一家游戲數(shù)據(jù)服務(wù)公司，憑什么能讓Agent真正為企業(yè)干活｜甲子光年

為什么更懂游戲，也會更懂Agent？

作者｜王博

走出美國舊金山莫斯康中心時(shí)，天色已經(jīng)暗了。2026年游戲開發(fā)者大會（GDC）剛散場，呂承通打了一輛車，車門關(guān)上后，他沒有先休息，而是立刻撥通了團(tuán)隊(duì)的電話。

電話中討論的，不是某個(gè)客戶項(xiàng)目，而是一個(gè)更大的決定：把公司名稱從ThinkingData改為ThinkingAI。

作為ThinkingData（數(shù)數(shù)科技）創(chuàng)始人、CEO，呂承通并不是臨時(shí)起意。早在五年前，他就已經(jīng)注冊了ThinkingAI的域名和商標(biāo)。只是直到2026年春天，這個(gè)名字才真正到了被啟用的時(shí)候。

“產(chǎn)業(yè)的拐點(diǎn)到了，沒有什么好猶豫的。”呂承通對「甲子光年」說。

這句話背后，是一家數(shù)據(jù)服務(wù)公司的主動(dòng)轉(zhuǎn)身。

成立于2015年的ThinkingData，以游戲行業(yè)數(shù)據(jù)分析服務(wù)起家，并在這一領(lǐng)域建立起極高的知名度。他們所做的事情，是幫助企業(yè)更好地理解用戶、理解增長、理解業(yè)務(wù)，讓數(shù)據(jù)從后臺報(bào)表變成經(jīng)營決策的一部分。過去十年，ThinkingData服務(wù)超過1500家客戶，服務(wù)的客戶覆蓋了20個(gè)國家。

但到了今天，僅僅“理解”已經(jīng)不夠了。

4月16日，ThinkingAI以全新品牌形象在硅谷計(jì)算機(jī)歷史博物館舉辦全球發(fā)布會，并發(fā)布全新產(chǎn)品Agentic Engine。這是一個(gè)可私有化部署的企業(yè)級AI Agent平臺，平臺中的Agent可實(shí)時(shí)分析業(yè)務(wù)數(shù)據(jù)、?主做出決策、并執(zhí)?相關(guān)的策略動(dòng)作。

接下來的幾天里，ThinkingAI又相繼在韓國、日本舉辦發(fā)布會。4月22日，ThinkingAI回到中國，在上海漕河涇會議中心舉行了發(fā)布會。

ThinkingAI聯(lián)合創(chuàng)始人、CTO周津在發(fā)布會上說：“過去十年，我們讓企業(yè)把數(shù)據(jù)變成資產(chǎn)。下一個(gè)十年，讓這份資產(chǎn)通過Agent真正運(yùn)轉(zhuǎn)起來。”

這次轉(zhuǎn)型，未必是這場產(chǎn)業(yè)更替中唯一的樣本，但它無疑是一個(gè)值得被記錄的錨點(diǎn)事件。但行業(yè)中還是有一些疑問：為什么一家數(shù)據(jù)服務(wù)公司會轉(zhuǎn)型為AI公司？Agent時(shí)代的護(hù)城河是什么？ThinkingAI過往在游戲行業(yè)積累的數(shù)據(jù)和經(jīng)驗(yàn)是否可以成為他們服務(wù)其他行業(yè)客戶的know-how？Agentic Engine又和其他企業(yè)級Agent產(chǎn)品有什么區(qū)別？

這一次，「甲子光年」和ThinkingAI創(chuàng)始人、CEO呂承通和ThinkingAI聯(lián)合創(chuàng)始人、CTO周津坐下來，好好聊了聊。

1.重建企業(yè)的“底層數(shù)字器官”

要理解從Data到AI的轉(zhuǎn)型，不能脫離企業(yè)數(shù)字化的時(shí)代背景。

過去三十多年，企業(yè)數(shù)字化大致經(jīng)歷了兩輪由基礎(chǔ)設(shè)施驅(qū)動(dòng)的范式更替。

第一輪是信息化。從上世紀(jì)90年代到2010年前后，SAP、甲骨文、用友等公司，用ERP、CRM等系統(tǒng)幫助企業(yè)第一次把業(yè)務(wù)流程系統(tǒng)化地記錄下來。企業(yè)管理也由此從依賴經(jīng)驗(yàn)，轉(zhuǎn)向依賴流程。這是企業(yè)數(shù)字化的1.0時(shí)代，本質(zhì)是讓企業(yè)先“看見自己”。

