腾讯的 Agent 布局，不止 WorkBuddy
AI科技评论 · 人工智能
原创 胡敏 2026-11-05 19:22 广东 大家对腾讯Agent的认识，还不够完整。 大家对腾讯Agent的认识，还不够完整。 作者丨 胡敏 编辑丨刘伟 今年上半年，但凡聊腾讯 AI，那必然会聊到 Workbuddy，这个产品在前三季度彻彻底底出圈了。它在某种程度上，也 改变了 市场对于腾讯 AI 的 看法 。 但如果只看到WorkBuddy，那么大家对于腾讯 Agent 的认识，可能还是不完整的。 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 刚过去的腾讯全球数字生态 大会上提到，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”，腾讯提出打造“全场景、高效能、更放心”的Agent生产力系统 ，并且在 腾讯全球数字生态大会的AI产品发布台上，这一思路被进一步展开：两天里，4 0+ 场发布围绕应用、数据、 安全和工程四个板块， 呈现出包括WorkBuddy在内的更完整的Agent布局。 应用是最容易被看到的一层。在这次大会上可以看到，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 、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。 这也是腾讯此次集中展示数据、安全和工程产品的原因。 01 企业的数据，还没准备好迎接Agent 为什么先说数据？因为企业想让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，你让Agent 帮你查一个企业内部数据，它经常会犯迷糊，给你一些错误的结果。 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，而后他们排查才发现原因，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。 所以要想 Agent 能准确回答企业问题，数据地基一定是要先行的，具体来讲，要解决两件事，一是供给侧，要让Agent能找到并用上完整的相关数据；第二是语义侧，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。 为了 让Agent用好企业数据，腾讯 云 围绕“懂、存、跑、自治”展开了布局。 其中， TDSQL Nexa Lakebase帮助 理解数据 ；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则尝试接手数据库运维工作。 此外，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，DataBuddy还提供私有化方案。 特别值得一提的是，此次重磅发布的 TDSQL Nexa Lakebase 产品， 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，计算层的核心引擎负责统一访问和智能路由，下面由四类引擎分工处理负载。 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，并和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。 此外，DataBuddy进一步将业务规则用于数据分析，在大模型与底层数据之间建立统一语义层，让Agent依据明确的口径选择数据、生成查询。 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。 02 Agent开始动手， 安全边界也要重划 数据准备好了，企业还得决定：究竟敢给Agent多大权限？ 现在很多企业会有这种矛盾心理：一方面为了让 Agent 完成任务，想给它更多权限，但是一旦权限给得过大，又担心他访问不该看的数据，甚至执行危险操作，那么原本帮助企业工作的Agent，也可能成为风险源。