重磅！ThinkingAI正式發布企業級AI Agent平Agentic Engine

凌晨 3 點，某款全球發行的游戲項目的運營團隊都在熟睡中。一個 Agent 發現 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？結合團隊內部的會議紀要和外網用戶的反饋，30 分鐘內定位到上周新版本調整了新手引導流程，導致部分用戶在關鍵關卡卡住。Agent 根據對業務的理解自動生成優化方案并發起 A/B 測試，2 小時后根據測試結果選擇最優方案并推全量。數小時后，團隊成員一早醒來，通過 Agent 發來的日報得知：問題已經解決了。

這不是科幻場景，而是 Agent 驅動業務增長的新方式。

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品發布會，正式發布企業級 AI Agent 平臺 Agentic Engine。

從"裝上 Agent"到"用好 Agent"，中間隔著什么？

在與幾十家不同行業的企業深度交流中，我們發現大多數企業對 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。

Agentic Engine：讓 Agent 能感知、能理解、能行動

為此，我們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？我們把它概括為三個字：感、知、行。這也是 Agentic Engine 的產品設計理念。

感——全域感知。 7x24 小時感知所有渠道的信號。不只是數據看板上的指標異常，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，形成一個永不停歇的智能閉環。

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。現在業務直接問 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"周級"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。

這些 Agent 不是孤立運行的。來看基于真實場景的產品demo演示視頻：

[2026ThinkingAI產品視頻.mp4]

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——洞察 Agent 主動發現異常，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。這不是幾個 AI 助手的簡單拼湊，而是一支能協作、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。這些行業 know-how 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。我們把這些積累轉化為 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 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

Agent 自主執行帶來一個新的問題：怎么確保 Agent 做對了事？

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。我們相信，真正的企業級平臺應該是開放的。

在交互層面，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。

下一個十年

過去 10 年，我們為企業提供數據基礎設施。下一個 10 年，我們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。這是我們對 Agent 時代的理解，也是 Agentic Engine 的設計哲學。

今天起，Agentic Engine 正式面向全球客戶開放。

歡迎來到現場一起見證Agentic Engine的發布！

https://fs80.cn/h2pxse（跳轉鏈接）