腾讯Agent布局：不止WorkBuddy

引言：WorkBuddy只是冰山一角

今年上半年，腾讯AI的话题几乎绕不开WorkBuddy。这个产品在前三季度彻底出圈，也在一定程度上改变了市场对腾讯AI的认知。但如果只看到WorkBuddy，对腾讯Agent布局的理解可能仍然不完整。

在刚过去的腾讯全球数字生态大会上，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生点出了一个关键问题：企业落地Agent最大的难题不是模型不够强，而是“断点太多”——AI能写方案、做分析，却接不上业务系统，也拿不到企业数据。Agent真正落地的关键，是把人、工具、系统和数据连接起来，让AI进入真实的工作流程。

围绕这些“断点”，腾讯提出了打造“全场景、高效能、更放心”的Agent生产力系统。在大会的AI产品发布台上，两天内40+场发布围绕应用、数据、安全和工程四个板块展开，呈现出更完整的Agent布局。

应用层：从个人助手到团队新助理

应用是最容易被看到的一层。腾讯发布了跨应用协同体系Buddy One：一边用WorkBuddy连接腾讯文档、腾讯网盘、腾讯乐享以及设计和研发工具，让Agent从个人助手变成团队的新助理；另一边通过腾讯云ADP、元宝搜索、天籁语音大模型、MAGIC AI等产品，把Agent带进更多业务执行场景。

但应用只是入口。Agent要真正进入企业，还要回答三个更基础的问题：能不能读懂、使用好企业数据，能不能在明确的安全边界内行动，以及能不能稳定、规模化地运行。

数据先行：让Agent“读得懂”企业

企业想让Agent真正上岗干活，第一脚往往就会踩进数据泥潭。很多人都有过类似感受：让Agent查一个企业内部数据，它经常会犯迷糊，给出错误结果。

前不久，AWS和dbt Labs分享了一个案例：他们让一个AI Agent自行写SQL查营收，实际是1136万美元，结果Agent多算了350万。排查后发现，Agent用了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进去了，内部测试账号也没排除。

Agent答错，问题常出现在数据层而不在模型。 要让Agent准确回答企业问题，数据地基必须先行。具体要解决两件事：一是供给侧，让Agent能找到并用上完整的相关数据；二是语义侧，把数据背后的业务规则给Agent讲清楚。数据和规则缺了任何一头，都可能算错。

为此，腾讯云围绕“懂、存、跑、自治”展开布局：

• TDSQL Nexa Lakebase：帮助理解数据，把海量数据存储、事务、分析、搜索和AI计算结合到同一套数据管理体系中。应用层通过SQL、HTTP或MCP接入，计算层核心引擎负责统一访问和智能路由，NTS数据通道连接外部数据源与内部引擎。Knowledge能力则梳理出统一的术语、口径与规则，为Agent补上业务背景。
• TDSQL Boundless：负责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：尝试接手数据库运维工作。
• DataBuddy：提供统一语义层，让Agent按照明确的业务口径查询和分析数据；对于有数据不出域要求的企业，还提供私有化方案。

效果上，腾讯内部测试显示，同样模型、同一批问题，加入DataBuddy语义层后，Agent问数准确率从83.5%提升到95.9%。某头部银行接入超过100TB数据后，查询从分钟级缩到秒级，指标来源和计算过程也不用再人工溯源了。

安全边界：敢给Agent多大权限

数据准备好了，企业还得决定：究竟敢给Agent多大权限？很多企业有矛盾心理——一方面为了让Agent完成任务想给它更多权限，另一方面又担心它访问不该看的数据，甚至执行危险操作。

这样的风险已经存在。今年3月，Meta内部就爆出了一起Agent失控行为，向无访问权限的大批员工泄露了公司系统级的敏感数据，这是Meta内部安全事件评级体系中第二高的严重等级。

要避免类似情况，企业首先得看清：有哪些Agent在运行，它们调用了什么工具、做了哪些操作。 腾讯新一代云安全中心增加了Agent资产盘点和行为审计能力，帮助企业掌握Agent运行情况，发现恶意Skill、异常访问或数据泄露风险时及时阻断。

