2026 年，给公司名字加上 "AI" 后缀已经不算新闻。但 ThinkingAI（原 ThinkingData / 数数科技）4 月 16 日在山景城计算机历史博物馆办的这场发布会，有意思的地方不在改名。

当天三件事同时官宣：

品牌从 ThinkingData 升级为 ThinkingAI，

发布企业级 AI Agent 平台 Agentic Engine，

与 MiniMax 达成战略合作、由后者为私有化部署提供大模型底座。

400 多人坐满了活动大厅，联合创始人 Chris Han 上台的第一句话是：" 说实话，这比我想象的人多得多。"

但真正的问题不是谁来了，而是 ThinkingAI 想证明什么——在一个所有人都在做 Agent 的年份，它凭什么说自己不一样？

1. Agent 很聪明，但它不懂你的 " 留存 " 怎么算

高盛的数据很刺眼：截至 2025 年，仅 7% 的企业完成了公司层面的 AI 全面整合。Agent 层面更夸张—— 2026 年 3 月的行业调研显示，78% 的企业已启动 AI Agent 试点，但只有不到 15% 进入了生产环境。

卡在哪了？不是模型不够聪明。

当你问 Agent" 为什么这周留存掉了 "，它大概率不知道 " 留存 " 在你的公司里按什么口径算——自然周还是运营周？注册还是首次付费？这不是大模型能力的问题，是行业 know-how 的问题。靠 prompt 补不齐，靠 fine-tune 也很难覆盖。

Chris Han 在 keynote 中说得很直白：" 没有知识、没有方法论的 Agent，跟没有灵魂的人一样。"

他把那些散落在日常运营中的微小优化窗口叫 " 原子机会 " ——单个不起眼，累积起来可能意味着数十亿美元的增长差距。靠人工运营捕捉不过来，这是 Agent 真正该干的事。但一个连 " 留存 " 口径都搞不清楚的 Agent，抓不住任何机会。

2. 十年方法论，编码成一百多个 Skill

ThinkingAI 的底牌是时间。

前身数数科技 2015 年成立，十一年服务了 1500 多家企业、8000 多款产品，客户覆盖 SEGA、KRAFTON、Habby。最早扎根游戏行业—— MiniMax 全球业务总经理 Linda Sheng 在发布会上给了一个判断：要看哪些行业最容易被 AI 改变，核心标准是数据就绪度，游戏恰好最靠前。数据量大、维度多、反馈周期极短，是天然的 AI 试验田。

这十年积累的行业方法论，被转化成了 Agentic Engine 的三层知识体系：

语义层 + 知识图谱，把 "DAU 怎么算 "" 上周是自然周还是运营周 "" 收入是 GMV 还是实收 " 这些每家公司都不一样的隐性知识结构化，Agent 直接调用。

100 多个预置行业 Skill，覆盖用户分析、留存分析、付费分析、投放归因等八大领域。不是通用数据查询，而是 " 留存该怎么拆 "" 投放 ROI 该怎么归因 " 这类具体的行业方法论。

持续进化——每次执行结果沉淀为新知识，上次 A/B 测试哪个方案赢了、为什么赢，都会回流到系统中。Agent 不是每次从零开始，而是越跑越准。

Chris Han 对此的表述很直接：" 我们没有你的数据。我们从来不拥有客户的数据。但我们有最佳实践——怎么用好数据，这是十年、一千五百家客户教会我们的。"

模型能力从哪来？

MiniMax

这家 2026 年初港股上市、市值超 400 亿美元的公司。Linda Sheng 现场透露，接下来 MiniMax 会和 ThinkingAI 从游戏行业开始，把行业场景沉淀下来反哺到下一代基础模型的预训练中。不只是 " 谁给谁提供模型 " 的供应商关系，更接近共同定义下一代企业 Agent 该解决什么问题。

3. 从发现问题到解决问题，不开会

Chris Han 在台上做了一个场景演示来验证这套体系：D7 留存下降 12%、第三关退出率飙到 34% —— Agentic Engine 在团队打开任何看板之前就发出了警报，分析 Agent 调用行业 Skill 完成全漏斗拆解、定位到难度曲线问题，随后自动生成优化方案、启动 A/B 测试，两天后留存完全恢复。

整个链条里没有开会、没有排期、没有跨部门传文档。全系统支持私有化部署，保证数据不出企业。

更重要的是：模型会拉平，方法论不会

模型能力正在快速 commodity 化——今天你能调的 API，明天竞品也能调。Agent 框架也在趋同，开源社区每周都在缩小架构差距。

但这恰恰是行业 know-how 变得值钱的原因。当构建技术本身不再构成壁垒，真正的护城河转移到了 AI 本身无法自动化的东西：行业方法论、客户业务口径的深度理解、以及十年服务积累的最佳实践。OpenAI 不会去学 1500 家游戏公司各自怎么算留存，Anthropic 也不会。而一旦 Agent 吃透了一家企业的业务逻辑和分析框架，切换平台意味着从头再教一遍——没有运营总监愿意冒这个风险。

这有点像 Bloomberg Terminal 的逻辑：终端谁都能造，但四十年积累的金融数据分类体系才是壁垒。

发布会后半程，来自 OpenAI、Google DeepMind 等机构的行业人士讨论 "AI 在企业中的未来 "。台上台下其实都在绕同一个问题：企业 AI 的下一步，不是谁的模型更大，而是谁能让 AI 真正嵌入业务流程。

ThinkingAI 押的就是这件事：在所有人都在比谁的 Agent 更聪明的时候，它选择比谁的 Agent 更懂行。

模型参数可以买，行业方法论只能攒。这条路没有捷径。