騰訊的 Agent 佈局，不止 WorkBuddy

大家對騰訊Agent的認識，還不夠完整。作者丨胡敏 編輯丨劉偉 今年上半年，但凡聊騰訊 AI，那必然會聊到 Workbuddy，這個產品在前三季度徹徹底底出圈了。它在某種程度上，也改變了市場對於騰訊 AI 的看法。但如果只看到WorkBuddy，那麼大家對於騰訊 Agent 的認識，可能還是不完整的。騰訊集團高級執行副總裁、雲與智慧產業事業群CEO湯道生在剛過去的騰訊全球數字生態大會上提到，企業落地Agent最大的難題，不是模型不夠強，而是“斷點太多”：AI能寫方案、做分析，卻接不上業務系統，也拿不到企業數據。

Agent真正落地的關鍵，是把人、工具、系統和數據連接起來，讓AI進入真實的工作流程。圍繞這些“斷點”，騰訊提出打造“全場景、高效能、更放心”的Agent生產力系統，並且在騰訊全球數字生態大會的AI產品發佈臺上，這一思路被進一步展開：兩天裡，40+場發佈圍繞應用、數據、安全和工程四個板塊，呈現出包括WorkBuddy在內的更完整的Agent佈局。應用是最容易被看到的一層。

在這次大會上，看到，騰訊發佈了跨應用協同體系Buddy One，一邊用WorkBuddy連接騰訊文檔、騰訊網盤、騰訊樂享、設計和研發工具，讓Agent從個人助手變成團隊的新助理；另一邊通過騰訊雲ADP、元寶搜索、天籟語音大模型、MAGIC AI等產品，把Agent帶進更多業務執行場景。但應用只是入口。Agent要真正進入企業，還要回答三個更基礎的問題：能不能讀懂、使用好企業數據，能不能在明確的安全邊界內行動，以及能不能穩定、規模化地運行。這也是騰訊此次集中展示數據、安全和工程產品的原因。01企業的數據，還沒準備好迎接Agent為什麼先說數據？

因為企業想讓Agent真正上崗幹活，第一腳往往就會踩進數據泥潭。很多人都有過類似感受，你讓Agent 幫你查一個企業內部數據，它經常會犯迷糊，給你一些錯誤的結果。前不久，AWS 和 dbt Labs 分享了一個案例：他們讓一個 AI Agent 自行寫 SQL 查營收，實際是 1136 萬美元，結果Agent多算了 350 萬，而後他們排查才發現原因，Agent用了折扣和退款前的金額，沒有關聯退款表，已取消和待處理的訂單也算進去了，內部測試賬號也沒排除。Agent答錯，問題常出現在數據層而不在模型。

所以要想 Agent 能準確回答企業問題，數據地基一定是要先行的，具體來講，要解決兩件事，一是供給側，要讓Agent能找到並用上完整的相關數據；第二是語義側，把數據背後的業務規則給 Agent講清楚。數據和規則缺了任何一頭，都可能算錯。為了讓Agent用好企業數據，騰訊雲圍繞“懂、存、跑、自治”展開了佈局。其中，TDSQL Nexa Lakebase幫助理解數據；TDSQL Boundless負責存儲和處理多種類型的數據；TDSQL-C PostgreSQL為Agent提供彈性、隔離的數據庫後端；TencentDB Agent則嘗試接手數據庫運維工作。

此外，DataBuddy提供統一語義層，讓Agent按照明確的業務口徑查詢和分析數據；對於有數據不出域要求的企業，DataBuddy還提供私有化方案。特別值得一提的是，此次重磅發佈的TDSQL Nexa Lakebase產品，把海量數據存儲、事務、分析、搜索和 AI 計算結合到同一套數據管理體系中，應用層通過 SQL、HTTP 或 MCP 接入，計算層的核心引擎負責統一訪問和智能路由，下面由四類引擎分工處理負載。NTS 數據通道連接外部數據源與內部引擎。Knowledge能力則梳理出統一的術語、口徑與規則，並和已有數據對象做好關聯，形成邏輯閉環的業務上下文，為Agent補上業務背景。

