重磅！ThinkingAI正式发布企业级AI Agent平台Agentic Engine｜纪源...

来源：市场资讯

（来源：纪源资本）

凌晨 3 点，某款全球发行的游戏项目的运营团队都在熟睡中。
一个 Agent 发现 7 日留存下降 12%，自动拆解问题——哪个渠道、哪个版本、哪类用户？结合团队内部的会议纪要和外网用户的反馈，30 分钟内定位到上周新版本调整了新手引导流程，导致部分用户在关键关卡卡住。Agent 根据对业务的理解自动生成优化方案并发起 A/B 测试，2 小时后根据测试结果选择最优方案并推全量。
数小时后，团队成员一早醒来，通过 Agent 发来的日报得知：问题已经解决了。
这不是科幻场景，而是 Agent 驱动业务增长的新方式。

美国西部时间 4 月 16 日下午，ThinkingAI 在硅谷的计算机博物馆举办产品发布会，正式发布企业级 AI Agent 平台 Agentic Engine。

从“装上Agent”到“用好Agent”，

中间隔着什么

在与几十家不同行业的企业深度交流中，我们发现大多数企业对 AI 的使用还停留在 LLM 问答阶段。即便部分团队已经尝试开发内部业务 Agent，从“装上 Agent”到“用好 Agent”之间，仍然横亘着几个核心卡点：

Agent 之间孤立无协作。每个部门都上了自己的 Agent，但它们之间不说话、不协作、没有上下文共享。引入了 Agent 模式，但组织的运转并没有变快。

多模态全域数据汇集难。Agent 需要的不只是结构化的行为数据，还有社区评论、客服工单、IM 对话、图像视频。这些数据分散在各个系统里，孤岛林立，Agent 看不见，也就无从判断。

数据到知识的蒸馏难。把数据堆在一起还不够。原始数据必须被抽象成 Agent 能理解、能调用的知识结构，否则 Agent 只是在数据表面滑行，无法做出真正有业务深度的判断。

安全治理缺位。权限、脱敏、合规、审计——当 Agent 开始自主执行，“谁能看什么数据”“谁能做什么动作”变成了必须回答的问题。

这些问题不解决，Agent 就只能停留在“聊天助手”的阶段，无法真正驱动业务。

Agentic Engine 让 Agent

能感知、能理解、能行动

为此，我们结合在数据智能领域深耕十年的经验，从 Agent 的工作模式出发，打造了 Agentic Engine——可私有化部署的企业级 AI Agent 平台。

一个好的 Agent 应该具备什么能力？我们把它概括为三个字：感、知、行。这也是 Agentic Engine 的产品设计理念。

感——全域感知。7x24 小时感知所有渠道的信号。不只是数据看板上的指标异常，还包括 Discord、Twitter 上的用户吐槽，App Store 里突然增多的差评，甚至团队内部被搁置的会议讨论。Agent 能自动关联这些分散的信号，判断是个例还是普遍问题，并实时预警。它不是被动等待查询，而是主动发现问题。

知——深度理解。Agent 不只知道“发生了什么”，更要知道“为什么发生”。当业务问“为什么这周留存掉了”，Agent 知道“留存”在你的企业里有几种算法，知道要拆解到“哪个渠道、哪个版本、哪类用户”，知道上次类似问题是怎么解决的。它就像一个对业务理解全面而细致的专家，能基于上下文做出准确判断。

行——行动闭环。Agent 理解生成策略并直接执行。比如，发现某渠道 ROI 持续走低，自动生成缩减预算并重新分配的策略，发起 A/B 测试验证，确认效果后推全量——整个过程无需人工排期。它完成的是从决策到行动的全闭环，而非只输出一份报告等人去执行。

感知、理解、行动，三者循环往复，形成一个永不停歇的智能闭环。

各司其职的 Agent 团队

Agentic Engine 不是给每个人配一个 AI 助手，而是给企业一整支能协作的 Agent 团队。

数据分析 Agent，团队的“眼睛”。通过对话进行数据分析。过去业务提需求、分析师写 SQL、出报表、开会讨论，一个完整分析周期按天计。现在业务直接问 Agent，几分钟便可给出结论和行动建议。

