ThinkingAI周津：ChatBI或退场，Agentic Engine先问数据够不够

假如你是某款泛娱乐App的增长负责人：这款App的MAU有860万，最近三个月新用户数量一直在涨，次日留存却一路往下掉。问题出在哪，接下来该怎么处理？

老办法一般是先让分析师按渠道、版本和用户群做拆分，再安排研发查埋点、产品看功能路径、运营对投放变化。数据分散在多个系统里，每个环节都得排期、对齐口径，折腾一圈，拿到的往往还是一堆相关性线索。

要是把这个问题丢给眼下一些AI Agent产品，可能很快就能收到十几种可能性分析：渠道质量下滑、新手引导太长、内容供给不够、产品性能不稳……每一种听着都说得通，表格也做得漂亮，但这些未必真能变成解决问题的方案。

10月28日，ThinkingAI Summit中国站的主题演讲上，ThinkingAI CTO周津把同样的问题抛给了ThinkingAI可私有化部署的AI Agent平台Agentic Engine。仿真演示里，Agentic Engine并没有马上作答，它给出的第一个结论是：数据还不够。

ThinkingAI CTO周津，图片来源：ThinkingAI

这种“拒绝回答”，恰恰体现了Agentic Engine的专业性。落到真实业务场景里，企业要的不是更多听起来合理的猜测，而是一套能接入数据、核对口径、调用专业工具，再把问题一路推到实验和运营环节的方法。

周津现场演示的过程是：补齐数据和关键埋点之后，Agentic Engine才接着往下分析。它顺着新用户的完整行为路径，把留存变化按渠道、版本、设备和用户群体拆开比对，找出真正出现异常的环节，同时允许用户追溯指标定义、筛选条件和数据来源。一旦发现值得调查的差异，它不会直接替业务负责人下判断，而是先圈定可能受影响的人群，给出产品改进和运营方案；等人工确认了目标、规则和风险边界，再调用A/B实验验证方案是否有效，并依据实验结果决定继续推广、调整还是停止。

「甲子光年」注意到，Agentic Engine并不停留在一次问答、一次取数或一次图表生成上，它把“发现问题-补齐数据-分析原因-采取行动-验证结果”串成了一件可以持续推进的工作。

“我认为ChatBI可能要进入历史舞台了。”周津对「甲子光年」说，“问数本身不是目的。问一句今天业务怎么样，马上给你一堆数字和一张漂亮的图表看板，看起来很爽，但它真的解决问题了吗？”

同样的问题，不少用户都碰到了：图表做得再漂亮，Agent又怎么真正把业务带起来？

办法之一，是把专业的数据分析能力送进各类Agent里。

今年4月，ThinkingData（数数科技）改名为ThinkingAI，Agentic Engine随之一同发布。

当时ThinkingAI给出的理由是：一家做游戏数据的公司，凭什么能进Agent这个领域——大模型负责推理，工程框架让Agent把任务执行下去，而企业多年攒下的数据、业务知识和专业方法，才决定Agent的输出可不可信。Agentic Engine自己也带对话入口，用户能在平台里建Agent、调数据和工具。

产品上线半年，客户反馈的方向却变了。

以前客户聊的是页面上该多加哪个分析模型、按钮摆在哪、操作流程还能不能更省事；如今他们问的是另一类事：Agentic Engine的能力，能不能让自己的Agent来调？

写代码、看日志，研发人员可能早就用上了Codex、Claude Code或Cursor；处理文档、表格和任务，产品和运营则开始借助WorkBuddy这类桌面Agent。不同岗位各有各的工作入口。可要是查个数据、看下埋点、建张报表都得回到Agentic Engine的对话页，原有的代码、文件和任务上下文就断了。

周津对「甲子光年」说：“最大的变化，是用户要的已经不是页面上的这些功能了。他不会再跟你提某个模型怎么放、按钮在哪里。现在问的都是Agent相关的问题。用户工作的入口变了，而且变得很快。”