此外，DataBuddy進一步將業務規則用於數據分析，在大模型與底層數據之間建立統一語義層，讓Agent依據明確的口徑選擇數據、生成查詢。效果上，騰訊內部測試顯示，同樣模型、同一批問題，加入 DataBuddy 語義層後，Agent 問數準確率從 83.5% 提升到 95.9%。某頭部銀行接入超過 100TB 數據後，查詢從分鐘級縮到秒級，指標來源和計算過程也不用再人工溯源了。02Agent開始動手，安全邊界也要重劃數據準備好了，企業還得決定：究竟敢給Agent多大權限？

現在很多企業會有這種矛盾心理：一方面為了讓 Agent 完成任務，想給它更多權限，但是一旦權限給得過大，又擔心他訪問不該看的數據，甚至執行危險操作，那麼原本幫助企業工作的Agent，也可能成為風險源。這樣的風險，已經存在實際工作中。Meta 就發生過一起相關安全事件。今年 3 月，Meta內部就爆出了一起Agent失控行為，向無訪問權限的大批員工洩露了公司系統級的敏感數據。根據事故報告，這是Meta 內部安全事件評級體系中第二高的嚴重等級。要避免類似情況，企業首先得看清：有哪些Agent在運行，它們調用了什麼工具、做了哪些操作。

據瞭解，在大會上，也可以發現騰訊在防止Agent越權上做了不少事情。比如，騰訊新一代雲安全中心增加了Agent資產盤點和行為審計能力，幫助企業掌握Agent的運行情況，發現惡意Skill、異常訪問或數據洩露風險時，也可以及時阻斷。不過，Agent不只是需要被防範的風險源，也可以成為安全人員的幫手。發現漏洞、識別黑產，這些過去需要人工反覆排查的工作，如今也可以交給Agent。比如說，騰訊雲無境就在嘗試讓Agent扮演“黑客”，替企業提前尋找漏洞。

據騰訊介紹，在一次針對在線教育SaaS平臺的測試中，無境沿著真實攻擊路徑嘗試，43分鐘找出了9個漏洞；在另一次醫療預約平臺測試中，它又在34分鐘內發現了11個漏洞。如果說無境盯的是系統漏洞，騰訊雲天御風控Agent盯的則是業務中的黑產。騰訊雲天御團隊在大會上演示了一個“雙十一”風控案例。工作人員只向Agent提出一個問題：“結合外部情報，挖一挖大促存在什麼風險，看看現有策略有沒有缺口。” 30秒內，天御風控Agent檢索了37條風險情報，掃描2140萬筆訂單，並發現1000多筆訂單集中流向4個地址。Agent由此判斷，黃牛可能正在採用一種新的“中轉站”手法。

隨後，Agent自動生成三條風控策略，並用過去14天的數據回測。據騰訊披露，組合攔截率達到98.2%，誤傷率低於0.02%。03Agent規模化，考驗才剛開始前兩部分，我們談到了，解決數據問題，才能讓Agent做對事，解決好安全問題，才能讓Agent不闖禍。但當Agent開始大規模進入企業，還有一個更長期的問題：如何讓它們持續、穩定地工作？首先，Agent跑在哪裡、誰來管理、如何獲得新技能，又能否根據企業需求定製？圍繞這些問題，騰訊雲將Lighthouse Agent、ClawPro、SkillHub和Octop納入AgentHosting品牌，覆蓋Agent的部署、管理、運營和定製。

部署是第一步。騰訊雲通用計算產品副總經理肖娜就談了他今年所經歷的一個切身體會：OpenClaw走紅後，他們曾在深圳騰訊大廈舉辦過一場“裝機活動”，在這個活動上，他遇到過許多特別的人，有62歲幫助她孩子裝機的母親，有退休的航天工程師....大家對於 Agent 都是有渴望的，但當時 OpenClaw 的部署非常複雜， 限制住了許多人的體驗。這也是Lighthouse Agent推出的一個核心原因，讓個人開發者和企業，更方便地把Agent託管到自己的雲服務器上，持續在線運行。當 Agent進入企業後，問題還會進一步變化。

