未來(lái)或許依舊是專業(yè)的人做專業(yè)的事。

任何人都可以用AI做自己想做的東西。游戲團(tuán)隊(duì)以前難搞定的中臺(tái)，也如此。

過(guò)去一個(gè)數(shù)據(jù)中臺(tái)，10-15人，1-2年，才能勉強(qiáng)搭中臺(tái)，現(xiàn)在可以壓縮到1-3個(gè)資深人員配上大模型，外加一周時(shí)間就能搞定，往后也只要1-2人便能每天一個(gè)版本地迭代。

所以有個(gè)論調(diào)叫：SaaS已死，人人都能隨手搓軟件……但實(shí)際情況如何呢？

至少，我問(wèn)SaaS起家、做了游戲數(shù)據(jù)中臺(tái)十年的數(shù)數(shù)科技，他們?cè)鐩](méi)了FOMO，在花幾年實(shí)際用了AI后，在和上千家游戲廠商聊完后，他們想明白了兩件事：

第一件事，現(xiàn)在爆發(fā)的是應(yīng)用，引擎還無(wú)法替代。游戲廠商要經(jīng)營(yíng)好，要的是「即插即用」，就像開(kāi)發(fā)游戲用引擎一樣，穩(wěn)定性強(qiáng)，還要越用越好。軟件不關(guān)鍵，那些支撐軟件的底層框架才是中臺(tái)的關(guān)鍵。

第二件事，每個(gè)游戲廠商都知道要轉(zhuǎn)型成AI組織，但AI型組織是什么模樣，又該如何運(yùn)轉(zhuǎn)呢？現(xiàn)在沒(méi)人知道答案，那數(shù)數(shù)科技要跑到整個(gè)行業(yè)前面探路。

如果要提出有前瞻的idea，那整個(gè)企業(yè)的部門(mén)結(jié)構(gòu)和成員職能都要變，不止要跑得快，最好還要夠聰明。

前不久聯(lián)想的副總裁總結(jié)過(guò)「企業(yè)用AI」的三個(gè)難處：不知道怎么結(jié)合？不知道安不安全？不知道要燒多少Token才能用好？所以，當(dāng)浪潮褪去，回歸理性，專業(yè)的事依舊需要專業(yè)的人來(lái)做。

于是這家做數(shù)據(jù)服務(wù)的公司，決定轉(zhuǎn)身向AI服務(wù)走去。如果做成，游戲廠商能不用任何調(diào)教便能用上企業(yè)級(jí)Agent平臺(tái)，往長(zhǎng)遠(yuǎn)來(lái)說(shuō)，大家還能順利往AI型組織轉(zhuǎn)型。

其實(shí)十年前，數(shù)數(shù)科技便擅長(zhǎng)做前瞻的事，他們?cè)谒腥诉€沒(méi)理解數(shù)據(jù)多重要時(shí)，說(shuō)要做一個(gè)SaaS，讓數(shù)據(jù)像自來(lái)水一樣隨擰隨用。

十年后的現(xiàn)在，這家曾融資6個(gè)億，做到游戲行業(yè)數(shù)據(jù)分析Top 1的公司又在做相似的事。在所有人把AI當(dāng)玩具，沒(méi)理解AI能給企業(yè)帶來(lái)什么影響時(shí)，他們要做AaaS，Agentic as a Service，讓游戲廠商有個(gè)能和團(tuán)隊(duì)協(xié)作的超級(jí)大腦。

今年4月底，為了表達(dá)這種決心，他們將公司名從ThinkingData改成ThinkingAI，然后推出了AI時(shí)代的新中臺(tái)：Agentic Engine。他們似乎想用Al解決除了核心創(chuàng)作之外的，那50%讓游戲公司焦慮的事情。

01

仍然難以自建的底層框架

新產(chǎn)品的界面像AI對(duì)話框，說(shuō)想法就能拿結(jié)果——這些結(jié)果包括不限于，傳統(tǒng)的數(shù)據(jù)看板，項(xiàng)目日?qǐng)?bào)，以及做完任務(wù)回來(lái)匯報(bào)的AI日志。

Agentic Engine已經(jīng)不算數(shù)據(jù)中臺(tái)：每一個(gè)人，每天來(lái)工位的第一件事，就是打開(kāi)Agentic Engine，問(wèn)變化，看項(xiàng)目進(jìn)度，然后和Agent一起規(guī)劃工作。

