当行业还在卷模型，腾讯在谈怎么让 Agent 上班

场景连接力、工程驾驭力、模型驱动力这三大能力共同构成了企业级 Agent 落地的完整闭环。

作者｜连冉

编辑｜郑玄

6 月 5 日的 2026 腾讯云 AI 产业应用大会上，20 余款 AI 原生产品集中亮相。从营销、电商到办公、风控，再到内容生产与开发协作，几乎每一个企业核心场景都出现了 Agent 的身影。

外界关注的焦点，大多集中在 WorkBuddy、CodeBuddy、ima 等前端应用上。它们能够写代码、生成 PPT、协助办公，已经足够聪明，也让越来越多人看到 Agent 进入真实工作场景的可能性。如果把视角进一步投向产业实践，会发现 Agent 产业未来走向的背后，还有很多现实痛点亟待解决。

过去一年，Agent 已经从概念验证走向落地实践。越来越多企业开始尝试把智能体接入业务流程，甚至专门成立 Agent 团队。但依然普遍面临三重挑战：用不起来、用不放心、用不起。

用不起来，是因为企业知识、业务流程和数据系统长期割裂，Agent 知道如何完成任务，却拿不到需要的信息；用不放心，是因为 Agent 缺乏长期记忆和稳定性，数据安全、权限管理和合规风险始终存在；而用不起，则意味着 token 成本、部署复杂度和运维门槛依然限制着规模化落地。

这些问题并非来自模型能力，而来自模型之外。

也正因此，腾讯云这次没有把重点放在单个 Agent 产品上，而是围绕场景连接力、工程驾驭力和模型驱动力三项能力，尝试构建起企业级 Agent 落地的全链路基础设施。

这背后折射出的，其实是整个 Agent 产业竞争逻辑的变化。过去行业比拼的是模型能力，而现在，比拼的开始变成谁能让 Agent 真正融入企业、进入流程，并最终创造生产力。

01

打通数据与流程，

让 Agent 真正「有事可干」

Agent 进入企业后，第一个暴露的问题往往不是模型能力，而是业务能力。

它知道如何撰写营销方案，却不了解企业的产品和客户；知道如何完成审批流程，却看不到组织内部的规则；知道如何分析问题，却拿不到业务系统中的真实数据。

这就是 Agent 落地的第一个核心障碍：场景脱节与数据孤岛。

企业的业务是复杂且碎片化的，一个通用 Agent 不可能覆盖所有场景；而企业的数据又散落在 ERP、CRM、数据库等几十个不同的系统里，每个系统都有自己的接口、权限和数据格式。Agent 往往知道「应该怎么做」，却拿不到「需要用的数据」，更无法融入企业已有的工作流程。

腾讯云的解法是，先筑牢数据底座，再把 Agent 能力嵌入到企业的每一个核心场景中。

在产业应用大会上，腾讯云推出了 DataBuddy 和 CFS Turbo 两款产品，从根本上解决数据「用不了、转不动」的问题。

DataBuddy 是面向大数据全链路的 Agent 工作台，它把数据工程、数据治理、数据分析这三个原本高度依赖专业人员的环节全部 Agent 化。过去需要数据工程师花几天时间编写的 ETL 脚本，现在通过自然语言就能自动生成；过去只有 30% 的核心表能配置质量监控，现在 DataBuddy 能实现全仓自动扫描，智能识别敏感字段、推荐监控规则，覆盖率达到 100%。

它改变了「人操作工具」的传统范式，变成「AI 工作 + 人把关」，让数据从只有工程师能懂的「技术资产」，变成所有 Agent 都能调用的「生产资料」。

DataBuddy 解决了数据「好不好用」的问题，那么 CFS Turbo 则解决了数据「转得快不快」的问题。

传统 AI 流程中，数据需要在对象存储和高性能存储之间反复搬运，不仅耗时耗力，还容易出现数据不一致的问题。

CFS Turbo 作为高性能并行文件存储，首次实现了文件语义和 S3 对象语义的实时强一致，企业无需再进行任何数据搬运，就能在一个统一平台完成从数据注入、清洗、训练到推理的全流程操作。同时，它配备的元数据检索引擎和自然语言 Agent 检索能力，让百 PB 级数据的检索效率提升了千倍，Agent 可以像员工一样，随时找到自己需要的任何数据。

有了坚实的数据底座，再把 Agent 能力无缝嵌入到企业的各个业务场景中。

从营销环节的 MAGIC AI 原生营销云腾讯、交易环节的品牌全域经营伙伴云 Mall，两大产品以「Agent 协同」为底层架构，推动企业经营从「人配置系统」迈向「Agent 组织系统」。以统一数据底座打通「公域获客 ↔ 私域运营、营销转化 ↔ 交易复购」，助力企业构建全域智能增长闭环。

