ThinkingAI硅谷首秀，发布企业级Agent平台Agentic Engine

首页

ThinkingAI硅谷首秀，发布企业级Agent平台Agentic Engine｜甲子光年

热心网友

转载

2026-04-22

一场从“帮企业用好数据”到“帮企业用好AI”的产品跃迁

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

作者｜苏霍伊

编辑｜王博

发自美国硅谷

美国当地时间4月16日，ThinkingAI（原ThinkingData / 数数科技）在硅谷计算机历史博物馆举办全球发布会。硅谷的科技底色与计算机历史博物馆的特殊属性，让这次发布会有了更多意义。

据了解，这是ThinkingData更名为ThinkingAI的首次亮相，同时也是其首次在海外举办发布会。ThingkingAI联合创始人韩盼介绍，“Data”到“AI”的变化，代表公司从“帮企业用好数据”到“帮企业用好AI”的定位跃迁。公司的愿景也随之升级——希望让每一家公司都能拥有自己的AI Agent团队。

联合创始人韩盼宣布ThinkingData正式更名为ThinkingAI，图片来源：「甲子光年」拍摄

发布会上，ThinkingAI发布了全新产品Agentic Engine。这是一个可以私有化部署的企业级Agent平台，平台中的Agent可实时分析业务数据、自主做出决策、并执行相关的策略动作——从发现问题到解决问题全闭环，无需人工干预、可全自动交付结果。

此外，ThinkingAI还宣布与Minimax达成战略合作关系。Agentic Engine私有化部署的大模型（LLM）底座将由 Minimax提供。双方表示，将在产品层面相互补充，共同为客户创造最大价值。

ThinkingAI并非一家新公司。它成立于2015年，由四位工程师带着改变世界的理想从上海的一间旧工厂改造的孵化器起步。目前已发展成国内大数据服务赛道的头部公司，十年服务超过1500家客户，业务覆盖20个国家。

比起一次品牌更名和产品发布，这场发布会更值得关注的是一个深层变化：企业软件正在从“分析数据”，走向“直接执行决策”。

过去十年，以ThinkingData为代表的数据分析工具，核心是解决“看清发生了什么”；而在大模型与Agent技术兴起之后，一个新的问题开始浮现——当企业已经拥有数据和洞察，为什么依然难以转化为实际行动？

麦肯锡2025年的全球AI调研显示，88%的企业已经在至少一个业务场景中使用AI，但约三分之二仍停留在试点或实验阶段，真正实现规模化落地的企业仍是少数。与此同时，在Agent等更复杂系统上，虽然已有超过六成企业开始尝试，但能够在具体业务中实现规模化运行的比例仍然有限。

在这一背景下，ThinkingAI试图回答的，不只是“如何用好数据”，而是更进一步：如何让系统替企业完成从发现问题、做出决策，到执行策略的全过程。

ThinkingAI活动现场，图片来源：ThinkingAI

1.Agentic Engine：从“分析”走向“执行”

从产品形态上看，Agentic Engine更像是一个面向企业业务流程的Agent平台。在这一平台上，企业可以构建和管理不同类型的Agent，这些Agent不再只是提供建议，而是具备直接参与业务流程的能力。

Agentic Engine的产品技术架构图，图片来源：「甲子光年」拍摄

ThinkingAI介绍，Agentic Engine的核心能力可以概括为三个关键词：行动闭环（Autonomous Operational Intelligence）、全域感知（Total Contextual Intelligence）、私有化部署（Private On-Premise Agentic Platform）。

首先是“行动闭环”。

“Analytics Agent负责发现洞察，Engagement Agent把这些洞察直接应用到Live Ops中去执行。”韩盼解释道。从“发现问题、做出决策到落地执行”，整个业务闭环都由Agent一口气完成，“比人类更快、更深和更全面”。

在传统企业系统中，数据分析、策略制定与执行往往分散在不同角色与系统之中：数据团队负责发现问题，运营团队负责制定策略，再由具体岗位完成执行。这一链条不仅周期较长，也容易在不同环节中间出现偏差。

行动闭环的拆解图，图片来源：「甲子光年」拍摄

Agentic Engine试图将这一流程压缩为一个连续系统。多个Agent围绕同一业务目标协同工作，完成从检测、决策到执行与审计的完整链路，并能够直接作用于活动策略、产品配置乃至运营任务本身。

