ThinkingAI

可私有化部署的企業級 AI Agent 平臺，讓企業擁有能協作的 Agent 團隊

Agent 工作流

https://thinkingai.cn/

前往官網

深度報告

ThinkingAI Agentic Engine 是一款可私有化部署的企業級 AI Agent 平臺，2026 年 4 月正式釋出。核心定位是讓企業擁有一整支能協作的 Agent 團隊，透過「感、知、行」三層能力實現從發現問題到解決問題的全閉環。ThinkingAI 前身為數數科技，在資料智慧領域深耕十年，服務超過 15000 家企業，並與 MiniMax 建立戰略合作伙伴關係。
ThinkingAI 前身為資料智慧公司「數數科技」，2026 年品牌升級，定位從資料分析工具轉向企業級 Agent 平臺。公司 2015 年成立後，長期聚焦遊戲、社交、電商等行業的使用者資料分析，累計服務超過 15000 家企業客戶和 8000 多款產品。 2026 年 4 月 16 日在矽谷計算機歷史博物館舉辦釋出會，宣佈與 MiniMax 達成戰略合作。Agentic Engine 聚焦中大型企業的私有化 AI 部署需求，與位元組跳動「釦子空間」、阿里「通義」等通用 Agent 平臺形成差異化競爭。
Agentic Engine 的設計理念圍繞三個維度展開。「感」即全域感知，7x24 小時監控所有渠道訊號，包括業務資料異常、社交媒體使用者吐槽、App Store 差評等。「知」即深度理解，不僅知道發生了什麼，更能拆解到哪個渠道、哪個版本、哪類使用者，理解為什麼發生。「行」即行動閉環，直接生成策略並執行自動發起 A/B 測試，無需人工排期，實現從決策到行動的完整閉環。
平臺為中大型企業配備一整支能協作的 Agent 團隊，而非給每個人配一個 AI 助手。具體包括資料分析 Agent（團隊的「眼睛」）、A/B 實驗 Agent（團隊的「裁判」，實驗週期從 2-4 周縮短到無需人工干預）、智慧運營 Agent（團隊的「手」，將運營週期從「周級」壓縮到「實時」），以及自主建立 Agent（透過點選拖拽即可建立，無需寫程式碼）。
系統透過策略層、編排層和執行層實現 Agent 之間的協作。策略層由統一 Orchestrator 負責發現機會和驗證假設，編排層負責任務排程、狀態管理和上下文共享，執行層並行執行多個業務 Agent。執行結果自動迴流到策略層，形成更精準的下一輪洞察。
這是 ThinkingAI 十年積累構築的核心壁壘。第一層為 Agent 記憶系統，透過語義層和知識圖譜將隱性業務知識結構化，讓 Agent 理解「DAU 怎麼算」這類口徑問題，無需業務人員重複解釋。第二層預置了 100 多個行業 Skill，覆蓋使用者分析、留存分析、付費分析、投放分析、運營分析、報告生成、歸因分析、輿情分析等 8 大領域。第三層持續進化機制，讓每次執行結果沉澱為新知識，Agent 越跑越準。
平臺內建多項企業級安全機制。沙箱隔離確保新 Agent 在沙箱中試跑，A/B 灰度對比驗證新舊 Agent，全鏈路可觀測確保每一步可追溯，幻覺檢測貫穿全鏈路防止錯誤輸出。結合私有化部署，資料和模型全鏈路自主可控，相容 GDPR、CCPA 等合規要求。
已支援飛書、釘釘、企業微信、Slack、Discord 等主流辦公平臺。原生支援 MCP 和 A2A 協議，可與任何 AI 平臺無縫對接。大模型底座支援 MiniMax（私有化部署）及其他主流大模型 API。
Agentic Engine 目前未公開具體定價方案，採用「聯絡銷售獲取報價」模式。目標客戶為中大型企業標準 SaaS 和私有化部署兩種模式並行。
從公開資訊來看，企業使用者對其「全閉環」能力評價較高，認為真正解決了從資料到行動的「最後一公里」問題。十年行業 know-how 被認為是差異化壁壘。預置 Skill 被認為降低了使用門檻。負面方面，平臺對企業的資料基礎設施要求較高，中小企業適配有一定難度。初期 Agent 訓練和配置需要一定的行業知識積累。
甲子光年等機構對 ThinkingAI Agentic Engine 的釋出保持關注。其「Agentic Engine」定位和「私有化部署」策略被認為是在當前 AI Agent 市場中的差異化競爭策略。與 MiniMax 的戰略合作被視為國內 AI Agent 平臺與大模型廠商協同的典型案例。企業級 AI Agent 市場 2025-2028 年預計從 1473 億元增長至 3.3 萬億元，年複合增長率超過 100%。
產品於 2026 年 4 月正式釋出，產品成熟度和穩定性仍需市場驗證。國內企業級 AI Agent 市場競爭激烈，私有化部署對企業的 IT 能力有一定要求。
該產品適合中大型網際網路公司和遊戲公司，具備一定規模的運營和資料分析團隊，對 AI Agent 有明確業務需求。典型使用場景包括精細化使用者運營、實時數驅動的運營幹預、A/B 測試自動化和行業 know-how 的數字化積累。
ThinkingAI Agentic Engine 是一個定位清晰、能力完整的企業級 AI Agent 平臺。其「感、知、行」三層能力體系和十年的行業 know-how 積累構成差異化優勢。與 MiniMax 的戰略合作提供了可靠的大模型底座支撐。平臺的成功與否，將在接下來 1-2 年的企業落地案例中得到驗證。

使用者評論

Aiden100

—

剛看完矽谷釋出會，這感知的思路太牛了，連Discord和App Store的評論都能自動監控，資料分析終於不是死的資料了

VAb_en

—

感覺比釦子空間更適合企業用，私有化部署這一點就很香了

DeltaDefiLarsen

—

試了一下，資料分析 Agent 確實有點東西，直接問它留存率為什麼降了，它能拆解到具體渠道和版本，不像以前扔一句 SQL 等半天

Frank.Hall_2023

—

三層知識體系這個壁壘確實強，別人抄不來

ElizabethMiller_2020

—

A/B實驗 Agent 不用排期了，運營笑死

Sophia_Anderson_2022

—

和 MiniMax 的合作感覺很靠譜，大模型底座有保障

Jonathan.Cruz0075

—

十年積累的 Skill 確實不是吹的，預置的模板直接用，不用從零開始調

LindaWhite_99

—

說實話私有化部署對企業很重要，資料不能出內網這個需求我們一直都有，現在終於有人做了

孔浩娜

—

沙箱隔離這個設計很穩，新 Agent 先在沙箱跑，跑過了再上產，太需要了

石霞

—

Agent 團隊不是給每個人配助手，是給企業配一支團隊，這個思路就很對

wm68n762u

—

看36氪的文章感覺資訊量很大，回頭要好好研究一下

whitepeacock954

—

行動閉環這個概念提的好，之前就是資料有了但不知道怎麼行動

Cr_yptoTrader198

—

飛書整合支援了，部署起來應該方便很多

KThomasQ

—

我們公司資料基礎設施還不錯，應該能跑起來

SarahStewartZ

—

定價不知道多少，等官方報價

PatriciaMartinX

—

說實話這種產品中小企業可能用不起，還是適合大廠

DeborahCarter_77

—

全閉環 yyds

Stephen_JamesJr

—

從數數科技升級過來的，品牌升級做得很徹底

e2af3v0af0

—

持續進化這個機制很有意思，Agent 越跑越準，不知道怎麼做到的

ThinkingAI

深度報告

使用者評論

相關連結

同類產品