一家游戲廠商的所有人都可以被這個(gè)平臺(tái)鏈接起來(lái)。

Agentic Engine的底層是來(lái)自ThinkingAI的數(shù)據(jù)底座，迭代了十余年。

調(diào)數(shù)據(jù)，速度夠快，覆蓋面也廣。一組數(shù)據(jù)提出來(lái)做成看板只要兩三秒，一套看板能同時(shí)調(diào)行為數(shù)據(jù)和社區(qū)輿情，通常做一次分析就能調(diào)取實(shí)時(shí)數(shù)據(jù)、歷史數(shù)據(jù)，綜合地找出問(wèn)題所在。

如今的數(shù)據(jù)底座，還足夠懂業(yè)務(wù)?，F(xiàn)在問(wèn)它要「付費(fèi)用戶數(shù)」「關(guān)卡通過(guò)率」，Agent的專業(yè)知識(shí)也夠硬，知道指的是什么數(shù)據(jù)，能準(zhǔn)確調(diào)用對(duì)應(yīng)表。

一切數(shù)據(jù)都會(huì)流向這里。Agentic Engine會(huì)像團(tuán)隊(duì)的第二大腦一樣，有常規(guī)的行為和付費(fèi)數(shù)據(jù)、社區(qū)輿情這樣的非結(jié)構(gòu)數(shù)據(jù)，還有團(tuán)隊(duì)日常的討論和會(huì)議信息。這些事情意味著，Agent有全域的信息去做出判斷。

閉環(huán)執(zhí)行是這個(gè)中臺(tái)面向未來(lái)的功能。傳統(tǒng)中臺(tái)只到拿數(shù)據(jù)這一步，Agentic Engine要將分析和執(zhí)行也涵蓋進(jìn)來(lái)，再返結(jié)果?，F(xiàn)階段，它還在和人一起摸索流程，場(chǎng)景也還只有運(yùn)營(yíng)。后續(xù)，它還會(huì)增加AB test、投放等場(chǎng)景，全面覆蓋。

「主要是安全，所有數(shù)據(jù)和模型都是私有化部署，」CTO周津說(shuō)，他們已經(jīng)改成能扛住企業(yè)級(jí)Agent的框架，「每個(gè)人裝上Agent已經(jīng)不是難事，但企業(yè)要即插即用地用好Agent還很難?！?/p>

現(xiàn)在企業(yè)建Agent中臺(tái)難用，是因?yàn)锳I做的多是短鏈業(yè)務(wù)，人人能驗(yàn)證idea，快速拿結(jié)果，但也因?yàn)槎替?，不夠穩(wěn)定，游戲廠商需要的是能支撐長(zhǎng)期經(jīng)營(yíng)的長(zhǎng)鏈——穩(wěn)定、可靠、可治理。

舉個(gè)例子，如果拆開(kāi)ThinkingAI的Agentic Engine，它是典型的企業(yè)需要的長(zhǎng)鏈。

最上層的Agent，很接近人人可實(shí)現(xiàn)的軟件層。如果只有這一層，那Agentic Engine可以被隨便替代，現(xiàn)在一個(gè)14歲小孩都知道怎么配置：接上LLM大腦，外置記憶庫(kù)存數(shù)據(jù)，再接CLI開(kāi)各種軟件的訪問(wèn)權(quán)限。

所以往下，Agentic Engine下面有兩層技術(shù)搭長(zhǎng)鏈。

中層是他們服務(wù)游戲行業(yè)十余年的Thinking Engine，能搭看板BI，能做多種業(yè)務(wù)分析。上層的Agent會(huì)優(yōu)先在這里調(diào)內(nèi)容分析，如果用戶看不明白，還能調(diào)看板去查，而這里有跑了多年的業(yè)務(wù)系統(tǒng)能接住AI的思考。

再到最底層。當(dāng)中層解決不了問(wèn)題，Agent還可以探到最底層的數(shù)據(jù)倉(cāng)庫(kù)去查——這個(gè)迭代十余年架構(gòu)，又做了數(shù)據(jù)規(guī)范后的倉(cāng)庫(kù)，能幫Agent兜底，讓它少胡說(shuō)，多查證。

這條長(zhǎng)鏈?zhǔn)俏磥?lái)做成閉環(huán)執(zhí)行的基礎(chǔ)，也是游戲廠商難自建出即插即用的Agent的原因。

時(shí)間回到兩三年前，當(dāng)時(shí)還叫數(shù)數(shù)科技的ThinkingAI已經(jīng)做了近十年游戲數(shù)據(jù)中臺(tái)，鷹角、點(diǎn)點(diǎn)、三七都是他們的客戶，但AI的出現(xiàn)，讓他們有了新的方向。