A/B 实验 Agent，团队的“裁判”。自主设计实验、推流和验证。过去每月排期、开发上线、人工判读，一个实验周期 2-4 周。现在 Agent 发现机会点后自动生成假设、启动测试、实时监控、自动判读，无需人工干预。

智能运营 Agent，团队的“手”。根据洞察自动生成运营策略并精准触达。对潜在流失用户的干预、对高价值用户的促活，Agent 可根据行为信号实时执行，让运营周期从“周级”变成“实时”。

自主创建 Agent。用户无需写代码，通过点选拖拽即可创建个性化 Agent。自定义 Agent 和系统原生 Agent 一样，可以与其他 Agent 相互协作。

这些 Agent 不是孤立运行的。来看基于真实场景的产品 demo 演示视频：

这支 Agent 团队背后是Agent CoWork 的三层协同机制：

• 策略层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 不是被动响应，而是主动出击。

• 编排层是整个系统的大脑——统一的 Orchestrator 负责任务调度、状态管理、上下文共享。没有它，策略层和执行层就是两套孤立的系统。

• 执行层并行运行多个业务 Agent，根据策略层的指令完成具体动作——调整投放、触达用户、响应客服。

关键在于，执行层的结果会自动回流到策略层，下一轮洞察更准、更快。这不是几个 AI 助手的简单拼凑，而是一支能协作、能学习、能进化的 Agent 团队。

十年积累，

从“通用智能”到“业务专家”

很多 Agent 平台也能搭建多个 Agent，但真正的差距在于：Agent 懂不懂你的业务。

通用大模型确实聪明，但它不知道你们公司“留存”按什么口径算，不知道“新增用户”在你们的定义里有几种计算方式，不知道“付费分析”可以从哪几十个维度去拆解。这些行业 know-how 不是靠 prompt 能补齐的。

过去 10 年，ThinkingAI 服务了 1500+ 家企业、8000+ 款产品，横跨游戏、社交、电商、短剧、直播等行业。我们把这些积累转化为 Agentic Engine 的三层知识体系：

第一层：Agent 的记忆系统。传统数据仓库是为人类分析师设计的，你得会写 SQL、懂表结构。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，“DAU”怎么算、“上周”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。

第二层：100+ 预置行业 Skills。覆盖用户分析、留存分析、付费分析、投放分析、运营分析等 8 大领域。这不是通用的数据查询能力，而是特定行业的分析方法论——比如“留存”该怎么拆、“付费”该看哪些维度、“投放 ROI”该怎么归因。每个 Agent 都自带专家技能。

第三层：持续进化的知识积累。每一次执行的结果都会沉淀为新的知识——上次 A/B 测试哪个方案赢了、为什么赢；哪些用户对什么触达响应率高；哪些异常是真问题、哪些是正常波动。Agent 不是每次从零开始，而是在不断积累的知识库上越跑越准。

同时，用户可以把自己的行业经验编码成专属 Skill，可迁移、可扩展。这意味着 Agentic Engine 不是一个封闭的系统，而是一个能吸收企业自身知识、持续进化的平台。

可信、可控、可私有化部署

Agent 自主执行带来一个新的问题：怎么确保 Agent 做对了事？

很多企业上了 Agent 后发现它像个黑箱——不知道成本烧在哪、不知道输出准不准、不知道 Agent 是在解决问题还是在做无效循环。Agentic Engine 提供全链路可观测能力，让每一步都可追溯、可诊断、可优化：

• 沙箱隔离：新 Agent 在沙箱中试跑，不影响生产环境

• A/B 灰度：对比验证新旧 Agent，赢了再推全场景

• 数据口径一致性：同样的问题永远有同样的答案

• 幻觉检测：贯穿全链路，防止错误输出

整套系统支持私有化部署，包括底层大模型。数据不出企业，完全合规。MiniMax 是 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。同时，Agentic Engine 原生支持 MCP、A2A 协议，可以和任何 AI 平台无缝对接。我们相信，真正的企业级平台应该是开放的。

在交互层面，系统已支持飞书、企业微信、钉钉、Slack 等主流办公平台，用户可以随时随地与 Agent 交互。

下一个十年