Labelbox 的定位是“让 AI 学会做真实工作”。它一方面为前沿 AI 实验室构建训练 AI 所需的环境，另一方面为工程与研究团队提供可以承接积压工作的智能体。
用途
Labelbox 面向企业提供名为 Recursion 的智能体系统。官方描述强调，Recursion 不是编辑器里的另一个助手；其智能体可以在红构建、告警、新检查点或计划时间等条件下自行启动，并在后台持续工作直到任务完成，例如修复每一个不稳定的测试、保持依赖为最新版本、重新运行每一次评估、一次比较数十个实验等。
主要能力
官方列出了大量可交给智能体的具体工作任务，覆盖多个领域：
- 软件工程：Feature Builder（将就绪工单构建为带测试的可工作功能，在独立沙箱中运行）、Bug Fixer（复现新缺陷、定位原因并编写修复与回归测试）、Dependency Upgrader（在新版本发布时升级依赖、修复破坏并重跑测试）、Flaky Test Fixer（复现不稳定测试、找出竞态并修复）、Deprecation Cleanup（将每个调用方迁移出已弃用的 API）。
- 可靠性与基础设施：Incident Investigation（告警触发时关联告警、日志与近期部署）、Postmortem Writer（根据事件频道、告警与部署起草时间线、原因与跟进项）、Preview QA（在真实浏览器中检查每次预览部署，点击拉取请求涉及的流程）、Cloud Cost Watch（将每次支出尖峰追溯到背后的变更并编写修复）。
- 安全工程：Code Security Review（审查每个拉取请求并复现发现的问题）、Vulnerability Patcher（找到新严重漏洞触及的每个服务并打补丁）、Cloud Posture Review（检查每个云账户的配置错误与暴露数据）、Access Review（审查谁可以访问什么，标记无人使用或不应有的访问）、Threat Investigation（调查每次身份、邮箱与端点告警）。
- 机器学习研究：Experiment Sweep（一次运行数十个实验配置并与基线比较每次运行）、Model Trainer（启动微调运行、观察曲线并提前停止不良运行）、Ablation Runner（对训练运行中的每项变更做消融，找出真正影响指标的变更）、Data Quality Audit（在训练前检查每个新数据集版本的重复、泄漏与标签漂移）、Research Digest（阅读你关注主题的新论文与仓库并重跑关键结果）。
- 评估（Evals）：Eval Regression Watch（在每次模型或提示变更时重跑评估套件）、Benchmark Runner（并行、隔夜地让每个候选模型在你的基准上运行）、Regression Triage（将每次评估下降追溯到数据、代码或配置并证明）、Eval Set Builder（将本周生产故障转化为新的评估用例，每个用例配有自己的评分器）。
- 研发与产品：Simulation Sweep（对仿真代码运行参数扫描并与基线比较每个设计）、Hardware CI Triage（将每次夜间固件与验证失败追溯到导致问题的提交）、Prior-Art Search（在每次设计评审前检索论文与专利并找出重叠）、Prototype Builder（将每个已批准规格转为团队可点击的实时原型）、Product Spec Writer（从通话与工单为进入路线图的请求撰写第一版规格）、Product Docs Updater（在合并的拉取请求改变产品工作方式时更新文档）、Product Close the Loop（当请求的功能发布时，写给每位提出请求的客户）、Feedback Digest（阅读本周销售通话、评论与功能请求，找出客户反复提出的需求）。
- 财务：Forecast Refresh（从管道、使用量与订单重建收入预测）、Variance Analysis（逐项解释预算与实际之间的每项重大差异）、Deal Desk Review（将每笔非标准交易与定价政策及利润目标对照）、Revenue Recognition Review（阅读每份已签署合同，找出改变收入确认方式的条款）、Earnings Review（阅读财报、文件与电话会议记录，并将结果与你的估算比较）。
- 销售：Account Research（从 CRM、过往通话、文件与新闻构建简报）、Deal Review（阅读后期交易中的每次通话与邮件，并与你的销售流程对照）、Expansion Signals（跨账户观察使用量、招聘与新闻，寻找增长信号）、RFP Response（从已批准内容起草 RFP 与安全问卷答案）、Renewal Risk Review（在每次续约前阅读使用量、账户历史与通话笔记）。
- 战略：Competitive I（根据已有资料，该条目内容在官方文本中截断，未完整提供具体能力描述）。
使用方式
官方文本描述的工作方式是：智能体基于触发器（如构建失败、告警、新检查点、新数据集版本、计划时间等）自行启动，在后台运行，并与团队现有工具链（如 GitHub、Linear、Vercel、Slack、Sentry、Jenkins、PagerDuty、Datadog、Google BigQuery、Databricks、Salesforce、Gong、DocuSign、Okta 等）交互，最终交付可审查的产物，例如通过测试的拉取请求、预览链接、根因草稿、事后分析草稿、结果表格、检查点与评估报告等。
适用场景
适用于拥有前沿 AI 训练需求的研究实验室，以及希望将软件工程、运维、安全、机器学习研究、评估、产品、财务、销售和战略等团队的重复性积压工作交给后台智能体处理的企业。
限制
官方资料未提供定价、收费模式、部署方式、平台可用性、使用限制或所需先决条件的明确信息，这些内容暂未提供。