韩盼把这种能力形容为抓住“原子机会（Atomic Opportunity）”。

“产品运营中藏着无数‘原子机会’，它们加起来可能意味着数十亿美元的增长，靠人工手动运营难以捕捉到他们。借助Agent，我们希望让客户尽可能多地抓住原子机会。”韩盼说。

更关键的是，ThinkingAI将过去十年服务1500余家企业所积累的行业方法论，抽象为可调用的Skill，嵌入到Agent体系之中。这意味着，系统不再只是提供分析结果，而是能够基于既有经验，直接参与到业务动作的生成与执行中。从“提供洞察”到“驱动行动”，是这一能力背后更重要的转变。

第二是“全域感知”。

在大多数企业中，数据长期处于割裂状态：结构化数据沉淀在数据仓库中，而用户评论、客服记录、社区反馈等非结构化信息，则散落在不同系统与渠道之中。这种割裂，使得企业往往只能获得“局部最优”的理解。

“让Agent看到‘发生了什么’背后的‘为什么’。” 图片来源：「甲子光年」拍摄

Agentic Engine所强调的“全域感知”，本质上是在重构这一数据视角。平台将用户行为、交易、收入等结构化数据，与评论、工单、反馈乃至企业内部隐性知识统一纳入同一上下文之中，让Agent能够在更完整的业务语境下进行判断。

“我们一直很擅长结构化数据，但真正能带来更好洞察的，是把结构化数据和非结构化数据结合起来，比如会议记录、Discord、Reddit以及内部知识库。”韩盼表示。

但想真正用好非结构化数据，并不简单。他坦言，很多企业过去的做法是把文档、录音、笔记一股脑丢给大模型，“一旦内容越来越多，它就会丢失记忆、丢失上下文”。为此ThinkingAI搭建了一套更完整的非结构化数据处理流程，涵盖收集、归一化、关键点抽取与摘要、信息融合，最后建立索引，让大模型能够在更大规模的语料中准确检索和调用。

这也带来一个直接变化：系统不再只是回答“发生了什么”，而是开始尝试解释“为什么发生”。从数据整合走向语境理解，是企业AI能力演进中的一个关键跃迁。

第三是“私有化部署”。

相比消费级AI对开放能力的强调，企业场景对“可控性”的要求更为严格。数据是否出域、系统是否符合合规要求、模型是否稳定可控，往往比模型性能本身更具决定性。

ThinkingAI的私有化部署，图片来源：「甲子光年」拍摄

Agentic Engine采用整套私有化部署方案，包括底层大模型在内，均运行于企业内部服务器之上，使数据始终留在企业体系内，并满足GDPR及各地数据合规要求。

与此同时，平台提供无代码构建能力，使业务人员也可以参与Agent的创建与配置。这在一定程度上降低了Agent使用门槛，使其不再局限于技术团队，而是逐步向各类业务岗位扩展。

在现场，韩盼反复提到，ThinkingAI自始至终不持有客户数据：“从Thinking Engine诞生的第一天起，我们就相信，数据、公司的数据属于你，属于你的公司。我们手上没有任何数据。”

经常有人问韩盼某个品类的平均7日留存是多少。“我只能回答‘不知道’，我们没有数据，但我们有最佳实践，我们知道怎么分析数据。所以一切都跑在你的基础设施里，你的Agent、你的数据和你的模型，完全在你自己的环境里运行。”

从这个角度看，私有化部署不仅是安全与合规问题，也决定了Agent是否能够真正嵌入企业日常运营之中。

话说回来，Agent进入企业真正的挑战有三个方面：数据是否打通、系统是否可控、执行链路是否完整。Agentic Engine的三项核心能力，本质上正是围绕这三点展开。正如韩盼在现场所说：“让大模型理解你的业务、解决增长，并安全地做到这一切，这就是我们构建企业级AI Agent应用真正要解决的问题。”

2.与Minimax合作：企业Agent需要怎样的大模型

在产品发布之外，ThinkingAI此次还宣布与Minimax达成战略合作，由后者提供Agentic Engine私有化部署的大模型底座。

韩盼把这次合作定位为“让自托管方案变得完整”的关键一环。他强调，ThinkingAI的Agentic Engine要真正跑在客户自己的基础设施里，就必须配上一个既开放、又足够强的模型底座，“怎么让这一切发生？怎么让自托管方案更完整？这就是我们今天宣布与Minimax战略合作的原因。”

