ThinkingAI正式发布企业级AI Agent平台Agentic Engine

凌晨 3 点，问题已解决

想象这样一个场景：凌晨三点，一款全球运营的游戏项目团队正在熟睡。此时，一个智能体（Agent）监测到关键指标“7日留存率”下滑了12%。它没有报警吵醒任何人，而是立刻开始自动拆解问题：是哪个渠道？哪个版本？哪类用户出了问题？它调取了内部的会议纪要和外部社区的用户反馈，不到30分钟就定位到症结——上周的新版本调整了新手引导流程，导致部分用户在某个关键关卡卡住了。

紧接着，这个Agent基于对业务逻辑的理解，自动生成了几套优化方案，并立刻发起了A/B测试。两小时后，它根据实时数据选出了最优解，并完成了全量推送。几小时后，团队成员在晨光中醒来，第一眼看到的是Agent发来的晨报，上面写着：问题已在夜间修复。

这并非科幻电影的桥段，而是Agent驱动业务增长正在成为现实的新范式。

美国西部时间4月16日下午，ThinkingAI在硅谷计算机历史博物馆举办产品发布会，正式推出了

。

从“装上Agent”到“用好Agent”，中间隔着什么？

在与众多行业的企业深入交流后，一个普遍的现状浮出水面：大多数企业对AI的应用，仍然停留在大型语言模型（LLM）问答的初级阶段。即便有些团队已经尝试开发内部的业务Agent，但从“装上Agent”到“用好Agent”之间，依然横亘着几道难以逾越的鸿沟：

市场部、运营部、数据分析部各自部署了自己的Agent，但它们彼此“沉默”，缺乏沟通与上下文共享。结果就是，组织引入了Agent模式，但运转效率并未得到质的提升。

Agent要做出精准判断，需要的不仅是结构化的行为数据，还包括散落在各处的社区评论、客服工单、即时通讯对话、甚至图像和视频。这些数据孤岛林立，Agent“看不见”，自然也就无从判断。

把数据堆在一起只是第一步。原始数据必须被抽象、提炼成Agent能够理解和调用的知识结构。否则，Agent只是在数据表面滑行，无法做出真正具备业务深度的决策。

权限、数据脱敏、合规性、操作审计——当Agent开始自主执行任务时，“谁能看什么数据”、“谁能执行什么操作”就成了必须回答的核心问题。

这些问题若不解决，Agent就永远只能是升级版的“聊天助手”，无法真正成为驱动业务增长的引擎。

Agentic Engine：让Agent能感知、能理解、能行动

正是基于这些核心挑战，结合在数据智能领域十年的深耕经验，ThinkingAI从Agent的真实工作模式出发，打造了Agentic Engine——一个

。

那么，一个真正优秀的Agent应该具备哪些核心能力？答案可以概括为三个字：

。这恰恰构成了Agentic Engine的产品设计哲学。

7x24小时不间断地感知所有渠道的信号。这不仅仅是数据看板上的指标异动，更包括Discord、Twitter上的用户吐槽，App Store里突然增多的差评，甚至是团队内部被搁置的会议讨论要点。Agent能够自动关联这些分散的信号，判断其是个例还是普遍问题，并实时预警。它的角色从“被动应答”转变为“主动发现”。

Agent不仅要知道“发生了什么”，更要洞悉“为什么发生”。当业务方提问“为什么这周留存率跌了”，它清楚地知道“留存”在你们公司有哪几种计算口径，明白需要拆解到“哪个渠道、哪个版本、哪类用户”，也记得上次类似问题是如何解决的。它就像一个对业务了如指掌的资深专家，能基于完整的上下文做出精准判断。

Agent能够根据深度理解生成策略，并直接驱动执行。例如，发现某个渠道的ROI持续走低，它会自动生成缩减预算并重新分配的方案，发起A/B测试进行验证，确认效果后立即推至全量——整个过程无需等待人工排期。它实现的是从决策到行动的完整闭环，而非仅仅输出一份等待执行的报告。

感知、理解、行动，三者循环往复，构成了一个永不停歇的智能增长飞轮。

各司其职的Agent团队

Agentic Engine的愿景，不是给每个员工配一个AI助手，而是为企业打造一整支能够高效协作的Agent团队。

通过自然对话进行复杂的数据分析。过去，一个完整的分析周期需要业务提需求、分析师写SQL、出报表、开会讨论，动辄以天计算。现在，业务人员直接向Agent提问，几分钟内就能获得结论和行动建议。

自主完成实验设计、流量分配和效果验证。传统的实验流程涉及每月排期、开发上线、人工判读，周期长达2-4周。现在，Agent在发现业务机会点后，可以自动生成假设、启动测试、实时监控并自动得出结论，全程无需人工干预。

