一家游戲數據服務公司，憑什么能讓Agent真正為企業干活｜甲子光年

為什么更懂游戲，也會更懂Agent？

作者｜王博

走出美國舊金山莫斯康中心時，天色已經暗了。2026年游戲開發者大會（GDC）剛散場，呂承通打了一輛車，車門關上后，他沒有先休息，而是立刻撥通了團隊的電話。

電話中討論的，不是某個客戶項目，而是一個更大的決定：把公司名稱從ThinkingData改為ThinkingAI。

作為ThinkingData（數數科技）創始人、CEO，呂承通并不是臨時起意。早在五年前，他就已經注冊了ThinkingAI的域名和商標。只是直到2026年春天，這個名字才真正到了被啟用的時候。

“產業的拐點到了，沒有什么好猶豫的。”呂承通對「甲子光年」說。

這句話背后，是一家數據服務公司的主動轉身。

成立于2015年的ThinkingData，以游戲行業數據分析服務起家，并在這一領域建立起極高的知名度。他們所做的事情，是幫助企業更好地理解用戶、理解增長、理解業務，讓數據從后臺報表變成經營決策的一部分。過去十年，ThinkingData服務超過1500家客戶，服務的客戶覆蓋了20個國家。

但到了今天，僅僅“理解”已經不夠了。

4月16日，ThinkingAI以全新品牌形象在硅谷計算機歷史博物館舉辦全球發布會，并發布全新產品Agentic Engine。這是一個可私有化部署的企業級AI Agent平臺，平臺中的Agent可實時分析業務數據、?主做出決策、并執?相關的策略動作。

接下來的幾天里，ThinkingAI又相繼在韓國、日本舉辦發布會。4月22日，ThinkingAI回到中國，在上海漕河涇會議中心舉行了發布會。

ThinkingAI聯合創始人、CTO周津在發布會上說：“過去十年，我們讓企業把數據變成資產。下一個十年，讓這份資產通過Agent真正運轉起來。”

這次轉型，未必是這場產業更替中唯一的樣本，但它無疑是一個值得被記錄的錨點事件。但行業中還是有一些疑問：為什么一家數據服務公司會轉型為AI公司？Agent時代的護城河是什么？ThinkingAI過往在游戲行業積累的數據和經驗是否可以成為他們服務其他行業客戶的know-how？Agentic Engine又和其他企業級Agent產品有什么區別？

這一次，「甲子光年」和ThinkingAI創始人、CEO呂承通和ThinkingAI聯合創始人、CTO周津坐下來，好好聊了聊。

1.重建企業的“底層數字器官”

要理解從Data到AI的轉型，不能脫離企業數字化的時代背景。

過去三十多年，企業數字化大致經歷了兩輪由基礎設施驅動的范式更替。

第一輪是信息化。從上世紀90年代到2010年前后，SAP、甲骨文、用友等公司，用ERP、CRM等系統幫助企業第一次把業務流程系統化地記錄下來。企業管理也由此從依賴經驗，轉向依賴流程。這是企業數字化的1.0時代，本質是讓企業先“看見自己”。

第二輪是數據化。2010年之后，Snowflake、Databricks、ThinkingData等公司，進一步把企業帶入“理解自己”的階段。數據倉庫、數據平臺和分析工具的普及，讓企業第一次能夠持續、系統地理解業務運行狀態，決策邏輯也從直覺驅動，轉向數據驅動。由此，企業數字化進入2.0時代。

而現在，第三輪變化——智能化正在發生。企業數字化的核心命題，已經不再只是“記錄業務”或“理解業務”，而是開始走向“自主執行”——讓業務系統不僅能感知、能判斷，還能真正參與行動。

這也是為什么，2026年企業級Agent賽道雖然熱鬧，但真正值得關注的，并不是誰背后接入的模型更強、誰的Demo更炫，而是誰能真正把企業帶入數字化3.0時代。

其實，每一輪數字化升級，最終篩選出來的都不只是幾款熱門產品，而是一批重新定義企業運作方式的基礎設施公司。它們決定了一個時代的企業如何運轉，也往往會成為未來十年到二十年企業服務版圖中的核心節點。

