ThinkingAI发布企业级AI Agent平台Agentic Engine

深夜时分，某款全球发行的游戏项目运营团队还在梦乡。

某个智能体监测到 7 日留存率下滑了 12%，随即自主拆解原因——究竟是哪个渠道、哪个版本、哪类用户出了问题？结合内部会议记录与外网用户反馈，30 分钟内锁定了上周新版本调整新手引导流程，致使部分用户卡在关键关卡。该智能体基于业务理解自动生成优化策略并启动 A/B 测试，2 小时后依据结果甄选出最佳方案并全网推广。

几个钟头后，团队成员醒来，通过智能体发送的日报得知：问题已圆满解决。

这并非科幻小说情节，而是智能体驱动业务增长的新范式。美国西部时间 4 月 16 日下午，ThinkingAI 于硅谷计算机博物馆举办发布会，隆重推出企业级 AI 智能体平台 Agentic Engine。

在与数十家不同行业企业深度交流后，我们发现多数企业对 AI 的应用仍局限于 LLM 问答层面。即便部分团队已着手开发内部业务智能体，从“部署智能体”到“用好智能体”之间，横亘着几个核心瓶颈：

智能体之间缺乏沟通与协作。各部门各自部署智能体，互不相通、无上下文共享。引入了智能体模式，但组织运转并未提速。

多模态全域数据汇聚困难。智能体不仅需要结构化行为数据，还需要社区评论、客服工单、即时通讯对话、图像视频等。这些数据分散在不同系统中，形成孤岛，智能体无法感知，自然无法做出判断。

数据转化为知识的提炼困难。单纯堆砌数据是不够的，原始数据必须抽象为智能体能理解和调用的知识结构，否则智能体只是在数据表面滑行，无法做出有深度的业务判断。

安全治理体系缺失。权限、脱敏、合规、审计——当智能体开始自主行动，“谁能看什么数据”“谁能做什么操作”成为必须解决的问题。

若不解决这些问题，智能体只能停留在“聊天机器人”阶段，无法真正驱动业务。

鉴于此，我们结合在数据智能领域十年的深耕经验，从智能体工作模式出发，打造了 Agentic Engine——可私有化部署的企业级 AI 智能体平台。

优秀的智能体应具备何种能力？我们将其概括为三个维度：感、知、行。这也是 Agentic Engine 的设计理念。

感——全域感知。7x24 小时捕捉所有渠道的信号。不仅是数据看板的指标异常，还包括 Discord、Twitter 上的用户吐槽、App Store 增多的差评，甚至团队内部搁置的会议讨论。智能体能自动关联这些分散信号，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，而是主动发掘问题。

知——深度理解。智能体不仅知道“发生了什么”，更知晓“为什么发生”。当业务询问“为何本周留存下降”，智能体知道贵公司“留存”的几种算法，知道需拆解至“哪个渠道、哪个版本、哪类用户”，知道上次类似问题是如何解决的。它宛如一位业务理解全面细致的专家，能基于上下文做出精准判断。

行——行动闭环。智能体理解生成策略并直接执行。例如，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，启动 A/B 测试验证，确认效果后全网推广——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，而非仅输出一份报告。

感知、理解、行动，三者循环往复，构成一个永不停歇的智能闭环。

Agentic Engine 不是为每个人配备一个 AI 助手，而是为企业组建一支能协作的智能体团队。

数据分析智能体，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，一个完整周期按天计。现在业务直接问智能体，几分钟便得出结论和行动建议。

A/B 实验智能体，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。现在智能体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。

智能运营智能体，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，智能体可根据行为信号实时执行，让运营周期从“周级”变为“实时”。

自主创建智能体。用户无需编写代码，通过点选拖拽即可创建个性化智能体。自定义智能体与系统原生智能体一样，可相互协作。

这些智能体并非孤立运行。请看基于真实场景的产品演示视频：

这支智能体团队背后依托于 Agent CoWork 的三层协同机制：

策略层负责发现机会和验证假设——洞察智能体主动发现异常，实验智能体自动启动验证。智能体不是被动响应，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智能体，根据策略层指令完成具体动作——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至策略层，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、能进化的智能体团队。

许多智能体平台也能搭建多个智能体，但真正的差距在于：智能体懂不懂你的业务。

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”在你们定义里有几种计算方式，不知道“付费分析”可从哪几十个维度拆解。这些行业 know-how 无法仅靠 prompt 补齐。

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：智能体的记忆系统。传统数据仓库是为人类分析师设计的，需会写 SQL、懂表结构。智能体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，智能体可直接调用。

第二层：100+ 预置行业技能。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。这不是通用数据查询能力，而是特定行业分析方法论——比如“留存”该怎么拆、“付费”该看哪些维度、“投放 ROI”该如何归因。每个智能体都自带专家技能。

第三层：持续进化的知识积累。每一次执行结果都会沉淀为新知识——上次 A/B 测试哪个方案胜出、为何胜出；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。智能体不是每次从零开始，而是在不断积累的知识库上越跑越准。

同时，用户可将自身行业经验编码成专属技能，可迁移、可扩展。这意味着 Agentic Engine 不是一个封闭系统，而是一个能吸收企业自身知识、持续进化的平台。

智能体自主执行带来新问题：如何确保智能体做对了事？

许多企业部署智能体后，发现它像个黑箱——不知道成本烧在哪、不知道输出准不准、不知道智能体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：新智能体在沙箱中试跑，不影响生产环境。

A/B 灰度：对比验证新旧智能体，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，可与任何 AI 平台无缝对接。我们坚信，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，用户可随时随地与智能体交互。

过去 10 年，我们为企业提供数据基础设施。未来 10 年，我们要助每家企业打造自己的 AI 智能体团队。

人设定目标和边界，智能体在边界内自主运行。人负责战略、创意和品质把控，智能体负责感知、分析和执行。各司其职，各展所长。这是我们对智能体时代的理解，也是 Agentic Engine 的设计哲学。

今日起，Agentic Engine 正式面向全球客户开放。

若想了解更多最新产品信息

4 月 22 日，上海漕河泾

ThinkingAI 将带来智能体时代的下一个答案

👇立即报名，锁定席位