 8000 GPU，亲手组装了一台开发主机，并在四天后写下第一批代码。到 2026 年 4 月，Canady 已经完成了超过 133,000 行 Python 代码，分布在 441 个文件和 37 个模块中，同时记录了 21 项发明，并完成多篇论文，其中一篇已经提交至 SSRN。他认为，DigitalOcean 提供的支持和基础设施资源，是这一切能够实现的重要原因之一。
应对超大规模云平台的复杂性
在最终决定把 AI 工作负载放到 DigitalOcean 之前，Canady 曾经尝试过 Azure、AWS 和 Google Cloud。按照他的说法，在真正开始做产品之前，差不多有一半时间都花在研究这些平台到底该怎么用。他表示，这三家平台都提供 Startup Credits，但实际使用起来都比较繁琐，而且为了适配自己的工作流需要做大量配置。以他的实际体验来看，在这些平台上部署前沿模型都比较慢，而且阻力很大。
“我当时在折腾 Azure、AWS 和 Google 的时候，差不多有一半时间都花在搞清楚它们怎么用——Azure 最麻烦，其次是 AWS，然后是 Google。到了 DigitalOcean，Claude Code 可以直接 SSH 到 Droplet 上，然后从我的私有仓库直接在服务器里工作，整个流程一下就顺畅多了。”他说。
在此之前，他已经用 DigitalOcean 运行其他项目接近一年半，从基于 Commodore 64 的复古 BBS 项目到 AI 产品都有涉及。
在 DigitalOcean 上实现快速部署
如今，DigitalOcean 已经成为 Canady 所有项目默认使用的托管层。他目前一共运行着 9 台 Droplet® 云服务器，分别承载 NeuroMia Relay（Mia 的 Twilio 语音 / 短信桥接和 License Activation）、公司网站及 AiMe 产品 API 和 Ethos 推理 API、Corevah 语音 AI SaaS 平台、Anvil 静态站点和开发 Sandbox、一款名为 TrustEazy 的新 SaaS 产品、独立的 Ethos-Verum 推理部署、RetroNet 社区平台，以及 retrolink-host（一个 Commodore 64 BBS 项目）。
AI-nhancement 的 Runtime 会在 Anthropic、OpenAI、DeepSeek 和 NVIDIA 模型之间进行切换，而 DigitalOcean 推理路由器让 Canady 只需要维护一个集成入口，而不是四套不同接口。对于一家从产品设计之初就采用多平台架构的公司来说，这种统一并不只是更方便，而是架构层面的价值。
对他来说，最突出的地方甚至不是某一个具体功能，而是整个工作流。部署可以简单到直接向 Droplet 执行一次 Git Push，而 Claude Code 也可以直接 SSH 进入 Droplet，从私有仓库直接在服务器上工作，不需要再额外维护一套复杂的部署 Pipeline。
Canady 还做了几项不那么常见、但很值得关注的架构选择：
- 随着时间推移，把一些职责明确的 AI 专家模块从昂贵的前沿模型调用，逐步迁移到更小、在本地训练的模型上。
- 把一次受治理的模型调用拆分成独立的 Reasoning 和 Expression 两个阶段。（下文还会详细介绍。）
- Mia 的架构中，Droplet 只负责电话通信和 Provisioning，绝不会接触用户记忆；家用 PC 主动向 Relay 发起连接，而且不开放任何入站端口，从而降低家庭网络暴露在外部攻击面的风险。
- Anvil 要求两个不同模型系列分别独立批准每一次代码变更，而且第二个 Reviewer 会专门检查第一个 Reviewer 提出的修复是否又引入了新的 Regression。
谈到技术支持时，Canady 的反馈非常直接，而且并不是在被刻意询问后才给出的。“我之前因为一个账单问题联系过 DigitalOcean，他们回复得很快，几乎立刻就解决了。说实话，光凭客户支持这一点，我都会继续用 DigitalOcean。对于 Startup 来说，一次账单错误就可能打乱预算，甚至在你还没反应过来的时候就让整个项目撑不下去——这种响应速度的重要性，其实比很多人想象得更高。”Canady 说道。
获得更快的性能结果
在 Canady 进行的一组受控 Benchmark 中，把一次受治理的模型调用拆成独立的 Reasoning 和 Expression 两个阶段之后，在 56 次真实生产交互中，平均单轮延迟从 7,575ms 降到了 3,417ms，相当于获得了 2.22 倍的速度提升。
Canady 表示，整条 Pipeline 在 5,000 次测试中没有出现任何架构级失败；原始失败率为 0.30%，但这些错误全部在到达用户之前被结构化 Gate 拦截。同时，系统的 Intent Stability 达到了 88.0%。
在生产环境中，据他提供的数据，系统在 36 个 Intent Category 上保持 99.5% 的准确率；在一款 2B 参数 Benchmark 模型上准确率达到 100%；此外，在一个对抗式“Concerns Specialist”评测中得分为 96/100。
Canady 认为，真正的价值在于把所有东西都放在同一家平台上，这样他的工具就可以横跨整套基础设施工作，而不用在不同云平台之间来回切换、浪费时间。他预计，随着规模扩大，这些时间节省最终也会转化成实际的成本节省。
AI-nhancement 的下一步
AI-nhancement 接下来的路线图将更多转向 GPU 和训练投入：使用公司“专家模块升级”流程产生并经过验证的数据集，对开放权重模型进行 Fine-tuning。换句话说，今天还是推理服务客户，未来可能就会变成 GPU 和训练服务客户。
较新的产品 Anvil 接下来也需要训练规模的算力，而且因为它从设计上就是一个多平台系统，所以一套能够与 AI-Native Cloud 整合的统一路由层会从“可选项”变成“必需品”，这也正是 DigitalOcean 推理路由器发挥作用的地方。
Canady 同时还在评估自行托管 Mia 的语音技术栈，以及未来推出一个不再要求用户拥有家用 PC 的“Online Mia”版本，因此 GPU Droplet 也已经进入后续规划。
“我会向所有和我聊过的人推荐 DigitalOcean，原因有两个：客户支持，还有配置和使用起来真的很简单。要是把那些大型云平台和 DigitalOcean 放在一起比较，差距非常明显。”他说。
相关产品与选型
