一家游戏数据服务公司，凭什么能让Agent真正为企业干活｜甲子光年

为什么更懂游戏，也会更懂Agent？

走出美国旧金山莫斯康中心时，天色已经暗了。2026年游戏开发者大会（GDC）刚散场，吕承通打了一辆车，车门关上后，他没有先休息，而是立刻拨通了团队的电话。

电话中讨论的，不是某个客户项目，而是一个更大的决定：把公司名称从ThinkingData改为ThinkingAI。

作为ThinkingData（数数科技）创始人、CEO，吕承通并不是临时起意。早在五年前，他就已经注册了ThinkingAI的域名和商标。只是直到2026年春天，这个名字才真正到了被启用的时候。

“产业的拐点到了，没有什么好犹豫的。”吕承通对「甲子光年」说。

这句话背后，是一家数据服务公司的主动转身。

成立于2015年的ThinkingData，以游戏行业数据分析服务起家，并在这一领域建立起极高的知名度。他们所做的事情，是帮助企业更好地理解用户、理解增长、理解业务，让数据从后台报表变成经营决策的一部分。过去十年，ThinkingData服务超过1500家客户，服务的客户覆盖了20个国家。

但到了今天，仅仅“理解”已经不够了。

4月16日，ThinkingAI以全新品牌形象在硅谷计算机历史博物馆举办全球发布会，并发布全新产品Agentic Engine。这是一个可私有化部署的企业级AI 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。

接下来的几天里，ThinkingAI又相继在韩国、日本举办发布会。4月22日，ThinkingAI回到中国，在上海漕河泾会议中心举行了发布会。

ThinkingAI联合创始人、CTO周津在发布会上说：“过去十年，我们让企业把数据变成资产。下一个十年，让这份资产通过Agent真正运转起来。”

这次转型，未必是这场产业更替中唯一的样本，但它无疑是一个值得被记录的锚点事件。但行业中还是有一些疑问：为什么一家数据服务公司会转型为AI公司？Agent时代的护城河是什么？ThinkingAI过往在游戏行业积累的数据和经验是否可以成为他们服务其他行业客户的know-how？Agentic Engine又和其他企业级Agent产品有什么区别？

这一次，「甲子光年」和ThinkingAI创始人、CEO吕承通和ThinkingAI联合创始人、CTO周津坐下来，好好聊了聊。

1.重建企业的“底层数字器官”

要理解从Data到AI的转型，不能脱离企业数字化的时代背景。

过去三十多年，企业数字化大致经历了两轮由基础设施驱动的范式更替。

第一轮是信息化。从上世纪90年代到2010年前后，SAP、甲骨文、用友等公司，用ERP、CRM等系统帮助企业第一次把业务流程系统化地记录下来。企业管理也由此从依赖经验，转向依赖流程。这是企业数字化的1.0时代，本质是让企业先“看见自己”。

第二轮是数据化。2010年之后，Snowflake、Databricks、ThinkingData等公司，进一步把企业带入“理解自己”的阶段。数据仓库、数据平台和分析工具的普及，让企业第一次能够持续、系统地理解业务运行状态，决策逻辑也从直觉驱动，转向数据驱动。由此，企业数字化进入2.0时代。

而现在，第三轮变化——智能化正在发生。企业数字化的核心命题，已经不再只是“记录业务”或“理解业务”，而是开始走向“自主执行”——让业务系统不仅能感知、能判断，还能真正参与行动。

这也是为什么，2026年企业级Agent赛道虽然热闹，但真正值得关注的，并不是谁背后接入的模型更强、谁的Demo更炫，而是谁能真正把企业带入数字化3.0时代。

其实，每一轮数字化升级，最终筛选出来的都不只是几款热门产品，而是一批重新定义企业运作方式的基础设施公司。它们决定了一个时代的企业如何运转，也往往会成为未来十年到二十年企业服务版图中的核心节点。