在呂承通看來，在企業數字化3.0時代，不能在2.0時代的產品上簡單加上AI，而是要重建企業的“底層數字器官”。

ThinkingAI創始人、CEO呂承通

原因并不復雜。過去三十年，企業的大多數軟件系統，幾乎都是圍繞“人”來設計的：數據如何被記錄、指標如何被查看、流程如何被審批、權限如何被分發，本質上都默認“人”是唯一的決策者和執行者。

但到了Agent時代，這個前提開始失效。

“企業要變化思維，要以AI為中心去驅動業務發展，而不再是以人為中心。”呂承通告訴「甲子光年」，這并不意味著人不重要，“人要設定目標和邊界，讓Agent在邊界內自主運行。”

這意味著，企業要面對的已經不只是一次產品升級，而是一次系統層面的重構。

Agent和人的工作方式并不相同。人擅長在有限信息中做經驗判斷，也擅長在模糊地帶靈活處理；而Agent的優勢，則在于高速處理上下文、大規模調用知識、在明確目標和邊界內持續運行。兩者的能力結構不同，決定了底層系統不能沿用同一套設計邏輯。

最先被改寫的，是數據底座。

2.Agent的能力上限，由數據決定

在2.0時代，企業數字化的核心任務，是把業務轉化為結構化數據，再圍繞這些結構化數據建立指標、分析和決策體系。

但在呂承通看來，這套邏輯并不天然適合Agent。他們在實踐中發現，對于大模型來說，許多被精心整理過的結構化指標，并不是最友好的輸入；相反，大量散落在業務現場的非結構化信息，比如討論記錄、工單、反饋、知識文檔，甚至多模態內容反而更接近真實業務的上下文。

這并不意味著結構化數據不重要，而是意味著它不再構成全部。結構化數據、非結構化數據、時序數據，乃至多模態數據，都需要被重新組織進同一個面向Agent的系統中。存儲方式、索引方式、知識萃取方式，以及調用和推理的工程鏈路，都要隨之改變。

周津給出了一個很鮮明的判斷：大模型給了Agent推理能力，工程框架給了Agent執行能力，但Agent要想真正進入企業、接住具體業務，靠的不是模型參數本身，而是對企業數據的深度理解。

“Agent的能力上限，由數據決定。”周津告訴「甲子光年」。

ThinkingAI聯合創始人、CTO周津

ThinkingAI對數據底座的理解，已經不再停留在分析時代那種“湖倉一體+指標平臺”的傳統范式，而是把它重新定義為一套面向Agent運行的數據基礎設施。

在這個體系里，數據不只是被存起來、算出來，而是要被進一步組織成Agent能夠感知、理解、記憶和調用的知識。周津把這個過程概括為一句話：Agent時代的數據底座，是從湖倉走向知識。

這其實是在回應企業Agent落地最現實的難題之一：很多公司并不缺數據，缺的是能被Agent真正用起來的數據。

為了打造一套面向Agent運行的數據基礎設施，ThinkingAI從三個方面進行了重構：

第一，全域接入與統一治理。實時數據、離線數據、流批數據，以及結構化、非結構化、多模態數據，都要進入同一個體系，而不是繼續散落在各自獨立的工具和部門里。

第二，語義化與知識化。數據進入系統后，并不會天然變成Agent可用的能力。它還需要經過Embedding、語義檢索、知識圖譜、語義層、組織記憶和上下文工程等一整套處理，最終從“原始數據”蒸餾成“Agent可以調用的知識”。

周津告訴「甲子光年」：“Agent不只需要數據，更需要被語義化的知識。”基于這一思路，ThinkingAI提出了“三層知識體系”：

• 底層，系統級知識。這部分來自ThinkingAI過去多年的產品和工程積累，包括平臺內部封裝的通用能力、官方Skill和行業方法論。它相當于Agent先天擁有的一套“基礎能力層”。

• 中間層，企業級知識體系。這部分對應的，是企業過去多年沉淀在知識庫、會議紀要、OA系統、飛書、釘釘以及各類歷史文檔中的組織資產。ThinkingAI要做的，是把這些分散、冗長、非結構化的內容持續蒸餾成Agent友好的結構，讓Agent真正“懂這家企業”。

