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

（原标题：重磅：ThinkingAI 正式发布企业级AI Agent平台Agentic Engine）

　　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 AIAgent 平台 AgenticEngine。

　　发布会现场照片

　　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。

　　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，ThinkingAI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。

　　AgenticEngine：让 Agent能感知、能理解、能行动

　　为此，ThinkingAI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AgenticEngine——可私有化部署的企业级 AIAgent平台。

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

　　AgenticEngine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，AppStore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"在用户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根据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

　　AgenticEngine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AgentCoWork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，让 Agent从"通用智能"变成"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懂不懂用户的业务。

　　通用大模型确实聪明，但它不知道用户公司"留存"按什么口径算，不知道"新增用户"在用户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。团队把这些积累转化为AgenticEngine的三层知识体系：

　　AgenticEngine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，用户得会写 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 Skill。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AgenticEngine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。AgenticEngine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，AgenticEngine原生支持MCP、A2A协议，可以和任何AI平台无缝对接。团队相信，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

　　过去10年，我们为企业提供数据基础设施。下一个10年，我们要帮每一家企业打造自己的 AIAgent团队。人设定目标和边界，Agent在边界内自主运行。人负责战略、创意和品质把控，Agent负责感知、分析和执行。各司其职，各展所长。这是我们对 Agent时代的理解，也是AgenticEngine的设计哲学。

　　今天起，AgenticEngine正式面向全球客户开放。