上海2026年4月20日 /美通社/ -- 美國西部時(shí)間 4 月 16 日下午，ThinkingAI 在硅谷的計(jì)算機(jī)博物館舉辦產(chǎn)品發(fā)布會(huì)，正式發(fā)布企業(yè)級(jí) AI Agent 平臺(tái) Agentic Engine。 

這不是科幻場景，而是 Agent 驅(qū)動(dòng)業(yè)務(wù)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，Thinking AI 發(fā)現(xiàn)大多數(shù)企業(yè)對(duì) AI 的使用還停留在 LLM 問答階段。即便部分團(tuán)隊(duì)已經(jīng)嘗試開發(fā)內(nèi)部業(yè)務(wù) Agent，從"裝上 Agent"到"用好 Agent"之間，仍然橫亙著幾個(gè)核心卡點(diǎn)：

Agent 之間孤立無協(xié)作。 每個(gè)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(yùn)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(píng)論、客服工單、IM 對(duì)話、圖像視頻。這些數(shù)據(jù)分散在各個(gè)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(shí)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(shí)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(wù)深度的判斷。

安全治理缺位。 權(quán)限、脫敏、合規(guī)、審計(jì)——當(dāng) Agent 開始自主執(zhí)行，"誰能看什么數(shù)據(jù)""誰能做什么動(dòng)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(dòng)業(yè)務(wù)。

Agentic Engine：讓 Agent 能感知、能理解、能行動(dòng)

為此，Thinking AI 結(jié)合在數(shù)據(jù)智能領(lǐng)域深耕十年的經(jīng)驗(yàn)，從 Agent 的工作模式出發(fā)，打造了 Agentic Engine——可私有化部署的企業(yè)級(jí) AI Agent 平臺(tái)。

一個(gè)好的 Agent 應(yīng)該具備什么能力？Thinking AI 把它概括為三個(gè)字：感、知、行。這也是 Agentic Engine 的產(chǎn)品設(shè)計(jì)理念。

感——全域感知。 7x24 小時(shí)感知所有渠道的信號(hào)。不只是數(shù)據(jù)看板上的指標(biāo)異常，還包括 Discord、Twitter 上的用戶吐槽，App Store 里突然增多的差評(píng)，甚至團(tuán)隊(duì)內(nèi)部被擱置的會(huì)議討論。Agent 能自動(dòng)關(guān)聯(lián)這些分散的信號(hào)，判斷是個(gè)例還是普遍問題，并實(shí)時(shí)預(yù)警。它不是被動(dòng)等待查詢，而是主動(dòng)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(dāng)業(yè)務(wù)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(gè)渠道、哪個(gè)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(gè)對(duì)業(yè)務(wù)理解全面而細(xì)致的專家，能基于上下文做出準(zhǔn)確判斷。

行——行動(dòng)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(dòng)生成縮減預(yù)算并重新分配的策略，發(fā)起 A/B 測試驗(yàn)證，確認(rèn)效果后推全量——整個(gè)過程無需人工排期。它完成的是從決策到行動(dòng)的全閉環(huán)，而非只輸出一份報(bào)告等人去執(zhí)行。

感知、理解、行動(dòng)，三者循環(huán)往復(fù)，形成一個(gè)永不停歇的智能閉環(huán)。

各司其職的 Agent 團(tuán)隊(duì)

Agentic Engine 不是給每個(gè)人配一個(gè) AI 助手，而是給企業(yè)一整支能協(xié)作的 Agent 團(tuán)隊(duì)。

數(shù)據(jù)分析 Agent，團(tuán)隊(duì)的"眼睛"。 通過對(duì)話進(jìn)行數(shù)據(jù)分析。過去業(yè)務(wù)提需求、分析師寫 SQL、出報(bào)表、開會(huì)討論，一個(gè)完整分析周期按天計(jì)?，F(xiàn)在業(yè)務(wù)直接問 Agent，幾分鐘便可給出結(jié)論和行動(dòng)建議。

A/B 實(shí)驗(yàn) Agent，團(tuán)隊(duì)的"裁判"。 自主設(shè)計(jì)實(shí)驗(yàn)、推流和驗(yàn)證。過去每月排期、開發(fā)上線、人工判讀，一個(gè)實(shí)驗(yàn)周期 2-4 周?，F(xiàn)在 Agent 發(fā)現(xiàn)機(jī)會(huì)點(diǎn)后自動(dòng)生成假設(shè)、啟動(dòng)測試、實(shí)時(shí)監(jiān)控、自動(dòng)判讀，無需人工干預(yù)。

智能運(yùn)營 Agent，團(tuán)隊(duì)的"手"。 根據(jù)洞察自動(dòng)生成運(yùn)營策略并精準(zhǔn)觸達(dá)。對(duì)潛在流失用戶的干預(yù)、對(duì)高價(jià)值用戶的促活，Agent 可根據(jù)行為信號(hào)實(shí)時(shí)執(zhí)行，讓運(yùn)營周期從"周級(jí)"變成"實(shí)時(shí)"。

自主創(chuàng)建 Agent。 用戶無需寫代碼，通過點(diǎn)選拖拽即可創(chuàng)建個(gè)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(yùn)行的。來看基于真實(shí)場景的產(chǎn)品demo演示視頻：

