ThinkingAI上海发布会收官：Agentic Engine助力企业构建自主AI团队

深夜3点，某全球发行的游戏项目的运营团队正值休息时段。

一个AI智能体察觉到7日留存率下降了12%，自动剖析问题根源——来自哪个渠道、哪个版本、哪类用户？它整合团队内部会议记录和外部用户评价，30分钟内锁定上周新版本对新手引导流程的调整，导致部分用户在关键关卡受阻。智能体依据业务理解自动生成优化建议并启动A/B测试，2小时后根据测试结果选定最优方案并全面上线。几小时后，团队成员清晨通过智能体发送的日报获知：问题已处理完毕。

这不是未来规划，而是现实写照！4月22日，上海漕河泾会议中心，ThinkingAI品牌焕新后的首次亮相「From Data To AI, Build Your Real Agent Team」完美收官！

ThinkingAI联合行业伙伴从底层引擎到垂直场景实践，共同应对同一种时代焦虑：企业如何跨越鸿沟，真正构建自己的AI智能体团队。

从“接入Agent”到“善用Agent”，中间存在哪些障碍？

在与数十家不同行业的企业深入交流后，ThinkingAI发现大多数企业对AI的应用仍停留在LLM问答层面。即便部分团队已尝试开发内部业务智能体，从“接入Agent”到“善用Agent”之间，仍然横亘着几个核心痛点：

智能体之间孤立无协作。每个部门都部署了自己的智能体，但它们之间互不交流、不能协作、缺乏上下文共享。引入了智能体模式，但组织的运转效率并未提升。

多模态全域数据汇集困难。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。这些数据分散在不同系统，形成数据孤岛，智能体无法获取，也就无法做出判断。

数据到知识的提炼困难。仅仅堆砌数据是不够的。原始数据必须被抽象成智能体能理解、能调用的知识结构，否则智能体只是在数据表面滑行，无法做出具有业务深度的判断。

安全治理缺失。权限、脱敏、合规、审计——当智能体开始自主执行时，“谁能查看什么数据”“谁能执行什么操作”成为必须回答的问题。

这些问题不解决，智能体就只能停留在“聊天助手”阶段，无法真正驱动业务。

Agentic Engine：让智能体能感知、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，从智能体的工作模式出发，打造了Agentic Engine——可私有化部署的企业级AI智能体平台。

一个优秀的智能体应具备哪些能力？ThinkingAI将其概括为三个字：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。不仅包括数据看板上的指标异常，还包括Discord、Twitter上的用户抱怨，AppStore中突然增加的差评，甚至团队内部被搁置的会议讨论。智能体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。智能体不仅知道“发生了什么”，更要知道“为什么发生”。当业务问“为什么这周留存率下降了”，智能体知道“留存率”在你的企业中有几种计算方式，知道要拆分到“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。它就像一个对业务了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。智能体根据理解生成策略并直接执行。例如，发现某渠道ROI持续下跌，自动生成缩减预算并重新分配的策略，发起A/B测试验证，确认效果后全面上线——整个过程无需人工排期。它完成的是从决策到行动的完整闭环，而不仅仅是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。

各司其职的智能体团队

Agentic Engine不是为每个人配备一个AI助手，而是为企业提供一整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、生成报表、开会讨论，一个完整分析周期按天计算。现在业务直接询问智能体，几分钟即可给出结论和行动建议。

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”变成“实时”。

自主创建智能体。用户无需写代码，通过点选拖拽即可创建个性化智能体。自定义智能体和系统原生智能体一样，可以与其他智能体相互协作。

这些智能体不是孤立运行的。来看基于真实场景的产品演示视频：

这支智能体团队背后是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，下一轮洞察更准确、更迅速。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。

十年积累，让智能体从“通用智能”变成“业务专家”

很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”按什么口径计算，不知道“新增用户”在你们定义中有几种计算方式，不知道“付费分析”可以从哪几十个维度去拆解。这些行业知识不是靠提示词能补齐的。

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：智能体的记忆系统。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。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。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，用户可以把自身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

智能体自主执行带来一个新问题：如何确保智能体做对了事？

很多企业部署智能体后发现它像个黑箱——不知道成本消耗在哪、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运行，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，可以和任何AI平台无缝对接。ThinkingAI相信，真正的企业级平台应该是开放的。

在交互层面，Agentic Engine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智能体交互。

下一个十年

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ThinkingAI对智能体时代的理解，也是Agentic Engine的设计哲学。

过去10年，ThinkingAI为企业提供数据基础设施。下一个10年，ThinkingAI团队希望帮每一家企业打造自己的AI智能体团队。