在吕承通看来，在企业数字化3.0时代，不能在2.0时代的产品上简单加上AI，而是要重建企业的“底层数字器官”。

ThinkingAI创始人、CEO吕承通

原因并不复杂。过去三十年，企业的大多数软件系统，几乎都是围绕“人”来设计的：数据如何被记录、指标如何被查看、流程如何被审批、权限如何被分发，本质上都默认“人”是唯一的决策者和执行者。

但到了Agent时代，这个前提开始失效。

“企业要变化思维，要以AI为中心去驱动业务发展，而不再是以人为中心。”吕承通告诉「甲子光年」，这并不意味着人不重要，“人要设定目标和边界，让Agent在边界内自主运行。”

这意味着，企业要面对的已经不只是一次产品升级，而是一次系统层面的重构。

Agent和人的工作方式并不相同。人擅长在有限信息中做经验判断，也擅长在模糊地带灵活处理；而Agent的优势，则在于高速处理上下文、大规模调用知识、在明确目标和边界内持续运行。两者的能力结构不同，决定了底层系统不能沿用同一套设计逻辑。

最先被改写的，是数据底座。

2.Agent的能力上限，由数据决定

在2.0时代，企业数字化的核心任务，是把业务转化为结构化数据，再围绕这些结构化数据建立指标、分析和决策体系。

但在吕承通看来，这套逻辑并不天然适合Agent。他们在实践中发现，对于大模型来说，许多被精心整理过的结构化指标，并不是最友好的输入；相反，大量散落在业务现场的非结构化信息，比如讨论记录、工单、反馈、知识文档，甚至多模态内容反而更接近真实业务的上下文。

这并不意味着结构化数据不重要，而是意味着它不再构成全部。结构化数据、非结构化数据、时序数据，乃至多模态数据，都需要被重新组织进同一个面向Agent的系统中。存储方式、索引方式、知识萃取方式，以及调用和推理的工程链路，都要随之改变。

周津给出了一个很鲜明的判断：大模型给了Agent推理能力，工程框架给了Agent执行能力，但Agent要想真正进入企业、接住具体业务，靠的不是模型参数本身，而是对企业数据的深度理解。

“Agent的能力上限，由数据决定。”周津告诉「甲子光年」。

ThinkingAI联合创始人、CTO周津

ThinkingAI对数据底座的理解，已经不再停留在分析时代那种“湖仓一体+指标平台”的传统范式，而是把它重新定义为一套面向Agent运行的数据基础设施。

在这个体系里，数据不只是被存起来、算出来，而是要被进一步组织成Agent能够感知、理解、记忆和调用的知识。周津把这个过程概括为一句话：Agent时代的数据底座，是从湖仓走向知识。

这其实是在回应企业Agent落地最现实的难题之一：很多公司并不缺数据，缺的是能被Agent真正用起来的数据。

为了打造一套面向Agent运行的数据基础设施，ThinkingAI从三个方面进行了重构：

第一，全域接入与统一治理。实时数据、离线数据、流批数据，以及结构化、非结构化、多模态数据，都要进入同一个体系，而不是继续散落在各自独立的工具和部门里。

第二，语义化与知识化。数据进入系统后，并不会天然变成Agent可用的能力。它还需要经过Embedding、语义检索、知识图谱、语义层、组织记忆和上下文工程等一整套处理，最终从“原始数据”蒸馏成“Agent可以调用的知识”。

周津告诉「甲子光年」：“Agent不只需要数据，更需要被语义化的知识。”基于这一思路，ThinkingAI提出了“三层知识体系”：

• 底层，系统级知识。这部分来自ThinkingAI过去多年的产品和工程积累，包括平台内部封装的通用能力、官方Skill和行业方法论。它相当于Agent先天拥有的一套“基础能力层”。

• 中间层，企业级知识体系。这部分对应的，是企业过去多年沉淀在知识库、会议纪要、OA系统、飞书、钉钉以及各类历史文档中的组织资产。ThinkingAI要做的，是把这些分散、冗长、非结构化的内容持续蒸馏成Agent友好的结构，让Agent真正“懂这家企业”。