于是ThinkingAI开始重新琢磨Agentic Engine该站在什么位置。它不一定非得做所有人统一的工作入口；更实际的做法，是让专业数据分析能力进入用户手头已经在用的Agent。

近期推出的Agentic Engine-CLI（AE-CLI），就是顺着这个思路来的。

对Codex、Claude Code、WorkBuddy这类Agent来说，AE-CLI等于配了一个“企业数据工具箱”，ThinkingAI积累的数据接入、分析、运营和实验能力，它们都能调得动。

需要说明的是，它自己并不是新Agent。用户已有的Agent和Agentic Engine之间，靠它来连接。

任务还是在Codex、Claude Code或WorkBuddy里提，上下文理解和问题拆解交给这些Agent；配套Skills给出的是整理过的工作方法；数据接入、埋点、分析、知识库、运营和实验这些能力，则由AE-CLI去调Agentic Engine完成。

说白了：专业数据能力由Agentic Engine提供，怎么调用看AE-CLI，按什么方法调用看Skills。

Agentic Engine架构，图片来源：「甲子光年」拍摄

AE-CLI真正进入工作场景，会改变什么？

「甲子光年」拿到一个来自ThinkingAI内部的脱敏客户案例。这家游戏公司原先的情况是：制作人、策划和运营能自己查看已有看板，可一旦临时要加分析角度，就得向数据人员提需求、等排期。等多久说不准，提问的意愿也跟着受影响，有些问题就被搁下，或者拿近似口径凑合处理。

接入AE-CLI之后，业务人员在已有Agent里就能发起查询、拿到表格，还能顺着结果接着追问。日常巡检同样能按团队定好的规则跑起来，渠道、版本、留存和付费这些指标出现异常，会被整理成简报。

这项变化真正的价值，不只是报表出得更快。那些过去卡在排期和操作成本上、最终被放弃的问题，现在业务人员可以先和Agent一起查起来。

研发侧则是另一种用法。该团队原有的排障Agent能查代码、日志和活动配置，AE-CLI又补上了按用户和时间范围查询客户端事件的能力。收到玩家反馈时，Agent会把客户端行为同日志、代码、配置摆在一起核对，帮研发把排查范围收窄。找证据、拼证据由Agent做，关键记录还得研发人员自己核对，最终怎么处理也由他们定。

这个游戏团队还做了几件事：整理能力说明，把关键指标口径固定下来，再将高频任务做成模板和Skills。渠道分析、版本复盘或者异常巡检中验证过的方法，其他成员和后续项目都能接着用。

归结起来，AE-CLI带来的变化落在三个层面：业务人员能主动去查更多问题；原有Agent多了新的专业数据能力；验证过的口径和方法能在团队里复用。

接入AE-CLI前后带来的变化，图片来源：ThinkingAI

ThinkingAI换了做法：不再让所有用户先走进同一个对话入口，而是把能力送进用户手头已经在用的Agent里。软件页面还在，只是不再是唯一的入口。

2.AE-CLI背后的能力

假如AE-CLI只让Agent查一张报表，那它和ChatBI拉开的距离还是有限。

ThinkingAI铺的是一条更长的业务链路：一个人做出产品、应用、游戏或者内容，准备推向市场，接下来的事是接入数据、观察用户、查找问题、理解原因、尝试改进，再验证改进有没有效。

周津现场演示了一个仿真场景——“新用户增加、次日留存下降”。Agent先确认数据在不在、时区是否一致、埋点有没有覆盖关键行为；确认能分析了，再按渠道、版本和用户群体找差异。发现异常人群之后，任务还得往下走，进入产品调整、运营动作和A/B实验。

“CLI只是我们交付价值的一种形式，对Agent比较友好。”周津对「甲子光年」说，“它背后代表的是数据采集、埋点、分析洞察、指标语义、运营、实验和数据开发的一整套能力。”