這支Agent團(tuán)隊(duì)背后是 Agent CoWork 的三層協(xié)同機(jī)制：

• 策略層負(fù)責(zé)發(fā)現(xiàn)機(jī)會(huì)和驗(yàn)證假設(shè)——洞察 Agent 主動(dòng)發(fā)現(xiàn)異常，實(shí)驗(yàn) Agent 自動(dòng)啟動(dòng)驗(yàn)證。Agent 不是被動(dòng)響應(yīng)，而是主動(dòng)出擊。
• 編排層是整個(gè)系統(tǒng)的大腦——統(tǒng)一的 Orchestrator 負(fù)責(zé)任務(wù)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(yùn)行多個(gè)業(yè)務(wù) Agent，根據(jù)策略層的指令完成具體動(dòng)作——調(diào)整投放、觸達(dá)用戶、響應(yīng)客服。

關(guān)鍵在于，執(zhí)行層的結(jié)果會(huì)自動(dòng)回流到策略層，下一輪洞察更準(zhǔn)、更快。這不是幾個(gè) AI 助手的簡單拼湊，而是一支能協(xié)作、能學(xué)習(xí)、能進(jìn)化的 Agent 團(tuán)隊(duì)。

十年積累，讓 Agent 從"通用智能"變成"業(yè)務(wù)專家"

很多 Agent 平臺(tái)也能搭建多個(gè) Agent，但真正的差距在于：Agent 懂不懂用戶的業(yè)務(wù)。

通用大模型確實(shí)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(jì)算方式，不知道"付費(fèi)分析"可以從哪幾十個(gè)維度去拆解。這些行業(yè) know-how 不是靠 prompt 能補(bǔ)齊的。

過去 10 年，ThinkingAI 服務(wù)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(tuán)隊(duì)把這些積累轉(zhuǎn)化為 Agentic Engine 的三層知識(shí)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(shè)計(jì)的，用戶得會(huì)寫 SQL、懂表結(jié)構(gòu)。Agent 需要的是能直接理解業(yè)務(wù)語言的知識(shí)庫——通過語義層和知識(shí)圖譜，"DAU"怎么算、"上周"是自然周還是運(yùn)營周、"收入"是 GMV 還是實(shí)收，這些隱性知識(shí)都被結(jié)構(gòu)化，Agent 可以直接調(diào)用。

第二層：100+ 預(yù)置行業(yè) Skill。 覆蓋用戶分析、留存分析、付費(fèi)分析、投放分析、運(yùn)營分析等 8 大領(lǐng)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(fèi)"該看哪些維度、"投放 ROI"該怎么歸因。每個(gè) Agent 都自帶專家技能。

第三層：持續(xù)進(jìn)化的知識(shí)積累。 每一次執(zhí)行的結(jié)果都會(huì)沉淀為新的知識(shí)——上次 A/B 測試哪個(gè)方案贏了、為什么贏；哪些用戶對(duì)什么觸達(dá)響應(yīng)率高；哪些異常是真問題、哪些是正常波動(dòng)。Agent 不是每次從零開始，而是在不斷積累的知識(shí)庫上越跑越準(zhǔn)。

同時(shí)，用戶可以把自己的行業(yè)經(jīng)驗(yàn)編碼成專屬 Skill，可遷移、可擴(kuò)展。這意味著 Agentic Engine 不是一個(gè)封閉的系統(tǒng)，而是一個(gè)能吸收企業(yè)自身知識(shí)、持續(xù)進(jìn)化的平臺(tái)。

可信、可控、可私有化部署

Agent 自主執(zhí)行帶來一個(gè)新的問題：怎么確保 Agent 做對(duì)了事？

很多企業(yè)上了 Agent 后發(fā)現(xiàn)它像個(gè)黑箱——不知道成本燒在哪、不知道輸出準(zhǔn)不準(zhǔn)、不知道 Agent 是在解決問題還是在做無效循環(huán)。Agentic Engine 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(duì)比驗(yàn)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(yuǎn)有同樣的答案
• 幻覺檢測：貫穿全鏈路，防止錯(cuò)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(shí)，Agentic Engine 原生支持 MCP、A2A 協(xié)議，可以和任何 AI 平臺(tái)無縫對(duì)接。團(tuán)隊(duì)相信，真正的企業(yè)級(jí)平臺(tái)應(yīng)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(tái)，用戶可以隨時(shí)隨地與 Agent 交互。

下一個(gè)十年

過去 10 年，我們?yōu)槠髽I(yè)提供數(shù)據(jù)基礎(chǔ)設(shè)施。下一個(gè) 10 年，我們要幫每一家企業(yè)打造自己的 AI Agent 團(tuán)隊(duì)。人設(shè)定目標(biāo)和邊界，Agent 在邊界內(nèi)自主運(yùn)行。人負(fù)責(zé)戰(zhàn)略、創(chuàng)意和品質(zhì)把控，Agent 負(fù)責(zé)感知、分析和執(zhí)行。各司其職，各展所長。這是我們對(duì) Agent 時(shí)代的理解，也是 Agentic Engine 的設(shè)計(jì)哲學(xué)。

今天起，Agentic Engine 正式面向全球客戶開放。