最早，ThinkingAI想搭出游戲廠商和AI鏈接的最后一公里。他們梳理十年的游戲行業(yè)經(jīng)驗(yàn)，搭workflow，做行業(yè)prompt庫(kù)，讓AI接進(jìn)來(lái)就能理解行業(yè)信息，能進(jìn)行工作對(duì)話，保證做事夠?qū)I(yè)，不給假消息。

傳統(tǒng)數(shù)據(jù)中臺(tái)做AI并不容易?！竾?guó)內(nèi)項(xiàng)目都是做長(zhǎng)線，數(shù)據(jù)表命名不規(guī)范，加上會(huì)不斷出新功能，也很難標(biāo)準(zhǔn)化，這就讓AI查表的準(zhǔn)確率不夠?！褂谑侵芙蛳氲健窤I糖」，像給小獎(jiǎng)勵(lì)一樣，在數(shù)據(jù)中臺(tái)的每個(gè)模塊都加小型的AI模塊，讓游戲團(tuán)隊(duì)先嘗嘗和AI協(xié)作的甜頭。

幾個(gè)月后，他們換AI Native的思路，完全基于AI優(yōu)勢(shì)做輿情數(shù)據(jù)項(xiàng)目。過(guò)去市場(chǎng)和運(yùn)營(yíng)看社區(qū)靠人肉看，現(xiàn)在大語(yǔ)言模型本就是處理文本的高手，能看得懂黑話，懂口語(yǔ)表達(dá)，可以幫游戲廠商抓取社區(qū)對(duì)產(chǎn)品的態(tài)度和修改意見(jiàn)。

轉(zhuǎn)折來(lái)自今年春節(jié)出現(xiàn)的OpenClaw，全自動(dòng)化的框架加上vibe coding，任何人都可以做成自己的軟件，哪怕是ThinkingAI花大力氣做的AI Native輿情項(xiàng)目也能輕松解決。

看著媒體每天報(bào)道的「SaaS已死」，他們想到的唯一的解法是全身心地投入其中。那段時(shí)間，周津和幾位高管在終端搭建了自己的Agent分身，將知識(shí)庫(kù)和工作信息全部同步過(guò)去，和團(tuán)隊(duì)一起摸索了和Agent相處的方式。

不到一個(gè)月，這家公司確定了新方向：與其盯著游戲廠商的需求出解決方案，不如跑到行業(yè)前面去，搭建一個(gè)屬于AI時(shí)代的工作流。這也是Agentic Engine誕生的源點(diǎn)。

而AI時(shí)代工作流的第一個(gè)變化便是，上一個(gè)時(shí)代的訴求止步于拿數(shù)據(jù)，但下一個(gè)時(shí)代，需要拿到準(zhǔn)確的分析和執(zhí)行結(jié)果。

ThinkingAI（數(shù)數(shù)科技） 聯(lián)合創(chuàng)始人兼CTO 周津

02

AI對(duì)企業(yè)更遠(yuǎn)的價(jià)值

ThinkingAI經(jīng)常將自己過(guò)去的價(jià)值總結(jié)為「十年服務(wù)游戲產(chǎn)業(yè)的經(jīng)驗(yàn)」，而他們最近在忙的，是將這一切「蒸餾」成Skill。

舉個(gè)例子，如果付費(fèi)差，我要下鉆分析，查異常數(shù)據(jù)，然后排查異常的維度，那有了數(shù)據(jù)異常之后我又該怎么做運(yùn)營(yíng)？當(dāng)運(yùn)營(yíng)結(jié)束之后，我又要怎么看回執(zhí)數(shù)據(jù)，來(lái)判斷運(yùn)營(yíng)效果如何？

這一輪問(wèn)題研究&解決下來(lái)，便是一個(gè)Skill。每一個(gè)Skill本質(zhì)上都在告訴Agent，沒(méi)必要浪費(fèi)時(shí)間慢慢探索思路，有一條最短路徑給你走，這能幫游戲團(tuán)隊(duì)降低不少Token消耗。

提煉AI Skill并不難。ThinkingAI一直有「客戶成功」團(tuán)隊(duì)，他們會(huì)到一線和簽約廠商對(duì)接，設(shè)計(jì)埋點(diǎn)方案，為大家寫(xiě)SQL解決業(yè)務(wù)問(wèn)題。這些人積累很多，有打不完的彈藥。