从表面看，这是一项典型的“模型+应用”合作；但放在企业Agent的语境下，这一合作的意义更偏向于基础设施层的补齐。

在消费级AI中，大模型能力往往被视为核心竞争力，但在企业场景中，情况略有不同，企业更关注的是模型是否可控、可部署、可持续运行在自身体系内。

这背后涉及几个更现实的问题：数据是否能够留在企业内部、系统是否符合不同地区的合规要求、模型成本是否可预测，以及在长期使用中是否具备稳定性。

也正因如此，私有化部署逐渐成为企业AI落地的重要路径之一。相比调用公有云API，私有化模型意味着企业可以在自身数据与系统环境中，构建完整的Agent执行链路。这也是Agent能够真正参与核心业务流程的前提。

在这一逻辑下，仅仅把Minimax作为模型提供方就有些低估这次合作了，Minimax的模型其实是让Agentic Engine能够实现“闭环执行”的基础条件之一。

那么，为什么ThinkingAI和MiniMax会形成合作？

MiniMax全球业务总经理Linda Sheng也在现场给出了回应。她介绍，MiniMax可以说是目前唯一独立的基础模型实验室，能够从前沿研究到预训练、后训练、强化学习全链路自研，不仅覆盖编程和Agentic方向，还延伸到多模态领域，包括视频大模型海螺（Hailuo）和全球使用量领先的TTS语音模型。

MiniMax全球业务总经理Linda Sheng与主持人、福布斯撰稿人Dasha Shunina，图片来源：ThinkingAI

Linda Sheng在ThinkingData还没变成ThinkingAI之前就已经认识这家公司，“我其实以前是投资人，做了将近十年的科技投资。当时整个游戏运营行业，就是建立在对运营数据的深度分析洞察之上的。游戏行业可能是数据最丰富的行业之一，很容易把数据洞察转化成更高的利润率、更高的收入、更高的运营效率。”

在她看来，今天判断“哪些行业最容易被AI碘伏、最容易从AI中受益”，一个核心标准就是数据就绪度——而游戏行业恰好是这个维度上最靠前的行业之一。而ThinkingAI的独特之处在于，它已经在这个最前沿的行业里扎根多年。

Linda Sheng直言：“ThinkingAI深度渗透到了你能想到的几乎所有主要游戏公司。他们有点低调，但从我的投资人圈子里我一直都知道他们，这是一个有非常扎实业绩记录的团队。”

她把这次合作概括为“三件事的叠加”：一个正在被AI碘伏的行业、一支在这个行业深耕多年的团队、以及一个开源权重的前沿基础模型。“当你把这三样东西拼在一起，就是物品今天在这里的原因。”

进一步来看，这类合作也反映出当前企业AI生态的一种分工趋势：一端是提供通用模型能力的厂商，另一端是将模型嵌入具体业务流程的应用平台。两者更接近一种“共同定义场景”的协同关系。

Linda Sheng在现场把这种协同称为“共同演化（co-evolve）”。

“任何做应用、对使用场景有深入理解的人，都需要跟基础模型实验室共同演化。”她透露，接下来MiniMax会跟ThinkingAI一起，从游戏行业开始，把行业特定的使用场景沉淀下来，反哺到下一代基础模型的预训练之中，“不是用谁的数据训练模型，而是真正理解这些洞察、理解使用场景、理解模型在某些场景下为什么会失败，然后我们自己回过头去构造数据、构造理解，让下一版模型能真正解决开发者和运营专家日常工作中遇到的实际问题。”

对于ThinkingAI而言，引入Minimax，也意味着其产品形态不再局限于数据平台，而是进一步向“AI基础设施+业务执行系统”的组合演进。而ThinkingAI也不只是MiniMax的一个“客户”或“渠道”，而是能够帮助MiniMax定义下一代模型该解决什么问题的行业伙伴。

这次硅谷发布会是ThinkingAI的首秀，4月22日ThinkingAI将在上海举办“From Data To Al——Build Your Real Agent Team”大会。这场大会将直击Agent技术底座，深度解构数据基建如何升级为Agent执行引擎。从架构设计到技术选型，再到踩坑实录，为开发者提供一份可落地的“避坑指南”。在Agent生态图谱和0-1实战方法论方面，也将会有行业大咖带来精彩的观点分享。

当企业软件正在从“分析数据”，走向“直接执行决策”，一场变革开始了。

（封面图来源：ThinkingAI）

4月22日13:30

上海漕河泾会议中心

ThinkingAI将提供

实机演示和1v1场景诊断

Build Your Real Agent Team