不过，Agent不只是需要被防范的风险源，也可以成为安全人员的帮手。腾讯云无境就在尝试让Agent扮演“黑客”，替企业提前寻找漏洞。在一次针对在线教育SaaS平台的测试中，无境沿真实攻击路径尝试，43分钟找出9个漏洞；在另一次医疗预约平台测试中，34分钟发现11个漏洞。

腾讯云天御风控Agent盯的则是业务中的黑产。在“双十一”风控案例演示中，工作人员只向Agent提出一个问题：“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，由此判断黄牛可能正在采用一种新的“中转站”手法。随后，Agent自动生成三条风控策略，并用过去14天数据回测，组合拦截率达到98.2%，误伤率低于0.02%。

工程底座：规模化运行的考验

解决数据问题，才能让Agent做对事；解决好安全问题，才能让Agent不闯祸。但当Agent开始大规模进入企业，还有一个更长期的问题：如何让它们持续、稳定地工作？

首先，Agent跑在哪里、谁来管理、如何获得新技能，又能否根据企业需求定制？腾讯云将Lighthouse Agent、ClawPro、SkillHub和Octop纳入AgentHosting品牌，覆盖Agent的部署、管理、运营和定制。

部署是第一步。腾讯云通用计算产品副总经理肖娜提到一个切身体会：OpenClaw走红后，他们曾在深圳腾讯大厦举办过一场“装机活动”，遇到了许多特别的人——有62岁帮助孩子装机的母亲，有退休的航天工程师。大家对Agent都有渴望，但当时OpenClaw的部署非常复杂，限制了许多人的体验。这也是Lighthouse Agent推出的核心原因：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。

当Agent从几个增加到几十、上百个，谁在使用、能调用哪些工具、花了多少Token，都需要有一本清楚的账。腾讯云推出ClawPro，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。企业还可以把知识、技能和工作规范统一维护、分发给员工，并通过API将Agent接入现有业务系统。产品负责人黄绮婷提到，ClawPro现在已有1000多个企业客户。有一家健康管理公司，将健康服务经验沉淀为技能，基于ClawPro搭建私人健康助理，嵌入原有App，已售出上千个智能体，为原有业务增加了收入来源。

Agent也需要不断获得新能力。SkillHub提供技能社区和市场，支持在对话中安装技能，并提供评测与安全检测。此次发布的SkillPay，则让服务提供者将服务或API封装为付费技能，供用户和Agent按次购买、调用。Octop是一款开源、自托管的Agent引擎，从云服务器运维切入，开源社区在此基础上开发出更多场景方案。比如，Octop与AI法律助手准典合作，推出了一套智能合同审核系统，将应用拓展到法律场景，并支持对接长安链，可将Agent输出内容对应的引用资料与推理依据上链存证，在产生争议时快速完成取证与核验。

如果说AgentHosting解决的是如何把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时，背后环境能否撑住，也是一个问题。腾讯云李佳南在分享中说道：过去，大量用户请求可以共享少量服务实例；如今，Agent需要会话级隔离，相当于“给每个Agent分配一台云电脑”。假设有10万个数字员工，背后就至少要有10万个沙箱，这个规模相当惊人。这些云电脑既要保留各自的工作进度，又要随时响应任务，是一个很大的挑战。围绕Agent进入大规模生产这一需求，腾讯云也布局了一系列基础设施，包括Agent Runtime等，为Agent的规模化运行提供稳定支撑。

结语：腾讯Agent的完整图景

从WorkBuddy到Buddy One，从数据层TDSQL系列到DataBuddy，从安全层的云安全中心、无境、天御，到工程层的AgentHosting和Agent Runtime，腾讯在AI Agent领域的布局已经超越单一产品，形成了一套覆盖“应用-数据-安全-工程”的完整体系。对于企业而言，这意味着Agent落地不再只是选一个模型或产品，而是需要系统性思考数据基础、安全边界和运行底座。腾讯的这套布局，或许正是行业探索Agent规模化的一个缩影。