腾讯的 Agent 布局，不止 WorkBuddy

今年上半年，只要聊到腾讯 AI，Workbuddy 基本绕不开。这个产品在前三季度彻底火出了圈，某种程度上也让市场重新审视腾讯 AI 的实力。

可要是眼里只有 WorkBuddy，对腾讯 Agent 的认知恐怕依旧残缺。

腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生在刚结束的腾讯全球数字生态大会上表示，企业落地 Agent 最头疼的地方并非模型能力不足，而是“断点太多”：AI 能写方案、能做分析，却接不进业务系统，也拿不到企业数据。在汤道生看来，Agent 想真正落地，关键是把人、工具、系统和数据串起来，让 AI 走进真实工作流程。

针对这些“断点”，腾讯给出的方案是构建“全场景、高效能、更放心”的 Agent 生产力系统。这一思路在腾讯全球数字生态大会的 AI 产品发布台上进一步铺开：两天时间里，40+场发布围绕应用、数据、安全和工程四个板块展开，WorkBuddy 之外更完整的 Agent 布局也随之浮出水面。

应用层最直观。雷峰网在大会现场看到，腾讯推出了跨应用协同体系 Buddy One：一头用 WorkBuddy 打通腾讯文档、腾讯网盘、腾讯乐享以及设计和研发工具，让 Agent 从个人助手升级为团队的新助理；另一头借助腾讯云 ADP、元宝搜索、天籁语音大模型、MAGIC AI 等产品，把 Agent 推进更多业务执行场景。

应用终归只是入口。Agent 要真正进企业，还得回答三个更基础的问题：能不能读懂并用好企业数据，能不能在清晰的安全边界内行动，能不能稳定、规模化地跑起来。

腾讯这次集中亮出数据、安全和工程产品，原因也在这里。

01

企业的数据，还没准备好迎接Agent

为什么先谈数据？企业想让 Agent 真正上岗干活，第一步往往就陷进数据泥潭。

不少人有过类似体会：让 Agent 去查一条企业内部数据，它时常犯迷糊，给出的结果错得离谱。

前不久 AWS 和 dbt Labs 分享了一个案例。他们让一个 AI Agent 自己写 SQL 查营收，实际数字是 1136 万美元，Agent 却多算了 350 万。事后排查才发现，Agent 用的是折扣和退款前的金额，没有关联退款表，已取消和待处理的订单也算了进去，内部测试账号同样没被排除。

Agent 答错，问题往往出在数据层，而非模型。想让 Agent 准确回答企业问题，数据地基必须先打好。具体要解决两件事：供给侧，让 Agent 找得到、用得上完整的相关数据；语义侧，把数据背后的业务规则向 Agent 讲清楚。数据和规则缺了任何一头，都可能算错。

为让 Agent 用好企业数据，腾讯云围绕“懂、存、跑、自治”做了布局。

具体来看，TDSQL Nexa Lakebase 负责理解数据；TDSQL Boundless 管存储和处理多种类型的数据；TDSQL-C PostgreSQL 为 Agent 提供弹性、隔离的数据库后端；TencentDB Agent 则尝试接手数据库运维。另外，DataBuddy 提供统一语义层，让 Agent 按明确的业务口径查询和分析数据；对有数据不出域要求的企业，DataBuddy 还提供私有化方案。

此次重磅发布的 TDSQL Nexa Lakebase 尤其值得一说。它把海量数据存储、事务、分析、搜索和 AI 计算装进同一套数据管理体系：应用层通过 SQL、HTTP 或 MCP 接入，计算层的核心引擎负责统一访问和智能路由，往下由四类引擎分工处理负载，NTS 数据通道则连接外部数据源与内部引擎。

