美國西部時間4月16日下午，ThinkingAI在硅谷的計算機博物館舉辦產(chǎn)品發(fā)布會，正式發(fā)布企業(yè)級 AIAgent 平臺 AgenticEngine。
發(fā)布會現(xiàn)場照片
凌晨3點，某款全球發(fā)行的游戲項目的運營團隊都在熟睡中。
一個Agent發(fā)現(xiàn)7日留存下降12%，自動拆解問題——哪個渠道、哪個版本、哪類用戶？結(jié)合團隊內(nèi)部的會議紀要和外網(wǎng)用戶的反饋，30分鐘內(nèi)定位到上周新版本調(diào)整了新手引導流程，導致部分用戶在關鍵關卡卡住。Agent根據(jù)對業(yè)務的理解自動生成優(yōu)化方案并發(fā)起A/B測試，2小時后根據(jù)測試結(jié)果選擇最優(yōu)方案并推全量。數(shù)小時后，團隊成員一早醒來，通過Agent發(fā)來的日報得知：問題已經(jīng)解決了。
這不是科幻場景，而是Agent驅(qū)動業(yè)務增長的新方式。
從"裝上Agent"到"用好Agent"，中間隔著什么？
在與幾十家不同行業(yè)的企業(yè)深度交流中，ThinkingAI發(fā)現(xiàn)大多數(shù)企業(yè)對AI的使用還停留在LLM問答階段。即便部分團隊已經(jīng)嘗試開發(fā)內(nèi)部業(yè)務Agent，從"裝上Agent"到"用好Agent"之間，仍然橫亙著幾個核心卡點：
Agent之間孤立無協(xié)作。每個部門都上了自己的 Agent，但它們之間不說話、不協(xié)作、沒有上下文共享。引入了 Agent模式，但組織的運轉(zhuǎn)并沒有變快。
多模態(tài)全域數(shù)據(jù)匯集難。Agent需要的不只是結(jié)構(gòu)化的行為數(shù)據(jù)，還有社區(qū)評論、客服工單、IM對話、圖像視頻。這些數(shù)據(jù)分散在各個系統(tǒng)里，孤島林立，Agent看不見，也就無從判斷。
數(shù)據(jù)到知識的蒸餾難。把數(shù)據(jù)堆在一起還不夠。原始數(shù)據(jù)必須被抽象成 Agent能理解、能調(diào)用的知識結(jié)構(gòu)，否則 Agent只是在數(shù)據(jù)表面滑行，無法做出真正有業(yè)務深度的判斷。
安全治理缺位。權(quán)限、脫敏、合規(guī)、審計——當 Agent開始自主執(zhí)行，"誰能看什么數(shù)據(jù)""誰能做什么動作"變成了必須回答的問題。
這些問題不解決，Agent就只能停留在"聊天助手"的階段，無法真正驅(qū)動業(yè)務。
AgenticEngine：讓 Agent能感知、能理解、能行動
為此，ThinkingAI結(jié)合在數(shù)據(jù)智能領域深耕十年的經(jīng)驗，從Agent的工作模式出發(fā)，打造了AgenticEngine——可私有化部署的企業(yè)級 AIAgent平臺。
一個好的Agent應該具備什么能力？ThinkingAI把它概括為三個字：感、知、行。這也是AgenticEngine的產(chǎn)品設計理念。
AgenticEngine的產(chǎn)品設計理念
感——全域感知。7x24小時感知所有渠道的信號。不只是數(shù)據(jù)看板上的指標異常，還包括Discord、Twitter上的用戶吐槽，AppStore里突然增多的差評，甚至團隊內(nèi)部被擱置的會議討論。Agent能自動關聯(lián)這些分散的信號，判斷是個例還是普遍問題，并實時預警。它不是被動等待查詢，而是主動發(fā)現(xiàn)問題。
知——深度理解。Agent不只知道"發(fā)生了什么"，更要知道"為什么發(fā)生"。當業(yè)務問"為什么這周留存掉了"，Agent知道"留存"在用戶的企業(yè)里有幾種算法，知道要拆解到"哪個渠道、哪個版本、哪類用戶"，知道上次類似問題是怎么解決的。它就像一個對業(yè)務理解全面而細致的專家，能基于上下文做出準確判斷。
行——行動閉環(huán)。Agent根據(jù)理解生成策略并直接執(zhí)行。比如，發(fā)現(xiàn)某渠道 ROI持續(xù)走低，自動生成縮減預算并重新分配的策略，發(fā)起 A/B測試驗證，確認效果后推全量——整個過程無需人工排期。它完成的是從決策到行動的全閉環(huán)，而非只輸出一份報告等人去執(zhí)行。
感知、理解、行動，三者循環(huán)往復，形成一個永不停歇的智能閉環(huán)。
各司其職的 Agent團隊
AgenticEngine不是給每個人配一個 AI助手，而是給企業(yè)一整支能協(xié)作的 Agent團隊。
數(shù)據(jù)分析 Agent，團隊的"眼睛"。通過對話進行數(shù)據(jù)分析。過去業(yè)務提需求、分析師寫 SQL、出報表、開會討論，一個完整分析周期按天計?，F(xiàn)在業(yè)務直接問 Agent，幾分鐘便可給出結(jié)論和行動建議。
A/B實驗 Agent，團隊的"裁判"。自主設計實驗、推流和驗證。過去每月排期、開發(fā)上線、人工判讀，一個實驗周期 2-4周。現(xiàn)在 Agent發(fā)現(xiàn)機會點后自動生成假設、啟動測試、實時監(jiān)控、自動判讀，無需人工干預。