第二輪是數(shù)據(jù)化。2010年之后，Snowflake、Databricks、ThinkingData等公司，進(jìn)一步把企業(yè)帶入“理解自己”的階段。數(shù)據(jù)倉庫、數(shù)據(jù)平臺和分析工具的普及，讓企業(yè)第一次能夠持續(xù)、系統(tǒng)地理解業(yè)務(wù)運(yùn)行狀態(tài)，決策邏輯也從直覺驅(qū)動(dòng)，轉(zhuǎn)向數(shù)據(jù)驅(qū)動(dòng)。由此，企業(yè)數(shù)字化進(jìn)入2.0時(shí)代。

而現(xiàn)在，第三輪變化——智能化正在發(fā)生。企業(yè)數(shù)字化的核心命題，已經(jīng)不再只是“記錄業(yè)務(wù)”或“理解業(yè)務(wù)”，而是開始走向“自主執(zhí)行”——讓業(yè)務(wù)系統(tǒng)不僅能感知、能判斷，還能真正參與行動(dòng)。

這也是為什么，2026年企業(yè)級Agent賽道雖然熱鬧，但真正值得關(guān)注的，并不是誰背后接入的模型更強(qiáng)、誰的Demo更炫，而是誰能真正把企業(yè)帶入數(shù)字化3.0時(shí)代。

其實(shí)，每一輪數(shù)字化升級，最終篩選出來的都不只是幾款熱門產(chǎn)品，而是一批重新定義企業(yè)運(yùn)作方式的基礎(chǔ)設(shè)施公司。它們決定了一個(gè)時(shí)代的企業(yè)如何運(yùn)轉(zhuǎn)，也往往會成為未來十年到二十年企業(yè)服務(wù)版圖中的核心節(jié)點(diǎn)。

在呂承通看來，在企業(yè)數(shù)字化3.0時(shí)代，不能在2.0時(shí)代的產(chǎn)品上簡單加上AI，而是要重建企業(yè)的“底層數(shù)字器官”。

ThinkingAI創(chuàng)始人、CEO呂承通

原因并不復(fù)雜。過去三十年，企業(yè)的大多數(shù)軟件系統(tǒng)，幾乎都是圍繞“人”來設(shè)計(jì)的：數(shù)據(jù)如何被記錄、指標(biāo)如何被查看、流程如何被審批、權(quán)限如何被分發(fā)，本質(zhì)上都默認(rèn)“人”是唯一的決策者和執(zhí)行者。

但到了Agent時(shí)代，這個(gè)前提開始失效。

“企業(yè)要變化思維，要以AI為中心去驅(qū)動(dòng)業(yè)務(wù)發(fā)展，而不再是以人為中心。”呂承通告訴「甲子光年」，這并不意味著人不重要，“人要設(shè)定目標(biāo)和邊界，讓Agent在邊界內(nèi)自主運(yùn)行。”

這意味著，企業(yè)要面對的已經(jīng)不只是一次產(chǎn)品升級，而是一次系統(tǒng)層面的重構(gòu)。

Agent和人的工作方式并不相同。人擅長在有限信息中做經(jīng)驗(yàn)判斷，也擅長在模糊地帶靈活處理；而Agent的優(yōu)勢，則在于高速處理上下文、大規(guī)模調(diào)用知識、在明確目標(biāo)和邊界內(nèi)持續(xù)運(yùn)行。兩者的能力結(jié)構(gòu)不同，決定了底層系統(tǒng)不能沿用同一套設(shè)計(jì)邏輯。

最先被改寫的，是數(shù)據(jù)底座。

2.Agent的能力上限，由數(shù)據(jù)決定

在2.0時(shí)代，企業(yè)數(shù)字化的核心任務(wù)，是把業(yè)務(wù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，再圍繞這些結(jié)構(gòu)化數(shù)據(jù)建立指標(biāo)、分析和決策體系。