到办公环节的腾讯会议 AI，再到风控环节的天御风控 Agent，内容生产与处理环节的音视频 AI 品牌 WAND，真人剧 Agent，运维环节的 DatabaseClaw 数据库 Agent……

在运维这样高度依赖专业经验和实时数据的场景里，DatabaseClaw 则进一步展示了 Agent 如何基于数据底座完成真正的执行闭环。

作为腾讯云基于 10 万余条内部 DBA 真实工单经验打造的生产级数据库 AI Agent，DatabaseClaw 能够直接连接数据库运行数据和业务数据，无需人工导出日志、上传指标，就能完成从监测、分析到执行的完整流程。

过去，数据库出现异常后，往往需要 DBA 逐步查看监控指标、排查 SQL 日志、分析业务流量，再结合经验判断问题根因。

现在，当系统出现慢查询告警时，DatabaseClaw 可以自动调取近 7 天的性能曲线、SQL 执行记录和业务流量数据，完成根因定位，并生成对应的优化方案。在人工确认后，Agent 即可执行索引优化、参数调优等操作，将原本数小时的排障过程压缩到几分钟内。

更重要的是，它让数据库运维具备了自然语言交互能力。即使不是专业 DBA，也可以通过对话完成数据库巡检、性能诊断和故障处理。

这种「数据底座 + 场景嵌入」的模式，核心逻辑不是让员工去适应新的 Agent 入口，而是让 Agent 去适应员工已经习惯的工作流。员工不需要学习新的系统，就能在每天用的营销工具、办公软件、运维平台里，获得 AI 的能力加持。

这或许才是 Agent 真正能在企业里普及开来的关键。

02

要进入核心业务，光聪明还不够

解决了「有没有活干」的问题，接下来要解决的是另一个更现实的问题：企业敢不敢把重要工作交给 Agent。这也是企业级 Agent 落地最大的一道坎之一。

过去一年，大量企业已经开始尝试把 Agent 引入真实业务场景，但大多数应用可能仍停留在辅助层面：查资料、写周报、生成文案、整理会议纪要。真正涉及决策、运营、风控等核心环节时，企业往往会变得格外谨慎。

原因并不复杂。现在的 Agent 还不太可靠。它可能会「失忆」，聊到一半就忘了之前的上下文；也可能会一本正经地胡说八道，给出错误的决策建议；更重要的是，把核心数据和业务交给一个黑盒一样的 AI，一旦出现数据泄露或者操作失误，后果不堪设想。

当 Agent 开始接触企业知识、业务流程和核心数据后，问题已经不再是模型能力，而是可靠性、可控性和安全性。

腾讯云此次发布的一系列产品，正是围绕「可靠性」和「安全性」这两个核心，构建起完整的工程驾驭力体系，让 Agent 从「能用」变成「敢用」。

首先要解决的是 Agent「失忆」和「不懂企业」的问题。企业 Agent 最大的价值，其实是它对企业专属知识和经验的理解与沉淀。

腾讯乐享重新定义了知识库的形态。

传统知识库服务的是员工，而 Agent 时代的知识库开始服务 Agent 本身。文档、案例、经验和流程不再只是被阅读，而是能够被检索、调用，并进一步转化为 Agent 执行任务所需的能力。

从某种意义上说，企业正在经历一次知识体系的重构。过去知识沉淀在人身上，未来知识需要沉淀在 Agent 能够理解和调用的系统之中。企业可以把所有的文档、手册、案例、经验都沉淀到腾讯乐享中，Agent 不仅能通过自然语言精准检索，还能把专业人士的方法论封装成 Skill，实现能力的规模化复用。

但知识只是第一步。比知识更重要的，是记忆。

当前大多数 Agent 仍然停留在「任务完成即结束」的阶段。一次任务结束后，上下文随之消失，经验无法沉淀，组织知识也无法积累。这也是为什么很多企业 Agent 看起来很聪明，却始终无法成长。

腾讯云数据库推出的 Agent Memory 服务试图解决的正是这个问题。

它构建了从短期记忆、长期记忆到团队记忆的完整生命周期管理体系。在短期记忆层面，通过上下文压缩技术，自研了符号化压缩和上下文卸载能力，可以在长任务场景下帮助 Agent 提升 30% 的任务成功率，同时节省 30% 到 60% 的 Token 成本。

在长期记忆层面，通过四层渐进式记忆提取方案，显著提升了 OpenClaw 的长期记忆能力。在 PersonaMem 测评数据集上，我们将 OpenClaw 原生记忆评测得分从 48% 提升到 76%。

在团队记忆层面，构建了员工私有域、部门协作区、组织全局库三层权限体系，把分散在对话、任务、文档和流程中的团队上下文组织起来，形成可被多个 Agent 复用的共享记忆层。