• 上层，个人级知识与记忆。对于企业内部不同岗位、不同角色来说，他们各自负责的目标、积累的经验、沟通习惯和判断标准并不相同。Agent要真正进入工作流，就不能只懂公司，还要懂具体的人，懂他的业务目标、工作上下文和长期记忆。

第三，系统能力的封装。ThinkingAI提出“系统Agent+语义上下文+领域Skills”的结构，等于是在通用模型和具体业务Agent之间，再加一层长期工程化沉淀下来的能力层。比如指标搭建Agent、数据埋点采集Agent、资产治理Agent，这些都不是简单的对话功能，而是把过去十年在数据世界里积累下来的方法论，封装成可复用、可迁移、可扩展的系统能力。

这一点很关键。在ThinkingAI看来，模型之间的能力差距会缩小，MCP和各类Agent framework也会越来越开源化，真正不能被复制的，只有企业自己的数据资产和行业know-how。

数据，才是Agent时代唯一不可复制的护城河。

3.更懂游戏，也会更懂Agent

对于一家长期深耕游戏行业的数据公司来说，一个几乎绕不开的问题是：过去十年在游戏领域积累下来的数据和经验，究竟是“行业包袱”，还是转向AI之后的优势？

周津给出的答案很明确：恰恰是这种长期聚焦，构成了公司转型的重要起点。

在他看来，游戏行业首先是一个天然贴近技术前沿的行业，很多人第一次接触AI就是在游戏场景中。对ThinkingAI来说，长期服务游戏客户，意味着它更早进入了一批对技术高度敏感、对新工具更开放、也更愿意为新能力买单的业务现场。

但更重要的，还不是“游戏行业更新”，而是“游戏行业更复杂”。

相比电商这类路径相对清晰、行为模式相对固定的行业，游戏用户的行为天然更非线性：有人追求通关，有人热衷收集，有人偏爱社交，有人只是想在虚拟世界里种地、看风景，甚至完全不按主线推进。也正因为如此，游戏场景很难被压缩成一条标准化流程，它更接近一种开放式、目标驱动式的复杂系统。

而这恰恰与Agent的工作方式更接近。

周津告诉「甲子光年」，Agent真正擅长的，并不是严格按照固定步骤完成“选择题”，而是在明确目标之后，持续探索路径、调整策略、逼近结果。

游戏行业过去十年积累下来的，正是对这种复杂行为系统的长期理解：人在不同目标下会如何行动，系统又该如何在高自由度环境中识别机会、做出判断。

从这个角度看，ThinkingAI在游戏行业的积累，并不只是一些垂直场景知识，而是一套更接近Agent时代的“问题意识”。

除此之外，游戏还是一个典型的高密度数据场。用户行为复杂，埋点极细，数据量巨大。周津表示，过去服务头部游戏客户时，单日处理上千亿条数据并不罕见。这种对超大规模、高频、实时数据的处理能力，在分析时代是门槛，在Agent时代则进一步变成了底层能力。

因为Agent不再是一天查几次报表的人，而是一个7×24小时持续运行、持续调用上下文、持续消耗数据的“机器型使用者”。随着代码、文档、交互记录等非结构化信息在AI时代迅速膨胀，企业对底层数据引擎的要求只会更高，而不是更低。

当然，周津也并不回避边界。游戏行业的know-how，并不能被简单平移到所有行业。至少在现阶段，ThinkingAI更有把握扩展的，仍然是与游戏更相近的泛娱乐、互联网等赛道。

吕承通告诉「甲子光年」，正因为只做一个行业，ThinkingAI才有机会把这个行业真正做深、做透，形成别人难以快速补齐的专业积累。而游戏行业又有一个特殊之处：它天然是全球化的。无论中国游戏公司出海，还是海外厂商面向全球发行业务，产品、用户、运营和数据体系本身就跨越多个市场。这使得ThinkingAI在一个行业里建立起来的能力，不仅可以从一个场景扩散到另一个场景，也可以从一个区域扩散到另一个区域。

「甲子光年」认为，ThinkingAI这十年在游戏行业积累下来的，并不只是某个垂直赛道的经验，而是四种更底层的能力：对前沿技术的感知能力，对复杂行为系统的理解能力，对处理超大规模数据的工程能力以及对全球化客户的服务能力。

