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

這不是科幻場景，而是 Agent 驅(qū)動業(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 AI 的使用還停留在 LLM 問答階段。即便部分團(tuán)隊已經(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(wù)深度的判斷。

安全治理缺位。 權(quán)限、脫敏、合規(guī)、審計——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(wù)。

Agentic Engine：讓 Agent 能感知、能理解、能行動

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，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 AI Agent 平臺。

一個好的 Agent 應(yīng)該具備什么能力？Thinking AI 把它概括為三個字：感、知、行。這也是 Agentic Engine 的產(chǎn)品設(shè)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(biāo)異常，還包括 Discord、Twitter 上的用戶吐槽，App Store 里突然增多的差評，甚至團(tuán)隊內(nèi)部被擱置的會議討論。Agent 能自動關(guān)聯(lián)這些分散的信號，判斷是個例還是普遍問題，并實時預(yù)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(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(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(yù)算并重新分配的策略，發(fā)起 A/B 測試驗證，確認(rèn)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(fù)，形成一個永不停歇的智能閉環(huán)。

各司其職的 Agent 團(tuán)隊

Agentic Engine 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(tuán)隊。

數(shù)據(jù)分析 Agent，團(tuán)隊的"眼睛"。 通過對話進(jìn)行數(shù)據(jù)分析。過去業(yè)務(wù)提需求、分析師寫 SQL、出報表、開會討論，一個完整分析周期按天計。現(xiàn)在業(yè)務(wù)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(tuán)隊的"裁判"。 自主設(shè)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(jī)會點后自動生成假設(shè)、啟動測試、實時監(jiān)控、自動判讀，無需人工干預(yù)。

智能運營 Agent，團(tuán)隊的"手"。 根據(jù)洞察自動生成運營策略并精準(zhǔn)觸達(dá)。對潛在流失用戶的干預(yù)、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(tuán)隊背后是 Agent CoWork 的三層協(xié)同機(jī)制：

• 策略層負(fù)責(zé)發(fā)現(xiàn)機(jī)會和驗證假設(shè)——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(yīng)，而是主動出擊。
• 編排層是整個系統(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)行層并行運行多個業(yè)務(wù) Agent，根據(jù)策略層的指令完成具體動作——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)果會自動回流到策略層，下一輪洞察更準(zhǔn)、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(xué)習(xí)、能進(jìn)化的 Agent 團(tuán)隊。

十年積累，讓 Agent 從"通用智能"變成"業(yè)務(wù)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(wù)。

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(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)隊把這些積累轉(zhuǎn)化為 Agentic Engine 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(shè)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(wù)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(yù)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(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"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(jìn)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(dá)響應(yīng)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(zhǔn)。

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(kuò)展。這意味著 Agentic Engine 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(jìn)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(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(yuǎn)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，Agentic Engine 原生支持 MCP、A2A 協(xié)議，可以和任何 AI 平臺無縫對接。團(tuán)隊相信，真正的企業(yè)級平臺應(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，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(chǔ)設(shè)施。下一個 10 年，我們要幫每一家企業(yè)打造自己的 AI Agent 團(tuán)隊。人設(shè)定目標(biāo)和邊界，Agent 在邊界內(nèi)自主運行。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 Agent 時代的理解，也是 Agentic Engine 的設(shè)計哲學(xué)。

今天起，Agentic Engine 正式面向全球客戶開放。