智能運營 Agent，團隊的"手"。根據(jù)洞察自動生成運營策略并精準觸達。對潛在流失用戶的干預、對高價值用戶的促活，Agent可根據(jù)行為信號實時執(zhí)行，讓運營周期從"周級"變成"實時"。
自主創(chuàng)建 Agent。用戶無需寫代碼，通過點選拖拽即可創(chuàng)建個性化 Agent。自定義 Agent和系統(tǒng)原生 Agent一樣，可以與其他 Agent相互協(xié)作。
這些 Agent不是孤立運行的。來看基于真實場景的產(chǎn)品demo演示視頻：
這支Agent團隊背后是AgentCoWork的三層協(xié)同機制：
• 策略層負責發(fā)現(xiàn)機會和驗證假設——洞察Agent主動發(fā)現(xiàn)異常，實驗Agent自動啟動驗證。Agent不是被動響應，而是主動出擊。
• 編排層是整個系統(tǒng)的大腦——統(tǒng)一的Orchestrator負責任務調(diào)度、狀態(tài)管理、上下文共享。沒有它，策略層和執(zhí)行層就是兩套孤立的系統(tǒng)。
• 執(zhí)行層并行運行多個業(yè)務Agent，根據(jù)策略層的指令完成具體動作——調(diào)整投放、觸達用戶、響應客服。
關鍵在于，執(zhí)行層的結(jié)果會自動回流到策略層，下一輪洞察更準、更快。這不是幾個AI助手的簡單拼湊，而是一支能協(xié)作、能學習、能進化的Agent團隊。
十年積累，讓 Agent從"通用智能"變成"業(yè)務專家"
很多Agent平臺也能搭建多個Agent，但真正的差距在于：Agent懂不懂用戶的業(yè)務。
通用大模型確實聰明，但它不知道用戶公司"留存"按什么口徑算，不知道"新增用戶"在用戶的定義里有幾種計算方式，不知道"付費分析"可以從哪幾十個維度去拆解。這些行業(yè)know-how不是靠prompt能補齊的。
過去10年，ThinkingAI服務了1500+家企業(yè)、8000+款產(chǎn)品，橫跨游戲、社交、電商、短劇、直播等行業(yè)。團隊把這些積累轉(zhuǎn)化為AgenticEngine的三層知識體系：
AgenticEngine的三層知識體系
第一層：Agent的記憶系統(tǒng)。傳統(tǒng)數(shù)據(jù)倉庫是為人類分析師設計的，用戶得會寫 SQL、懂表結(jié)構(gòu)。Agent需要的是能直接理解業(yè)務語言的知識庫——通過語義層和知識圖譜，"DAU"怎么算、"上周"是自然周還是運營周、"收入"是 GMV還是實收，這些隱性知識都被結(jié)構(gòu)化，Agent可以直接調(diào)用。
第二層：100+預置行業(yè) Skill。覆蓋用戶分析、留存分析、付費分析、投放分析、運營分析等 8大領域。這不是通用的數(shù)據(jù)查詢能力，而是特定行業(yè)的分析方法論——比如"留存"該怎么拆、"付費"該看哪些維度、"投放 ROI"該怎么歸因。每個 Agent都自帶專家技能。
第三層：持續(xù)進化的知識積累。每一次執(zhí)行的結(jié)果都會沉淀為新的知識——上次 A/B測試哪個方案贏了、為什么贏；哪些用戶對什么觸達響應率高；哪些異常是真問題、哪些是正常波動。Agent不是每次從零開始，而是在不斷積累的知識庫上越跑越準。
同時，用戶可以把自己的行業(yè)經(jīng)驗編碼成專屬Skill，可遷移、可擴展。這意味著AgenticEngine不是一個封閉的系統(tǒng)，而是一個能吸收企業(yè)自身知識、持續(xù)進化的平臺。
可信、可控、可私有化部署
Agent自主執(zhí)行帶來一個新的問題：怎么確保 Agent做對了事？
很多企業(yè)上了 Agent后發(fā)現(xiàn)它像個黑箱——不知道成本燒在哪、不知道輸出準不準、不知道 Agent是在解決問題還是在做無效循環(huán)。AgenticEngine提供全鏈路可觀測能力，讓每一步都可追溯、可診斷、可優(yōu)化：
• 沙箱隔離：新Agent在沙箱中試跑，不影響生產(chǎn)環(huán)境
• A/B灰度：對比驗證新舊Agent，贏了再推全場景
• 數(shù)據(jù)口徑一致性：同樣的問題永遠有同樣的答案
• 幻覺檢測：貫穿全鏈路，防止錯誤輸出
整套系統(tǒng)支持私有化部署，包括底層大模型。數(shù)據(jù)不出企業(yè)，完全合規(guī)。MiniMax是ThinkingAI的戰(zhàn)略合作伙伴，為需要私有化部署的企業(yè)提供大模型底座。同時，AgenticEngine原生支持MCP、A2A協(xié)議，可以和任何AI平臺無縫對接。團隊相信，真正的企業(yè)級平臺應該是開放的。
在交互層面，系統(tǒng)已支持飛書、企業(yè)微信、釘釘、Slack等主流辦公平臺，用戶可以隨時隨地與Agent交互。
下一個十年
過去 10年，我們?yōu)槠髽I(yè)提供數(shù)據(jù)基礎設施。下一個 10年，我們要幫每一家企業(yè)打造自己的 AIAgent團隊。人設定目標和邊界，Agent在邊界內(nèi)自主運行。人負責戰(zhàn)略、創(chuàng)意和品質(zhì)把控，Agent負責感知、分析和執(zhí)行。各司其職，各展所長。這是我們對 Agent時代的理解，也是AgenticEngine的設計哲學。
今天起，AgenticEngine正式面向全球客戶開放。
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