根据数据洞察自动生成运营策略并精准触达用户。无论是针对潜在流失用户的干预，还是对高价值用户的促活，Agent都能根据实时行为信号立刻执行，将运营动作的周期从“周级别”压缩到“实时”。

用户无需编写任何代码，通过简单的点选和拖拽操作，即可创建个性化的Agent。这些自定义的Agent与系统原生的Agent能力平等，可以无缝融入团队，与其他Agent协同工作。

关键在于，这些Agent并非孤立运行。它们背后是一套名为

：

•

负责发现机会和验证假设——洞察Agent主动发现异常，实验Agent自动启动验证。Agent在这里扮演的是主动出击的“侦察兵”和“分析师”。

•

是整个系统的大脑——统一的Orchestrator负责任务调度、状态管理和上下文共享。没有它，策略层和执行层就是两套无法协同的孤立系统。

•

并行运行多个业务Agent，根据策略层的指令完成具体动作，如调整投放策略、触达用户、响应客服请求。

更为重要的是，执行层的结果会自动回流到策略层，使得下一轮的洞察更准、更快。这不再是几个AI助手的简单拼凑，而是一支能够协作、学习和持续进化的智能团队。

十年积累，让Agent从“通用智能”变成“业务专家”

市面上许多Agent平台也能搭建多个Agent，但真正的差距在于：你的Agent，懂不懂你的业务？

通用大模型固然聪明，但它不知道你们公司计算“留存率”的具体口径，不清楚“新增用户”在你们的业务定义里有哪几种细分方式，也不明白“付费分析”可以从哪几十个维度进行拆解。这些行业特有的知识（Know-how），不是靠简单的提示词（Prompt）就能补齐的。

过去十年，ThinkingAI服务了超过1500家企业和8000多款产品，横跨游戏、社交、电商、短剧、直播等多个行业。我们将这些深厚的积累，沉淀为Agentic Engine的三层知识体系：

传统数据仓库是为人类分析师设计的，要求使用者懂SQL、知表结构。而Agent需要的，是能直接理解业务语言的知识库。通过语义层和知识图谱，诸如“DAU怎么算”、“上周指的是自然周还是运营周”、“收入是GMV还是实收”这些隐性知识都被结构化，Agent可以直接调用，如同拥有了一位资深业务专家的记忆。

覆盖用户分析、留存分析、付费分析、投放分析、运营分析等8大核心领域。这并非通用的数据查询能力，而是沉淀了特定行业的分析方法论——例如“留存”该如何多维度拆解、“付费”应该关注哪些核心指标、“投放ROI”该如何正确归因。每个Agent都自带一套专家技能包。

每一次执行的结果都会沉淀为新的知识资产——上次A/B测试哪个方案胜出及其原因、哪类用户对何种触达方式响应率更高、哪些异常是真正需要关注的问题。Agent不是每次从零开始，而是在一个不断丰富的知识库上运行，越用越精准。

同时，企业用户可以将自身的行业经验编码成专属Skill，这些Skill可迁移、可扩展。这意味着Agentic Engine不是一个封闭的黑箱，而是一个能够吸收企业自身智慧、持续共同进化的开放平台。

可信、可控、可私有化部署

Agent的自主执行能力也带来了新的挑战：如何确保Agent在做正确的事？

许多企业在部署Agent后陷入困惑：它像个黑箱，不知道成本消耗在哪里，不确定输出是否准确，甚至无法判断Agent是在解决问题还是在无效空转。Agentic Engine提供了全链路的可观测能力，让每一步都变得可追溯、可诊断、可优化：

•

：新创建的Agent首先在沙箱环境中试运行，完全不影响生产环境的稳定性。

•

：新旧Agent方案可以进行对比验证，只有被证明更优的方案才会被推送到全场景。

•

：确保同一个业务问题，无论何时何地询问，都能得到口径一致的答案。

•

：贯穿于任务执行的全链路，有效防止AI产生错误或虚构的输出。

在部署方式上，整套系统支持完整的

，包括底层的大模型。确保企业数据完全留在内部，满足最高的合规性要求。MiniMax作为ThinkingAI的战略合作伙伴，为需要私有化部署的企业提供大模型底座支持。同时，Agentic Engine原生支持MCP、A2A等协议，可以与任何AI平台无缝对接。真正的企业级平台，理应是开放和兼容的。

在交互层面，系统已深度集成飞书、企业微信、钉钉、Slack等主流办公平台，用户可以随时随地、以最熟悉的方式与Agent团队进行交互。

下一个十年

过去十年，我们致力于为企业构建坚实的数据基础设施。而下一个十年，我们的目标是帮助每一家企业打造属于自己的AI Agent团队。

人类专注于战略、创意与品质把控，Agent则负责感知、分析与高效执行。双方各司其职，各展所长。

这便是我们对Agent时代的理解，也是Agentic Engine贯穿始终的设计哲学。

从今天起，Agentic Engine正式面向全球客户开放。