但在呂承通看來，這套邏輯并不天然適合Agent。他們在實(shí)踐中發(fā)現(xiàn)，對于大模型來說，許多被精心整理過的結(jié)構(gòu)化指標(biāo)，并不是最友好的輸入；相反，大量散落在業(yè)務(wù)現(xiàn)場的非結(jié)構(gòu)化信息，比如討論記錄、工單、反饋、知識文檔，甚至多模態(tài)內(nèi)容反而更接近真實(shí)業(yè)務(wù)的上下文。

這并不意味著結(jié)構(gòu)化數(shù)據(jù)不重要，而是意味著它不再構(gòu)成全部。結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)、時(shí)序數(shù)據(jù)，乃至多模態(tài)數(shù)據(jù)，都需要被重新組織進(jìn)同一個(gè)面向Agent的系統(tǒng)中。存儲方式、索引方式、知識萃取方式，以及調(diào)用和推理的工程鏈路，都要隨之改變。

周津給出了一個(gè)很鮮明的判斷：大模型給了Agent推理能力，工程框架給了Agent執(zhí)行能力，但Agent要想真正進(jìn)入企業(yè)、接住具體業(yè)務(wù)，靠的不是模型參數(shù)本身，而是對企業(yè)數(shù)據(jù)的深度理解。

“Agent的能力上限，由數(shù)據(jù)決定。”周津告訴「甲子光年」。

ThinkingAI聯(lián)合創(chuàng)始人、CTO周津

ThinkingAI對數(shù)據(jù)底座的理解，已經(jīng)不再停留在分析時(shí)代那種“湖倉一體+指標(biāo)平臺”的傳統(tǒng)范式，而是把它重新定義為一套面向Agent運(yùn)行的數(shù)據(jù)基礎(chǔ)設(shè)施。

在這個(gè)體系里，數(shù)據(jù)不只是被存起來、算出來，而是要被進(jìn)一步組織成Agent能夠感知、理解、記憶和調(diào)用的知識。周津把這個(gè)過程概括為一句話：Agent時(shí)代的數(shù)據(jù)底座，是從湖倉走向知識。

這其實(shí)是在回應(yīng)企業(yè)Agent落地最現(xiàn)實(shí)的難題之一：很多公司并不缺數(shù)據(jù)，缺的是能被Agent真正用起來的數(shù)據(jù)。

為了打造一套面向Agent運(yùn)行的數(shù)據(jù)基礎(chǔ)設(shè)施，ThinkingAI從三個(gè)方面進(jìn)行了重構(gòu)：

第一，全域接入與統(tǒng)一治理。實(shí)時(shí)數(shù)據(jù)、離線數(shù)據(jù)、流批數(shù)據(jù)，以及結(jié)構(gòu)化、非結(jié)構(gòu)化、多模態(tài)數(shù)據(jù)，都要進(jìn)入同一個(gè)體系，而不是繼續(xù)散落在各自獨(dú)立的工具和部門里。

第二，語義化與知識化。數(shù)據(jù)進(jìn)入系統(tǒng)后，并不會天然變成Agent可用的能力。它還需要經(jīng)過Embedding、語義檢索、知識圖譜、語義層、組織記憶和上下文工程等一整套處理，最終從“原始數(shù)據(jù)”蒸餾成“Agent可以調(diào)用的知識”。

周津告訴「甲子光年」：“Agent不只需要數(shù)據(jù)，更需要被語義化的知識。”基于這一思路，ThinkingAI提出了“三層知識體系”：

• 底層，系統(tǒng)級知識。這部分來自ThinkingAI過去多年的產(chǎn)品和工程積累，包括平臺內(nèi)部封裝的通用能力、官方Skill和行業(yè)方法論。它相當(dāng)于Agent先天擁有的一套“基礎(chǔ)能力層”。

• 中間層，企業(yè)級知識體系。這部分對應(yīng)的，是企業(yè)過去多年沉淀在知識庫、會議紀(jì)要、OA系統(tǒng)、飛書、釘釘以及各類歷史文檔中的組織資產(chǎn)。ThinkingAI要做的，是把這些分散、冗長、非結(jié)構(gòu)化的內(nèi)容持續(xù)蒸餾成Agent友好的結(jié)構(gòu)，讓Agent真正“懂這家企業(yè)”。