難的是把效果調(diào)好。一開(kāi)始他們看Agent回答的準(zhǔn)確率，現(xiàn)在則更多看Agent給的思路，對(duì)一線業(yè)務(wù)有沒(méi)有幫助。這也是ThinkingAI應(yīng)對(duì)數(shù)據(jù)治理困難的辦法：現(xiàn)階段沒(méi)必要苛求絕對(duì)正確，不如先讓它以超級(jí)助手的定位來(lái)啟發(fā)人。

如今ThinkingAI已經(jīng)做了上百個(gè)Skills，等Agentic Engine上線時(shí)，團(tuán)隊(duì)會(huì)先篩出質(zhì)量最高的50-100個(gè)首發(fā)。

「行業(yè)經(jīng)驗(yàn)就是業(yè)務(wù)上的ROI，MCP加Skill的調(diào)用和封裝，其實(shí)就是把最高效、最快速、最短捷的一個(gè)路徑告訴了Agent?！怪芙蛘f(shuō)。

周津在大會(huì)上說(shuō)，Agentic Engine其實(shí)有第四個(gè)支柱：「用好Agent」。

一家游戲廠商最關(guān)注的問(wèn)題，就是Agent能否可觀測(cè)、可診斷、可優(yōu)化。這也是ThinkingAI現(xiàn)在做的事情。「我們現(xiàn)在搭A(yù)gent就是一步步標(biāo)注它的問(wèn)題，優(yōu)化流程。不是讓大家用上就行，而是能讓大家逐步地用好這個(gè)東西?！?/p>

現(xiàn)階段，Token浪費(fèi)是常見(jiàn)現(xiàn)象。一個(gè)招呼、一句夸贊，上萬(wàn)Token就被浪費(fèi)了。而搭建一個(gè)流程本就是要不斷報(bào)錯(cuò)，解決，改流程，重新測(cè)試，遇到BUG的話可能一天會(huì)燒掉一周60%的配額。

「我們?cè)趲托袠I(yè)探路?！怪芙蛘f(shuō)。ThinkingAI最近測(cè)Agent的方式是算ROI，開(kāi)日志審計(jì)每一批Token產(chǎn)出的結(jié)果，哪些有意義，哪些沒(méi)意義，然后想辦法約束或者改流程，省掉無(wú)意義的Token開(kāi)支。

最終拿到游戲廠商手里的Agent，會(huì)是做好測(cè)試，能高效率、高質(zhì)量、低Token消耗的Agent。而這個(gè)調(diào)試經(jīng)驗(yàn)，還能幫游戲廠商去優(yōu)化屬于自己的Skills，像滾雪球一樣，把Agent越用越好。

過(guò)去與他們簽下合作的游戲廠商，很多都是看重ThinkingAI團(tuán)隊(duì)本身，像Habby、九九互動(dòng)等團(tuán)隊(duì)的人都提到過(guò)這一點(diǎn)：他們相信ThinkingAI的人會(huì)和自己一起前進(jìn)，知曉業(yè)務(wù)需求，再回去迭代自己，跟著產(chǎn)業(yè)成長(zhǎng)。

過(guò)去如此，AI時(shí)代也如此，無(wú)論是「蒸餾Skill」「用好Agent」，還是他們?cè)诒泵佬己蚆iniMax深度合作，都來(lái)自這個(gè)邏輯，殊途同歸。

ThinkingAI說(shuō)自己要做的是游戲產(chǎn)業(yè)企業(yè)級(jí)的Agent，但其實(shí)它的最大價(jià)值不止于此。

企業(yè)AI要?jiǎng)?chuàng)造價(jià)值，要解決更高維度的組織AI能力。這也是ThinkingAI積累了十年后，下一步要做的事情：怎么走到行業(yè)前面去，幫大家提前找到AI時(shí)代的組織協(xié)作？

大眾認(rèn)知里，數(shù)據(jù)中臺(tái)的價(jià)值是拿數(shù)據(jù)。數(shù)據(jù)拿到手后都是人的工作，分析，再交給其他團(tuán)隊(duì)處理。因?yàn)橐郧澳脭?shù)據(jù)是漫長(zhǎng)且困難的過(guò)程，ThinkingAI過(guò)去做的工作便是縮短拿到數(shù)據(jù)的過(guò)程。

如今到了AI時(shí)代，過(guò)去游戲廠商要拼盡全力才能獲得的結(jié)果到手后，下一步該追求什么？ThinkingAI現(xiàn)在給的答案是閉環(huán)執(zhí)行，是用好Agent后，只要一句話便能「一步到位」地拿到執(zhí)行與反饋。