Knowledge 能力负责梳理统一的术语、口径与规则，并与已有数据对象做好关联，形成逻辑闭环的业务上下文，为 Agent 补上业务背景。

DataBuddy 则进一步把业务规则用于数据分析，在大模型与底层数据之间搭起统一语义层，让 Agent 依据明确口径选数据、生成查询。

腾讯内部做过对比测试：模型不变、问题集不变，接入 DataBuddy 语义层之后，Agent 问数的准确率由 83.5% 升到 95.9%。一家头部银行把 100TB 以上的数据接进来，查询耗时从分钟级压到秒级，指标出自哪里、怎么算出来的，也不必再靠人工追查。

02

Agent开始动手，

安全边界也要重划

数据备好了，企业还得拿主意：到底敢给 Agent 多大权限？

眼下不少企业都有这种矛盾心态：想让 Agent 把任务完成，就得给它更多权限；可权限一旦过大，又怕它访问不该看的数据，甚至执行危险操作。原本帮企业干活的 Agent，也可能转身变成风险源。

这类风险已经在实际工作中出现。Meta 就发生过一起相关安全事件。今年 3 月，Meta 内部爆出一桩 Agent 失控行为，向大批没有访问权限的员工泄露了公司系统级敏感数据。按事故报告的说法，这是 Meta 内部安全事件评级体系中第二高的严重等级。

企业要躲开这类麻烦，第一步得先弄清楚：究竟有哪些Agent在跑，它们动了哪些工具、干了哪些操作。

雷峰网了解到，从大会内容看，腾讯在防止Agent越权这件事上落了不少子。新一代云安全中心就新增了Agent资产盘点与行为审计能力，帮企业摸清Agent的运行底细；一旦碰上恶意Skill、异常访问或者数据泄露风险，也能及时掐断。

其实Agent不光是被提防的风险来源，它同样能当安全人员的帮手。找漏洞、认黑产，这些过去要靠人反复排查的活儿，现在可以交给Agent去做。

比如腾讯云无境，就在试着让Agent扮演“黑客”，替企业提前把漏洞找出来。

按腾讯的说法，一次针对在线教育SaaS平台的测试里，无境顺着真实攻击路径走，43分钟找出9个漏洞；另一次医疗预约平台测试中，它34分钟内发现了11个漏洞。

无境盯的是系统漏洞，腾讯云天御风控Agent盯的则是业务里的黑产。

大会上，腾讯云天御团队演示了一个“双十一”风控案例。工作人员只向Agent提了一个问题：“结合外部情报，挖一挖大促存在什么风险，看看现有策略有没有缺口。”30秒内，天御风控Agent检索了37条风险情报，扫描2140万笔订单，发现1000多笔订单集中流向4个地址。

据此Agent判断，黄牛可能正在用一种新的“中转站”手法。紧接着，它自动生成三条风控策略，拿过去14天的数据做回测。腾讯披露，组合拦截率达到98.2%，误伤率低于0.02%。

03

Agent规模化，考验才刚开始

前面两部分说的是：数据问题解决了，Agent才能做对事；安全问题解决好了，Agent才不会闯祸。

可Agent一旦大规模进了企业，还有个更长期的问题摆在那儿：怎么让它们持续、稳定地干活？

先说Agent跑在哪儿、由谁管、新技能从哪来、能不能按企业需求定制。围着这些，腾讯云把Lighthouse Agent、ClawPro、SkillHub和Octop收进AgentHosting品牌，覆盖部署、管理、运营和定制。

部署是头一步。腾讯云通用计算产品副总经理肖娜讲了他今年的一个切身体会：OpenClaw走红后，他们在深圳腾讯大厦办过一场“装机活动”，现场遇到不少特别的人，有62岁帮孩子装机的母亲，也有退休的航天工程师....