• 上層，個(gè)人級知識與記憶。對于企業(yè)內(nèi)部不同崗位、不同角色來說，他們各自負(fù)責(zé)的目標(biāo)、積累的經(jīng)驗(yàn)、溝通習(xí)慣和判斷標(biāo)準(zhǔn)并不相同。Agent要真正進(jìn)入工作流，就不能只懂公司，還要懂具體的人，懂他的業(yè)務(wù)目標(biāo)、工作上下文和長期記憶。

第三，系統(tǒng)能力的封裝。ThinkingAI提出“系統(tǒng)Agent+語義上下文+領(lǐng)域Skills”的結(jié)構(gòu)，等于是在通用模型和具體業(yè)務(wù)Agent之間，再加一層長期工程化沉淀下來的能力層。比如指標(biāo)搭建Agent、數(shù)據(jù)埋點(diǎn)采集Agent、資產(chǎn)治理Agent，這些都不是簡單的對話功能，而是把過去十年在數(shù)據(jù)世界里積累下來的方法論，封裝成可復(fù)用、可遷移、可擴(kuò)展的系統(tǒng)能力。

這一點(diǎn)很關(guān)鍵。在ThinkingAI看來，模型之間的能力差距會縮小，MCP和各類Agent framework也會越來越開源化，真正不能被復(fù)制的，只有企業(yè)自己的數(shù)據(jù)資產(chǎn)和行業(yè)know-how。

數(shù)據(jù)，才是Agent時(shí)代唯一不可復(fù)制的護(hù)城河。

3.更懂游戲，也會更懂Agent

對于一家長期深耕游戲行業(yè)的數(shù)據(jù)公司來說，一個(gè)幾乎繞不開的問題是：過去十年在游戲領(lǐng)域積累下來的數(shù)據(jù)和經(jīng)驗(yàn)，究竟是“行業(yè)包袱”，還是轉(zhuǎn)向AI之后的優(yōu)勢？

周津給出的答案很明確：恰恰是這種長期聚焦，構(gòu)成了公司轉(zhuǎn)型的重要起點(diǎn)。

在他看來，游戲行業(yè)首先是一個(gè)天然貼近技術(shù)前沿的行業(yè)，很多人第一次接觸AI就是在游戲場景中。對ThinkingAI來說，長期服務(wù)游戲客戶，意味著它更早進(jìn)入了一批對技術(shù)高度敏感、對新工具更開放、也更愿意為新能力買單的業(yè)務(wù)現(xiàn)場。

但更重要的，還不是“游戲行業(yè)更新”，而是“游戲行業(yè)更復(fù)雜”。

相比電商這類路徑相對清晰、行為模式相對固定的行業(yè)，游戲用戶的行為天然更非線性：有人追求通關(guān)，有人熱衷收集，有人偏愛社交，有人只是想在虛擬世界里種地、看風(fēng)景，甚至完全不按主線推進(jìn)。也正因?yàn)槿绱耍螒驁鼍昂茈y被壓縮成一條標(biāo)準(zhǔn)化流程，它更接近一種開放式、目標(biāo)驅(qū)動(dòng)式的復(fù)雜系統(tǒng)。

而這恰恰與Agent的工作方式更接近。

周津告訴「甲子光年」，Agent真正擅長的，并不是嚴(yán)格按照固定步驟完成“選擇題”，而是在明確目標(biāo)之后，持續(xù)探索路徑、調(diào)整策略、逼近結(jié)果。

游戲行業(yè)過去十年積累下來的，正是對這種復(fù)雜行為系統(tǒng)的長期理解：人在不同目標(biāo)下會如何行動(dòng)，系統(tǒng)又該如何在高自由度環(huán)境中識別機(jī)會、做出判斷。

從這個(gè)角度看，ThinkingAI在游戲行業(yè)的積累，并不只是一些垂直場景知識，而是一套更接近Agent時(shí)代的“問題意識”。

除此之外，游戲還是一個(gè)典型的高密度數(shù)據(jù)場。用戶行為復(fù)雜，埋點(diǎn)極細(xì)，數(shù)據(jù)量巨大。周津表示，過去服務(wù)頭部游戲客戶時(shí)，單日處理上千億條數(shù)據(jù)并不罕見。這種對超大規(guī)模、高頻、實(shí)時(shí)數(shù)據(jù)的處理能力，在分析時(shí)代是門檻，在Agent時(shí)代則進(jìn)一步變成了底層能力。

