ThinkingAI發布會上海站：Agentic Engine讓企業真正擁有AI Agent團隊

4月22日，上海徐匯漕河涇會議中心，ThinkingAI品牌煥新后的首秀「From Data To AI,Build Your Real Agent Team」落幕。ThinkingAI攜手行業伙伴從底層引擎到行業生態，再到垂直場景實戰，共同解答：企業該如何跨越鴻溝，真正擁有自己的AI Agent團隊？

Agentic Engine：讓Agent能感知、能理解、能行動

在與幾十家不同行業的企業深度交流中，ThinkingAI發現大多數企業對AI的使用還停留在 LLM 問答階段。即便部分團隊已經嘗試開發內部業務Agent，從“裝上Agent”到“用好Agent”之間仍然橫亙著幾個核心卡點：

Agent之間孤立無協作。每個部門都上了自己的 Agent，但它們之間不說話、不協作、沒有上下文共享。引入了 Agent 模式，但組織的運轉并沒有變快。

多模態全域數據匯集難。Agent 需要的不只是結構化的行為數據，還有社區評論、客服工單、IM對話、圖像視頻。這些數據分散在各個系統里，孤島林立，Agent看不見，也就無從判斷。

數據到知識的蒸餾難。把數據堆在一起還不夠。原始數據必須被抽象成Agent能理解、能調用的知識結構，否則Agent只是在數據表面滑行，無法做出真正有業務深度的判斷。

安全治理缺位。權限、脫敏、合規、審計——當 Agent 開始自主執行，“誰能看什么數據”“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，無法真正驅動業務。

為此，ThinkingAI結合在數據智能領域深耕十年的經驗，從Agent 的工作模式出發，打造了 Agentic Engine——可私有化部署的企業級 AI Agent 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>

感——全域感知。7x24小時感知所有渠道的信號。不只是數據看板上的指標異常，還包括 Discord、Twitter上的用戶吐槽，AppStore里突然增多的差評，甚至團隊內部被擱置的會議討論。Agent 能自動關聯這些分散的信號，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，而是主動發現問題。

知——深度理解。Agent 不只知道“發生了什么”，更要知道“為什么發生”。當業務問“為什么這周留存掉了？”，Agent知道“留存”在你的企業里有幾種算法，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。Agent根據理解生成策略并直接執行。比如，發現某渠道ROI持續走低，自動生成縮減預算并重新分配的策略，發起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，而非只輸出一份報告等人去執行。

感知、理解、行動，三者循環往復，形成一個不停歇的智能閉環。

各司其職的Agent團隊

Agentic Engine不是給每個人配一個AI助手，而是給企業一整支能協作的Agent團隊。

數據分析Agent，團隊的“眼睛”。通過對話進行數據分析。過去業務提需求、分析師寫 SQL、出報表、開會討論，一個完整分析周期按天計?，F在業務直接問Agent，幾分鐘便可給出結論和行動建議。

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、開發上線、人工判讀，一個實驗周期2-4周。現在Agent發現機會點后自動生成假設、啟動測試、實時監控、自動判讀，無需人工干預。

智能運營Agent，團隊的“手”。根據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可根據行為信號實時執行，讓運營周期從"周"變成"實時"。

自主創建Agent。用戶無需寫代碼，通過點選拖拽即可創建個性化Agent。自定義Agent和系統原生Agent一樣，可以與其他Agent相互協作。

這支Agent團隊背后是Agent CoWork 的三層協同機制：策略層負責發現機會和驗證假設。Agent主動發現異常，實驗Agent 自動啟動驗證。編排層是整個系統的大腦。統一的 Orchestrator負責任務調度、狀態管理、上下文共享。沒有它，策略層和執行層就是兩套孤立的系統。

執行層并行運行多個業務Agent，根據策略層的指令完成具體動作——調整投放、觸達用戶、響應客服。關鍵在于，執行層的結果會自動回流到策略層，下一輪洞察更準、更快。因為這是一支能協作、能學習、能進化的Agent團隊。

一個能吸收企業自身知識、持續進化的平臺

很多Agent平臺也能搭建多個Agent，但Agent 懂不懂你的業務。通用大模型確實聰明，但它不知道你們公司"留存"按什么口徑算，不知道"新增用戶"在你們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。這些不是靠prompt能補齊的。

過去10年，ThinkingAI 服務了1500+家企業、8000+款產品，橫跨游戲、社交、電商、短劇、直播等行業。這些積累轉化為 Agentic Engine 的三層知識體系：

第一層：Agent 的記憶系統。傳統數據倉庫是為人類分析師設計的，你得會寫SQL、懂表結構。Agent需要的是能直接理解業務語言的知識庫——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構化，Agent可以直接調用。

第二層：100+預置行業Skil。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。這不是通用的數據查詢能力，而是特定行業的分析方法論——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：持續進化的知識積累。 每一次執行的結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經驗編碼成專屬Skill，可遷移、可擴展。這意味著Agentic Engine 不是一個封閉的系統，而是一個能吸收企業自身知識、持續進化的平臺。

可信、可控、可私有化部署

很多企業上了Agent后發現它像個黑箱——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。Agentic Engine提供全鏈路可觀測能力，讓每一步都可追溯、可診斷、可優化：

沙箱隔離：新Agent在沙箱中試跑，不影響生產環境

A/B灰度：對比驗證新舊Agent，贏了再推全場景

數據口徑一致性：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

整套系統支持私有化部署，包括底層大模型。數據不出企業，完全合規。MiniMax是ThinkingAI 的戰略合作伙伴，為需要私有化部署的企業提供大模型底座。同時，Agentic Engine 原生支持MCP、A2A協議，可以和任何AI平臺無縫對接。ThinkingAI相信，真正的企業級平臺應該是開放的。在交互層面，Agentic Engine系統已支持飛書、企業微信、釘釘、Slack等主流辦公平臺，用戶可以隨時隨地與Agent交互。

過去10年，ThinkingAI為企業提供數據基礎設施。下一個10年，ThinkingAI團隊希望要幫每一家企業打造自己的AI Agent團隊。人設定目標和邊界，Agent在邊界內自主運行。人負責戰略、創意和品質把控，Agent負責感知、分析和執行。各司其職，各展所長。