大家对Agent都有渴望，可当时OpenClaw部署起来太复杂，很多人卡在体验这一步。这也是Lighthouse Agent推出的一个核心原因，让个人开发者和企业更方便地把Agent托管到自己的云服务器上，持续在线运行。

Agent进了企业，问题还会再变。数量从几个涨到几十、上百个，谁在用、能调哪些工具、花了多少Token，都得有一本清楚的账。

今年4月，腾讯云又推出ClawPro。这款产品面向企业，统一纳管云端和本地Agent，集中管理组织权限、模型配额、Token用量和安全审计。企业还能把知识、技能和工作规范统一维护、分发给员工，并通过API把Agent接进现有业务系统。产品负责人黄绮婷提到，ClawPro现在已经有1000多个企业客户。

一家做健康管理的公司，把健康服务经验沉淀成技能，基于ClawPro搭了私人健康助理，嵌进原有App，已经售出上千个智能体，给原来的业务添了一条收入来源。

Agent 还得持续补充新技能。SkillHub 搭起了技能社区和交易市场，用户在对话里就能装技能，平台同时提供评测和安全检测。这次推出的 SkillPay，是让服务方把服务或 API 包成付费技能，用户和 Agent 可以按次买、按次调。Octop 则是一款开源、可自托管的 Agent 引擎，最早从云服务器运维入手，开源社区在此基础上又做出了更多场景方案。像 Octop 和 AI 法律助手准典联手，就拿出了一套智能合同审核系统，把应用延伸到法律领域，还能对接长安链，把 Agent 输出内容对应的引用资料和推理依据上链存证，日后出现争议，取证和核验都能很快完成。

AgentHosting管的是怎么把Agent部署起来、管理起来；那当成千上万个Agent大规模进入生产环境，背后的环境撑不撑得住，也是个问题。

腾讯云李佳南在分享时提到，以前大量用户请求可以共用少量服务实例；现在 Agent 要求会话级隔离，相当于“给每个Agent分配一台云电脑”。这是什么概念？假设有10万个数字员工，背后至少得有10万个沙箱，这个规模是很恐怖的。这些云电脑既要各自保住工作进度，又得随时响应任务，挑战相当大。

针对Agent进入大规模生产的需求，腾讯云也铺开了一系列基础设施：Agent Runtime作为腾讯云Agent Infra企业级解决方案，从运行、治理、进化三域构建产品矩阵，覆盖Agent的执行、弹性调度、安全治理、运行观测与迭代优化等场景。

运行域里，开源项目CubeSandbox为代码和工具执行提供隔离的沙箱环境。

治理域里，AI网关把不同模型、MCP工具和Agent服务收拢到统一入口，企业不用反复改业务代码就能切换和调度模型，访问权限、安全风险和Token成本也一并统一管理。

进化域里，TencentDB Agent Memory管的是上下文记忆，靠L0到L3四层记忆架构，让Agent跨会话延续用户背景和任务信息，还能沉淀团队记忆资产，项目自开源后多次登顶GitHub排行榜第一，已获得超30,000 Stars。

存储这块，Agent CBS 好比给沙箱配了块“专属硬盘”。它靠快照和克隆做环境恢复、并行探索，独立的数据盘则让业务数据在跨会话时留得住。Agent CFS 提供的是可共享的文件工作区，多个沙箱能按授权访问同一份数据；沙箱休眠之后，文件照样能查看、上传、下载，多云数据也支持统一纳管。

至于 Agent Bucket，面向的是文档、图片、视频这类工作产物。它通过独立空间管理、分享和多模态检索，让 Agent 生成的东西更好找、更容易复用。

还有一层绕不开：模型能力要供得上，使用成本也得算得清。Agent 持续干活，模型调用就是一笔持续发生的开支。企业得想清楚，不同任务该调什么模型，哪些直接用现成服务就行，哪些要结合自家业务来定制。

目前 TokenHub 做的是统一模型接入和调度，方便企业按任务挑模型；TI-ONE 则管模型训练、微调和部署，企业要定制模型、要自己部署，都能用它。两条路摆在那里，企业还得结合任务效果、调用规模和运维投入，算清哪笔账适合自己。

WorkBuddy 是腾讯 Agent 布局里最容易被看见的一块，但并非全部。从应用，到数据、安全和工程，腾讯为这场竞争准备的筹码还要更多。