这也解释了ThinkingAI为什么说“ChatBI可能进入历史舞台”。自然语言问数把取数的门槛降下来了，可数据准备、口径确认、原因分析、行动设计、效果验证，这些环节并没有自动完成。用户拿到一组数字和一张图表，真正难的部分常常才刚开始。

游戏与3D Agent工具产品经理阿博粒，产品和增长都由他一个人扛。时间大头花在开发和产品策划上，功能上线后，他又得回答另一组问题：用户到底有没有用起来？谁跑通了生成流程？谁还会继续试玩、保存或者付费？

这些事以前得自己写SQL、核对多张表的口径，再手动画图。用Agentic Engine复盘“一句话生成游戏”功能时，他从一个直接的业务问题切入：新功能究竟有没有被用户使用？

Agent先厘清事件怎么定义、比较按什么口径，随后把提交、生成成功、试玩、保存串进同一条路径。数据跑出来，一部分用户生成成功了，却没往下试玩。再按游戏类型往下拆，解谜类被列进优先排查的名单。

不过，“生成成功之后没试玩”还不足以说明游戏不好玩。用户可能压根没看到生成结果，也可能不知道该从哪儿进去，还可能打开一看，内容跟预期对不上。

Agent给出的建议是：抽20至30个“生成成功但未试玩”的案例，把用户输入和生成结果摆在一起对照检查；同时补上“查看预览”“退出预览”这类行为记录，把“看到了没进去”和“根本没看到”分开。数据先把问题压到可调查的范围内，接下来由人判断：该去查生成质量，还是该改展示和进入路径。

“这种一层层往下问的方式，我挺看重。先看整体流程，再按版本、渠道、新老用户拆开问，话不用重新组织，比我之前用BI报表工具快不少。”阿博粒说。

按一般标准衡量，Agentic Engine已经算做得够全面了。但ThinkingAI想再往前一步：去回答那些靠现有数据分析很难回答的问题。

阿博粒的案例就是例子。行为数据能把这批用户准确圈出来，却很少记下他们当时看到了什么、怎么理解这款产品、又为什么没有继续。

在ThinkingAI Summit中国站，ThinkingAI创始人&CEO吕承通发布了一项新功能——AI用户访谈。

ThinkingAI创始人&CEO吕承通，图片来源：ThinkingAI

新功能可以按行为圈选人群，在关键时刻触发AI访谈，再把带用户原话的结论写回用户标签和知识库，供数据分析、A/B实验、智能运营等Agent调用。这项能力出自ThinkingAI推出的Heari.ai——一个AI驱动的用户研究平台，既能独立使用，也能与Agentic Engine打通。

Heari.ai：AI驱动的用户研究平台，图片来源：「甲子光年」拍摄

回到阿博粒遇到的问题，Agentic Engine可以先圈出“生成成功但没有试玩”的用户，再向他们问几个具体问题：有没有看到生成结果？为什么没有进入？生成内容是否符合预期？

如果用户根本没看到结果，团队该去检查页面展示和到达路径；如果用户看到了，却觉得内容与输入不符，问题可能出在生成质量上；如果用户是对玩法提不起兴趣，那还要进一步判断：这是个别偏好，还是某类用户身上的稳定特征。

访谈得到的归因，能和行为记录、应用商店评论、社区舆情相互印证。同一问题若在用户原话、外部评论和具体行为路径里都露头，调查优先级就比单个来源更高。

接下来，团队可以调整预览页面或进入流程，用A/B实验对比不同版本，再给那些还没走完首次体验的用户补上引导。动作落地后，继续盯试玩率、保存率和后续留存有没有起色。

于是，几项产品能力被同一项任务串了起来：行为分析交代“发生了什么”，用户研究给出“为什么”的线索，A/B实验验证“改法有没有用”，智能运营则决定“该对哪些人做什么”。