更重要的是，它能自动把员工的隐性经验转化为可执行的 Skill，真正做到「人走经验留」。当 Agent 拥有团队记忆之后，它就开始具备了「数字员工」的特征。企业投入的每一次使用、每一次协作、每一次决策，都有机会转化为新的组织资产。

而当 Agent 真正进入核心业务之后，安全问题也随之成为新的挑战。

过去，安全更多是 IT 系统的问题；而在 Agent 时代，安全开始变成 AI 治理的问题。

Agent 拥有调用工具、访问数据和执行任务的能力，这意味着 Agent 有机会充分接触企业数据，带来潜在的数据安全风险。对于金融、政务、医疗等行业而言，这种风险尤其敏感。

AICC 可信集群致力于实现可信、可控、可验证的大模型推理能力，确保企业 Agent 在调用 LLM 的过程中，不会泄漏任何数据。

它基于硬件信任根构建了端到端的密态推理环境，所有数据全程加密流转，不会以明文形式出现在任何环节。同时提供了可证明的安全机制，企业不仅自己知道数据是安全的，还能向客户和监管方证明这一点。在易用性上，AICC 实现了 30 秒快速拉起推理节点，支持所有主流模型，并且通过多级 KVCache 优化，大幅降低了推理成本。

AICC 可信集群能够解决企业最担心的「数据泄露」和「合规证明」两大问题，让 Agent 终于能进入金融、政务、医疗这些对安全要求极高的核心场景。

当企业开始要求 AI 不仅能工作，还必须解释自己如何工作、证明自己足够安全时，Agent 竞争也开始从模型能力竞争进入工程能力竞争。

03

从实验项目变成基础能力

当 Agent 解决了「能用」和「敢用」的问题后，最后一道坎就是「用不用得起」。这是 Agent 能否实现规模化落地的关键。

今天，很多企业的 Agent 项目都面临着成本失控的问题。

一个中等规模的企业，每月的 token 费用就能达到几十万甚至上百万；再加上服务器部署、运维、模型调优等成本，让 Agent 变成了只有头部企业才能玩得起的「奢侈品」。同时，个人和中小企业想要部署自己的 Agent，也面临着极高的技术门槛。

腾讯云的模型驱动力，通过技术创新和工程优化，大幅降低 Agent 的部署和使用成本，让 Agent 从「奢侈品」变成所有企业和个人都能用得起的「普惠工具」。

在部署门槛上，腾讯云推出了从个人到企业的一站式解决方案。针对个人用户和开发者，轻量云 Lighthouse 提供了一键部署云端 Agent 的能力，无需懂服务器运维，就能拥有一个 7×24 小时在线的专属 AI 助手。它还打造了「龙虾医院」、云端 Agent Chat 等功能，解决了开源 Agent 部署难、运行不稳定的痛点，目前已经积累了近 10 万人的开发者社区。

针对企业用户，ClawPro 企业级智能体管控台实现了 Agent 的统一管理、权限审计、成本监控和技能库建设。企业可以一键为员工分配数字员工，细粒度控制每个 Agent 的权限和成本，解决了企业规模化部署 Agent 的管理难题。

在推理成本上，腾讯云大模型服务平台 TokenHub 通过一系列技术创新，实现了算力的极致利用。

它支持混元及所有第三方主流模型，能根据任务的复杂度和成本要求，自动进行多模型智能路由，让每一个 Token 都花在刀刃上。依托潮汐调度、FlexKV 分布式缓存等技术，TokenHub 实现了整体算力利用率提升 40%，缓存命中率提升至 85%，有效降低了 Agent 的推理成本。

这种「低门槛 + 低成本」的模式，让 Agent 的规模化落地成为可能。

腾讯云内部的实践已经证明了这一点：CodeBuddy 覆盖了腾讯 95% 以上的工程师，整体编码时间缩短了 40%；WorkBuddy 实现了人和 AI 混编开发，几个人的小团队仅用两天就能完成初始版本开发，并且保持 2 天一个版本的迭代速度。

当 Agent 开始走出实验室，进入企业的生产流程，决定它价值的因素就不再只是模型本身，而是支撑它运行的整套基础设施。

场景连接力让 Agent 有事可干，工程驾驭力让 Agent 可靠安全，模型驱动力让 Agent 用得起、规模化。这三大能力，构成了企业级 Agent 落地的完整闭环。

在 Agent 产业的竞争中，谁能搭建起最完善、最易用、最安全的 Agent 运行环境，谁就能占据先机。

这也是腾讯云此次发布传递出的一个重要信号——Agent 产业正在从能力验证阶段进入规模化落地阶段。

未来决定企业竞争力的，将是能否以足够低的成本、足够高的效率，让 Agent 真正融入组织运行之中。

*头图来源：腾讯云

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你使用过腾讯云的产品吗？

使用体验如何？