• 上層，個人級知識與記憶。對于企業內部不同崗位、不同角色來說，他們各自負責的目標、積累的經驗、溝通習慣和判斷標準并不相同。Agent要真正進入工作流，就不能只懂公司，還要懂具體的人，懂他的業務目標、工作上下文和長期記憶。

第三，系統能力的封裝。ThinkingAI提出“系統Agent+語義上下文+領域Skills”的結構，等于是在通用模型和具體業務Agent之間，再加一層長期工程化沉淀下來的能力層。比如指標搭建Agent、數據埋點采集Agent、資產治理Agent，這些都不是簡單的對話功能，而是把過去十年在數據世界里積累下來的方法論，封裝成可復用、可遷移、可擴展的系統能力。

這一點很關鍵。在ThinkingAI看來，模型之間的能力差距會縮小，MCP和各類Agent framework也會越來越開源化，真正不能被復制的，只有企業自己的數據資產和行業know-how。

數據，才是Agent時代唯一不可復制的護城河。

3.更懂游戲，也會更懂Agent

對于一家長期深耕游戲行業的數據公司來說，一個幾乎繞不開的問題是：過去十年在游戲領域積累下來的數據和經驗，究竟是“行業包袱”，還是轉向AI之后的優勢？

周津給出的答案很明確：恰恰是這種長期聚焦，構成了公司轉型的重要起點。

在他看來，游戲行業首先是一個天然貼近技術前沿的行業，很多人第一次接觸AI就是在游戲場景中。對ThinkingAI來說，長期服務游戲客戶，意味著它更早進入了一批對技術高度敏感、對新工具更開放、也更愿意為新能力買單的業務現場。

但更重要的，還不是“游戲行業更新”，而是“游戲行業更復雜”。

相比電商這類路徑相對清晰、行為模式相對固定的行業，游戲用戶的行為天然更非線性：有人追求通關，有人熱衷收集，有人偏愛社交，有人只是想在虛擬世界里種地、看風景，甚至完全不按主線推進。也正因為如此，游戲場景很難被壓縮成一條標準化流程，它更接近一種開放式、目標驅動式的復雜系統。

而這恰恰與Agent的工作方式更接近。

周津告訴「甲子光年」，Agent真正擅長的，并不是嚴格按照固定步驟完成“選擇題”，而是在明確目標之后，持續探索路徑、調整策略、逼近結果。

游戲行業過去十年積累下來的，正是對這種復雜行為系統的長期理解：人在不同目標下會如何行動，系統又該如何在高自由度環境中識別機會、做出判斷。

從這個角度看，ThinkingAI在游戲行業的積累，并不只是一些垂直場景知識，而是一套更接近Agent時代的“問題意識”。

除此之外，游戲還是一個典型的高密度數據場。用戶行為復雜，埋點極細，數據量巨大。周津表示，過去服務頭部游戲客戶時，單日處理上千億條數據并不罕見。這種對超大規模、高頻、實時數據的處理能力，在分析時代是門檻，在Agent時代則進一步變成了底層能力。

因為Agent不再是一天查幾次報表的人，而是一個7×24小時持續運行、持續調用上下文、持續消耗數據的“機器型使用者”。隨著代碼、文檔、交互記錄等非結構化信息在AI時代迅速膨脹，企業對底層數據引擎的要求只會更高，而不是更低。

當然，周津也并不回避邊界。游戲行業的know-how，并不能被簡單平移到所有行業。至少在現階段，ThinkingAI更有把握擴展的，仍然是與游戲更相近的泛娛樂、互聯網等賽道。

呂承通告訴「甲子光年」，正因為只做一個行業，ThinkingAI才有機會把這個行業真正做深、做透，形成別人難以快速補齊的專業積累。而游戲行業又有一個特殊之處：它天然是全球化的。無論中國游戲公司出海，還是海外廠商面向全球發行業務，產品、用戶、運營和數據體系本身就跨越多個市場。這使得ThinkingAI在一個行業里建立起來的能力，不僅可以從一個場景擴散到另一個場景，也可以從一個區域擴散到另一個區域。

「甲子光年」認為，ThinkingAI這十年在游戲行業積累下來的，并不只是某個垂直賽道的經驗，而是四種更底層的能力：對前沿技術的感知能力，對復雜行為系統的理解能力，對處理超大規模數據的工程能力以及對全球化客戶的服務能力。