因?yàn)锳gent不再是一天查幾次報(bào)表的人，而是一個(gè)7×24小時(shí)持續(xù)運(yùn)行、持續(xù)調(diào)用上下文、持續(xù)消耗數(shù)據(jù)的“機(jī)器型使用者”。隨著代碼、文檔、交互記錄等非結(jié)構(gòu)化信息在AI時(shí)代迅速膨脹，企業(yè)對底層數(shù)據(jù)引擎的要求只會更高，而不是更低。

當(dāng)然，周津也并不回避邊界。游戲行業(yè)的know-how，并不能被簡單平移到所有行業(yè)。至少在現(xiàn)階段，ThinkingAI更有把握擴(kuò)展的，仍然是與游戲更相近的泛娛樂、互聯(lián)網(wǎng)等賽道。

呂承通告訴「甲子光年」，正因?yàn)橹蛔鲆粋€(gè)行業(yè)，ThinkingAI才有機(jī)會把這個(gè)行業(yè)真正做深、做透，形成別人難以快速補(bǔ)齊的專業(yè)積累。而游戲行業(yè)又有一個(gè)特殊之處：它天然是全球化的。無論中國游戲公司出海，還是海外廠商面向全球發(fā)行業(yè)務(wù)，產(chǎn)品、用戶、運(yùn)營和數(shù)據(jù)體系本身就跨越多個(gè)市場。這使得ThinkingAI在一個(gè)行業(yè)里建立起來的能力，不僅可以從一個(gè)場景擴(kuò)散到另一個(gè)場景，也可以從一個(gè)區(qū)域擴(kuò)散到另一個(gè)區(qū)域。

「甲子光年」認(rèn)為，ThinkingAI這十年在游戲行業(yè)積累下來的，并不只是某個(gè)垂直賽道的經(jīng)驗(yàn)，而是四種更底層的能力：對前沿技術(shù)的感知能力，對復(fù)雜行為系統(tǒng)的理解能力，對處理超大規(guī)模數(shù)據(jù)的工程能力以及對全球化客戶的服務(wù)能力。

而這些能力，恰恰是Agent時(shí)代最稀缺也最難被臨時(shí)補(bǔ)上的東西。

4.Agentic Engine是一個(gè)典型的AI原生組織構(gòu)建平臺

根據(jù)ThinkingAI的定義，Agentic Engine是一個(gè)可私有化部署的企業(yè)級AI Agent平臺。

呂承通把Agentic Engine的核心能力概括為三點(diǎn)：全域感知、深度理解、行動(dòng)閉環(huán)。

所謂全域感知，不只是接入更多數(shù)據(jù)源，而是讓Agent能同時(shí)處理結(jié)構(gòu)化數(shù)據(jù)、用戶行為數(shù)據(jù)、用戶反饋、會議記錄、企業(yè)知識庫，以及圖片、音頻、視頻等多模態(tài)信息。這些都要進(jìn)入統(tǒng)一上下文，并經(jīng)過壓縮、提煉與關(guān)聯(lián)，變成Agent真正能用的輸入。

周津打了一個(gè)比方，這就像是期末考試前老師劃重點(diǎn)，這樣可以快速讓學(xué)生掌握核心知識，排除不重要的信息。對于企業(yè)級Agent也是如此，企業(yè)今天并不缺知識庫，真正缺的是能被Agent讀懂、記住、調(diào)用的知識。

在此基礎(chǔ)上，第二項(xiàng)核心能力是深度理解。Agentic Engine并不滿足于做一個(gè)會檢索、會總結(jié)的通用助手，而是希望讓Agent真正理解行業(yè)領(lǐng)域的專業(yè)知識、企業(yè)內(nèi)部隱性知識、指標(biāo)口徑、業(yè)務(wù)上下文，甚至競品信息，并在此基礎(chǔ)上調(diào)用預(yù)制的100+專家Skill。也就是說，ThinkingAI想做的不是讓模型更“泛”，而是讓它更“懂客戶”。