而这些能力，恰恰是Agent时代最稀缺也最难被临时补上的东西。

4.Agentic Engine是一个典型的

AI原生组织构建平台

根据ThinkingAI的定义，Agentic Engine是一个可私有化部署的企业级AI Agent平台。

吕承通把Agentic Engine的核心能力概括为三点：全域感知、深度理解、行动闭环。

所谓全域感知，不只是接入更多数据源，而是让Agent能同时处理结构化数据、用户行为数据、用户反馈、会议记录、企业知识库，以及图片、音频、视频等多模态信息。这些都要进入统一上下文，并经过压缩、提炼与关联，变成Agent真正能用的输入。

周津打了一个比方，这就像是期末考试前老师划重点，这样可以快速让学生掌握核心知识，排除不重要的信息。对于企业级Agent也是如此，企业今天并不缺知识库，真正缺的是能被Agent读懂、记住、调用的知识。

在此基础上，第二项核心能力是深度理解。Agentic Engine并不满足于做一个会检索、会总结的通用助手，而是希望让Agent真正理解行业领域的专业知识、企业内部隐性知识、指标口径、业务上下文，甚至竞品信息，并在此基础上调用预制的100+专家Skill。也就是说，ThinkingAI想做的不是让模型更“泛”，而是让它更“懂客户”。

还有一项能力是行动闭环。这也是Agentic Engine最希望与传统数据平台和通用AI工具拉开差距的部分。它不是停留在分析和建议，而是通过多Agent协同，把分析、决策、执行、验证连接成一条完整链路，让Agent能够7×24小时持续工作，并直接对业务结果负责。

在周津看来，行动闭环是最难的一层，因为一旦Agent进入执行环节，出错带来的就不再只是回答不准，而是直接的业务损失。ThinkingAI并不回避Agent会犯错这一现实，而是把协作、灰度、A/B测试、持续度量和安全沙箱都做进产品机制里。Agent可以参与检测、决策、执行、审计，甚至互相监督，但在人真正放权之前，必须先被纳入可观察、可回溯、可评估的闭环。

「甲子光年」注意到，这次发布会ThinkingAI强调了一个观点：企业需要的不是一个AI助手，而是一支能协作、能学习、能自主执行的Agent团队。

这句话背后，其实对应着两种完全不同的产品逻辑。

AI助手更多是在提升单个人的效率。它可以帮你总结、生成、分析，但大多数时候，最终的判断和执行仍然要靠人来完成。

但ThinkingAI瞄准的，不只是“辅助”，而是“交付”。不同Agent围绕同一业务目标协同工作：有的负责感知数据，有的负责分析原因，有的负责生成策略，有的负责执行动作，还有的负责验证结果、持续迭代。它们不是一个个孤立的工具，而是开始像一个团队那样分工、配合、运转。

今年年初，OpenClaw引发的“龙虾热潮”出现后，很多企业都可以要求员工使用AI Agent，甚至会考核员工的token使用量。但是，企业智能化转型真正开始的标志，可能并不是员工会不会用AI，而是企业是否开始围绕Agent重新设计自己的协作方式。

甲子光年智库在《AI原生组织：OpenClaw推动组织形态重塑》的报告中就指出：OpenClaw的意义不在于“AI能力增强”，而在于将AI从“认知工具”推进为“执行主体”，从而引发组织形态的范式跃迁。组织的核心不再是“人如何协同”，而是“AI如何被调度”。传统组织在决策、协同与执行层面将会产生颠覆性重塑，需要探索新型组织形态，以满足组织日益增长的智能化变革需求。

ThinkingAI发布的Agentic Engine就是一个典型的AI原生组织构建平台。

在发布会后，「甲子光年」问了吕承通一个问题：“一年后你希望行业如何定义ThinkingAI？”

吕承通的回答很简单：“我希望ThinkingAI成为企业级Agent赛道的代表，成为被对标的那一个。”

（封面图及文中配图来源：ThinkingAI）

END.