能力连得越多，另一个更棘手的问题就冒出来了：Agent怎么才能不“看起来很专业地犯错”？

周津讲了公司内部一次复盘的经过。有回Agent报出的“商机金额”跟他凭经验判断的数目差了一截。他追着问指标来源，又按区域往下查，最后发现部分销售商机数据里所属区域是空的。Agent汇总国内各区域时，把这些空值记录自动漏掉了。

算法本身没算错，可统计口径没盖住业务负责人真正在意的那些对象。

“没数据的时候，人可能还会凭直觉留个心眼；Agent要是给了个错数，你还信了它，那才更吓人。”周津说。

所以ThinkingAI强调，Agent的结论得能往回追：用了哪几张数据表、指标怎么定义、时间范围和筛选条件怎么选、计算过程怎么走完。语义层、知识库和数据血缘补上业务上下文，人的经验则用来发现结果和常识打架的地方。

数据分析环节留下判断依据，便于继续研究产品改进方向（画面为产品仿真演示），图片来源：ThinkingAI

AI用户研究也守同样的规矩。访谈结论要附上用户原话，并与真实行为、外部反馈做交叉验证；A/B实验得交代样本、分流方式和统计结果。Agent能整理证据、调用工具、推进任务，但关键口径、风险边界和最终动作，还是得由人来拍板。

自然语言问数越来越常见之后，一个负责人的Agent真正的分水岭，会从“能不能答”挪到“答案能不能追溯、行动能不能验证”。

由此，ThinkingAI攒出了五大能力：数据分析、舆情洞察、用户访谈、A/B实验、智能运营。

“能同时提供这五种能力，在行业里并不多见。”吕承通说。

ThinkingAI五大能力，图片来源：「甲子光年」拍摄

3.走向更多用户

Agentic Engine发布半年后，ThinkingAI在Agent商业化上也有了主动调整。

Agentic Engine针对数据分析场景，给出按月或按年的订阅方式。个人开发者、小团队，还有产品、运营、研发人员，都能从一个具体问题入手。眼下ThinkingAI提供Agentic Engine一个月免费体验，数据分析模块入门版199元/月，套餐可按事件量、项目数、账号数升级；企业版则继续覆盖数据规模更大、权限更复杂、需要私有化部署的客户。

专业数据产品的销售起点，因此正在发生变化。

过去卖专业数据产品，一般从销售接洽开始，再走方案设计、部署实施。对个人开发者和小团队来说，这套流程的成本可能比他们要解决的问题还高。

其实AI正在改写这种供需关系。一个超级个体（OPC）或一支小团队，也能做出应用、游戏和内容产品。产品上线后，他们同样要分析用户行为、比较渠道效果、验证版本改动，但很难配齐数据和增长团队。

这批用户过去很难被企业软件覆盖，如今开始产生真实的数据需求。

ThinkingAI想用PLG（产品驱动增长）来干这件事——过去由销售、售前和实施分担的活儿，改让产品自己扛。用户先用产品把问题解决掉，再决定要不要掏钱、要不要扩大使用。「甲子光年」的判断是，AE-CLI和PLG分别对应ThinkingAI此次变化的两个方向：AE-CLI把专业数据能力的使用门槛降下来，PLG则降低产品获取和购买的门槛。

这两者背后是Agentic Engine。它试图把数据采集、分析、用户研究、实验和运营串起来，让一次提问继续往前走，变成可执行、可验证、可复用的任务。ThinkingAI要交付的也不再只是一套等人打开来操作的软件，而是一组能被Agent调用的专业能力。

这条路径上还有不少问题待解。不过有个变化已经慢慢清晰：自然语言问数正变成大模型的基础能力，Agent之间的差距将越来越少体现在谁能更快生成一组数字和图表，更多取决于谁能找到可靠的数据、读懂数字背后的用户、把判断推成行动，再用结果检验行动。

图表做得漂亮，展示起来确实方便。但Agent真正该做的是驱动业务增长，ThinkingAI的目标就是让每个Agent都具备业务增长的能力。

（封面图：「甲子光年」设计）