而這些能力，恰恰是Agent時代最稀缺也最難被臨時補上的東西。

4.Agentic Engine是一個典型的AI原生組織構建平臺

根據ThinkingAI的定義，Agentic Engine是一個可私有化部署的企業級AI Agent平臺。

呂承通把Agentic Engine的核心能力概括為三點：全域感知、深度理解、行動閉環。

所謂全域感知，不只是接入更多數據源，而是讓Agent能同時處理結構化數據、用戶行為數據、用戶反饋、會議記錄、企業知識庫，以及圖片、音頻、視頻等多模態信息。這些都要進入統一上下文，并經過壓縮、提煉與關聯，變成Agent真正能用的輸入。

周津打了一個比方，這就像是期末考試前老師劃重點，這樣可以快速讓學生掌握核心知識，排除不重要的信息。對于企業級Agent也是如此，企業今天并不缺知識庫，真正缺的是能被Agent讀懂、記住、調用的知識。

在此基礎上，第二項核心能力是深度理解。Agentic Engine并不滿足于做一個會檢索、會總結的通用助手，而是希望讓Agent真正理解行業領域的專業知識、企業內部隱性知識、指標口徑、業務上下文，甚至競品信息，并在此基礎上調用預制的100+專家Skill。也就是說，ThinkingAI想做的不是讓模型更“泛”，而是讓它更“懂客戶”。

還有一項能力是行動閉環。這也是Agentic Engine最希望與傳統數據平臺和通用AI工具拉開差距的部分。它不是停留在分析和建議，而是通過多Agent協同，把分析、決策、執行、驗證連接成一條完整鏈路，讓Agent能夠7×24小時持續工作，并直接對業務結果負責。

在周津看來，行動閉環是最難的一層，因為一旦Agent進入執行環節，出錯帶來的就不再只是回答不準，而是直接的業務損失。ThinkingAI并不回避Agent會犯錯這一現實，而是把協作、灰度、A/B測試、持續度量和安全沙箱都做進產品機制里。Agent可以參與檢測、決策、執行、審計，甚至互相監督，但在人真正放權之前，必須先被納入可觀察、可回溯、可評估的閉環。

「甲子光年」注意到，這次發布會ThinkingAI強調了一個觀點：企業需要的不是一個AI助手，而是一支能協作、能學習、能自主執行的Agent團隊。

這句話背后，其實對應著兩種完全不同的產品邏輯。

AI助手更多是在提升單個人的效率。它可以幫你總結、生成、分析，但大多數時候，最終的判斷和執行仍然要靠人來完成。

但ThinkingAI瞄準的，不只是“輔助”，而是“交付”。不同Agent圍繞同一業務目標協同工作：有的負責感知數據，有的負責分析原因，有的負責生成策略，有的負責執行動作，還有的負責驗證結果、持續迭代。它們不是一個個孤立的工具，而是開始像一個團隊那樣分工、配合、運轉。

今年年初，OpenClaw引發的“龍蝦熱潮”出現后，很多企業都可以要求員工使用AI Agent，甚至會考核員工的token使用量。但是，企業智能化轉型真正開始的標志，可能并不是員工會不會用AI，而是企業是否開始圍繞Agent重新設計自己的協作方式。

甲子光年智庫在《AI原生組織：OpenClaw推動組織形態重塑》的報告中就指出：OpenClaw的意義不在于“AI能力增強”，而在于將AI從“認知工具”推進為“執行主體”，從而引發組織形態的范式躍遷。組織的核心不再是“人如何協同”，而是“AI如何被調度”。傳統組織在決策、協同與執行層面將會產生顛覆性重塑，需要探索新型組織形態，以滿足組織日益增長的智能化變革需求。

ThinkingAI發布的Agentic Engine就是一個典型的AI原生組織構建平臺。

在發布會后，「甲子光年」問了呂承通一個問題：“一年后你希望行業如何定義ThinkingAI？”

呂承通的回答很簡單：“我希望ThinkingAI成為企業級Agent賽道的代表，成為被對標的那一個。”

（封面圖及文中配圖來源：ThinkingAI）