當Agent從幾個增加到幾十、上百個，誰在使用、能調用哪些工具、花了多少Token，都需要有一本清楚的賬。今年 4 月，騰訊雲又推出ClawPro。ClawPro面向企業，統一納管雲端和本地Agent，集中管理組織權限、模型配額、Token用量和安全審計。企業還可以把知識、技能和工作規範統一維護、分發給員工，並通過API將Agent接入現有業務系統。產品負責人黃綺婷提到，ClawPro現在已經有1000多個企業客戶。有一家做健康管理的公司，他們將健康服務經驗沉澱為技能，基於ClawPro搭建私人健康助理，嵌入原有App，已經售出上千個智能體，為原來的業務增加了收入來源。

Agent也需要不斷獲得新能力。SkillHub提供技能社區和市場，支持在對話中安裝技能，並提供評測與安全檢測。此次發佈的SkillPay，則讓服務提供者將服務或API封裝為付費技能，供用戶和Agent按次購買、調用。Octop是一款開源、自託管的Agent引擎，從雲服務器運維切入，開源社區則在此基礎上開發出更多場景方案。比如，Octop與AI法律助手準典合作，推出了一套智能合同審核系統，將應用拓展到法律場景，並支持對接長安鏈，可將 Agent 輸出內容對應的引用資料與推理依據上鍊存證，在產生爭議時能夠快速完成取證與核驗。

如果說AgentHosting解決的是如何把Agent部署起來、管理起來，那當成千上萬個Agent大規模進入生產環境時，背後環境能否撐住，也是一個問題。騰訊雲李佳南在分享中說道，過去，大量用戶請求可以共享少量服務實例；如今，Agent需要會話級隔離，相當於“給每個Agent分配一臺雲電腦”。這是一個什麼概念，假設有10萬個數字員工，背後就至少要有10萬個沙箱。這個規模是很恐怖的。這些雲電腦既要保留各自的工作進度，又要隨時響應任務，是一個很大的挑戰。

圍繞Agent進入大規模生產這一需求，騰訊雲也佈局了一系列基礎設施：Agent Runtime 作為騰訊雲 Agent Infra 企業級解決方案，從運行、治理、進化三域構建產品矩陣，覆蓋Agent的執行、彈性調度、安全治理、運行觀測與迭代優化等場景。運行域中，開源項目CubeSandbox為代碼和工具執行提供隔離的沙箱環境。治理域中，AI網關把不同模型、MCP工具和Agent服務收攏到統一入口，使企業能夠在不反覆修改業務代碼的情況下切換和調度模型，同時統一管理訪問權限、安全風險和Token成本。

進化域中，TencentDB Agent Memory管的是上下文記憶，利用L0到L3四層記憶架構，讓Agent跨會話延續用戶背景和任務信息，還能沉澱團隊記憶資產，項目自開源後多次登頂GitHub排行榜第一，已獲得超30,000 Stars。

存儲方面，Agent CBS 相當於沙箱的“專屬硬盤”，通過快照和克隆支持環境恢復、並行探索，獨立的數據盤可讓業務數據跨會話保留；Agent CFS 提供可共享的文件工作區，多個沙箱可按授權訪問同一份數據，沙箱休眠後仍能查看、上傳和下載文件，並支持多雲數據統一納管；Agent Bucket面向文檔、圖片、視頻等工作產物，通過獨立空間管理、分享和多模態檢索，讓Agent生成的成果更容易查找和複用。最後，模型能力要供得上，使用成本也要算得清。Agent持續工作，模型調用就會成為一筆持續發生的開支。企業需要考慮，不同任務該調用什麼模型，哪些可以直接使用現成服務，哪些需要結合自己的業務定製。

目前，TokenHub提供統一的模型接入和調度，方便企業根據任務需要選擇模型；TI-ONE則支持模型訓練、微調和部署，滿足企業定製模型及自行部署的需求。兩者提供了不同的選擇，企業仍需結合任務效果、調用規模和運維投入，算清適合自己的賬。WorkBuddy是騰訊Agent佈局中最容易被看見的一塊，但不是全部。從應用，到數據、安全和工程，我們已然看到，騰訊為這場競爭準備更多籌碼。