而當(dāng)每一個(gè)人都能用好Agent，整個(gè)團(tuán)隊(duì)都能用好Agent，會(huì)有怎樣更大的價(jià)值被創(chuàng)造出來(lái)？這會(huì)是Agentic Engine正式上線后，游戲行業(yè)和ThinkingAI一起驗(yàn)證的方向。

03

動(dòng)態(tài)地跟上時(shí)代

其實(shí)理論上，ThinkingAI的一切都能在未來(lái)被足夠強(qiáng)大的AI復(fù)刻，過(guò)去的經(jīng)驗(yàn)和想法，既然可以沉淀成架構(gòu)和Skills，那就代表它可被AI執(zhí)行。一勞永逸？不存在了，AI已經(jīng)大幅拉低了這個(gè)復(fù)刻的門(mén)檻，一切只是時(shí)間問(wèn)題。

不過(guò)，AI時(shí)代也有個(gè)看似自我安慰，但其實(shí)很有道理的理論：今日之我，并非昨日之我。AI復(fù)刻的永遠(yuǎn)是過(guò)去的積累，但任何個(gè)人和企業(yè)，都會(huì)在每一天獲得新的想法，然后成長(zhǎng)。

ThinkingAI現(xiàn)在學(xué)會(huì)的是替行業(yè)提問(wèn)，學(xué)會(huì)不滿足，這是他們?cè)O(shè)立Agentic Engine平臺(tái)的立命所在，也是他們今年考慮組織轉(zhuǎn)型的原因。

如果將過(guò)去所做都視為靜態(tài)地沉淀經(jīng)驗(yàn)，那么擺在面前的未來(lái)，便是要?jiǎng)討B(tài)地不斷求索。

怎么動(dòng)態(tài)地向前呢？ThinkingAI的答案是，自己要先知道怎么和AI協(xié)作，而且他們已經(jīng)實(shí)踐了很長(zhǎng)一段時(shí)間。

CTO周津在采訪間隙指著電腦下方的插件說(shuō)，他用Agent給自己搭了個(gè)「外腦」，鏈接自己所有的知識(shí)庫(kù)和飛書(shū)信息。他和媒體對(duì)談時(shí)會(huì)用豆包ASR收錄會(huì)議，這邊按自己的想法回答，那邊再由Agent自動(dòng)為他分析回答，然后補(bǔ)充與問(wèn)題相關(guān)但他沒(méi)提及的信息。

市場(chǎng)部負(fù)責(zé)人建了自己的Agent分身，把大部分能標(biāo)準(zhǔn)化、流程化的工作都交給它來(lái)負(fù)責(zé)。上至一個(gè)階段的品牌定義是什么，它在海內(nèi)外的變形是什么，下至品牌對(duì)外輸出的內(nèi)容該以什么標(biāo)準(zhǔn)撰寫(xiě)……這個(gè)Agent可以審校部門(mén)大部分成員的工作。

前不久的員工大會(huì)，AI項(xiàng)目負(fù)責(zé)人的Agent和CTO的Agent對(duì)齊演講方案，兩「人」四句話敲定了方向，給各自的本體同步結(jié)果。「以前動(dòng)不動(dòng)開(kāi)三四個(gè)小時(shí)的例會(huì)慢慢會(huì)消失，Agent快速對(duì)齊信息，充分透明了，整個(gè)組織才會(huì)產(chǎn)生高效的決策。」

ThinkingAI的幾位高管已經(jīng)運(yùn)轉(zhuǎn)起小型的AI組織，從「人到人」轉(zhuǎn)向「人-Agent-Agent-人」：Agent像組織的血管一樣快速流通，向人輸出結(jié)果，而人則要不斷迭代自己的認(rèn)知，向組織注入源源不斷的idea。

這家公司正在迎接AI時(shí)代的組織進(jìn)化，走到產(chǎn)業(yè)前方，摸索前路，然后讓這個(gè)進(jìn)化融入到產(chǎn)品中，再帶動(dòng)游戲廠商理解并消化企業(yè)與AI的相處方式。

「肯定會(huì)有人會(huì)落下，但不是AI把人替換掉?！故袌?chǎng)負(fù)責(zé)人說(shuō)，「但是會(huì)用AI的團(tuán)隊(duì)，比不會(huì)用AI的團(tuán)隊(duì)有更強(qiáng)的競(jìng)爭(zhēng)力?！?/p>

游戲葡萄招聘商務(wù)經(jīng)理，

| |

| |

游戲行業(yè)書(shū)籍推薦： 葡萄書(shū)房

（星標(biāo)可第一時(shí)間收到推送和完整封面）