還有一項(xiàng)能力是行動(dòng)閉環(huán)。這也是Agentic Engine最希望與傳統(tǒng)數(shù)據(jù)平臺和通用AI工具拉開差距的部分。它不是停留在分析和建議，而是通過多Agent協(xié)同，把分析、決策、執(zhí)行、驗(yàn)證連接成一條完整鏈路，讓Agent能夠7×24小時(shí)持續(xù)工作，并直接對業(yè)務(wù)結(jié)果負(fù)責(zé)。

在周津看來，行動(dòng)閉環(huán)是最難的一層，因?yàn)橐坏〢gent進(jìn)入執(zhí)行環(huán)節(jié)，出錯(cuò)帶來的就不再只是回答不準(zhǔn)，而是直接的業(yè)務(wù)損失。ThinkingAI并不回避Agent會犯錯(cuò)這一現(xiàn)實(shí)，而是把協(xié)作、灰度、A/B測試、持續(xù)度量和安全沙箱都做進(jìn)產(chǎn)品機(jī)制里。Agent可以參與檢測、決策、執(zhí)行、審計(jì)，甚至互相監(jiān)督，但在人真正放權(quán)之前，必須先被納入可觀察、可回溯、可評估的閉環(huán)。

「甲子光年」注意到，這次發(fā)布會ThinkingAI強(qiáng)調(diào)了一個(gè)觀點(diǎn)：企業(yè)需要的不是一個(gè)AI助手，而是一支能協(xié)作、能學(xué)習(xí)、能自主執(zhí)行的Agent團(tuán)隊(duì)。

這句話背后，其實(shí)對應(yīng)著兩種完全不同的產(chǎn)品邏輯。

AI助手更多是在提升單個(gè)人的效率。它可以幫你總結(jié)、生成、分析，但大多數(shù)時(shí)候，最終的判斷和執(zhí)行仍然要靠人來完成。

但ThinkingAI瞄準(zhǔn)的，不只是“輔助”，而是“交付”。不同Agent圍繞同一業(yè)務(wù)目標(biāo)協(xié)同工作：有的負(fù)責(zé)感知數(shù)據(jù)，有的負(fù)責(zé)分析原因，有的負(fù)責(zé)生成策略，有的負(fù)責(zé)執(zhí)行動(dòng)作，還有的負(fù)責(zé)驗(yàn)證結(jié)果、持續(xù)迭代。它們不是一個(gè)個(gè)孤立的工具，而是開始像一個(gè)團(tuán)隊(duì)那樣分工、配合、運(yùn)轉(zhuǎn)。

今年年初，OpenClaw引發(fā)的“龍蝦熱潮”出現(xiàn)后，很多企業(yè)都可以要求員工使用AI Agent，甚至?xí)己藛T工的token使用量。但是，企業(yè)智能化轉(zhuǎn)型真正開始的標(biāo)志，可能并不是員工會不會用AI，而是企業(yè)是否開始圍繞Agent重新設(shè)計(jì)自己的協(xié)作方式。

甲子光年智庫在《AI原生組織：OpenClaw推動(dòng)組織形態(tài)重塑》的報(bào)告中就指出：OpenClaw的意義不在于“AI能力增強(qiáng)”，而在于將AI從“認(rèn)知工具”推進(jìn)為“執(zhí)行主體”，從而引發(fā)組織形態(tài)的范式躍遷。組織的核心不再是“人如何協(xié)同”，而是“AI如何被調(diào)度”。傳統(tǒng)組織在決策、協(xié)同與執(zhí)行層面將會產(chǎn)生顛覆性重塑，需要探索新型組織形態(tài)，以滿足組織日益增長的智能化變革需求。

ThinkingAI發(fā)布的Agentic Engine就是一個(gè)典型的AI原生組織構(gòu)建平臺。

在發(fā)布會后，「甲子光年」問了呂承通一個(gè)問題：“一年后你希望行業(yè)如何定義ThinkingAI？”

呂承通的回答很簡單：“我希望ThinkingAI成為企業(yè)級Agent賽道的代表，成為被對標(biāo)的那一個(gè)。”

（封面圖及文中配圖來源：ThinkingAI）