腾讯 Agent 布局从 WorkBuddy 延伸至数据、安全与工程体系

 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，40+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，雷峰网(公众号：雷峰网)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。

这样的风险，已经存在实际工作中。Meta 就发生过一起相关安全事件。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。根据事故报告，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。

据雷峰网了解，在大会上，也可以发现腾讯在防止Agent越权上做了不少事情。比如，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的运行情况，发现恶意Skill、异常访问或数据泄露风险时，也可以及时阻断。

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。发现漏洞、识别黑产，这些过去需要人工反复排查的工作，如今也可以交给Agent。

比如说，腾讯云无境就在尝试让Agent扮演“黑客”，替企业提前寻找漏洞。

据腾讯介绍，在一次针对在线教育SaaS平台的测试中，无境沿着真实攻击路径尝试，43分钟找出了9个漏洞；在另一次医疗预约平台测试中，它又在34分钟内发现了11个漏洞。

如果说无境盯的是系统漏洞，腾讯云天御风控Agent盯的则是业务中的黑产。

腾讯云天御团队在大会上演示了一个“双十一”风控案例。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，并发现1000多笔订单集中流向4个地址。

Agent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天的数据回测。据腾讯披露，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

前两部分，我们谈到了，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？围绕这些问题，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就谈了他今年所经历的一个切身体会：OpenClaw走红后，他们曾在深圳腾讯大厦举办过一场“装机活动”，在这个活动上，他遇到过许多特别的人，有62岁帮助她孩子装机的母亲，有退休的航天工程师....

大家对于 Agent 都是有渴望的，但当时 OpenClaw 的部署非常复杂， 限制住了许多人的体验。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。

当 Agent进入企业后，问题还会进一步变化。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。

今年 4 月，腾讯云又推出ClawPro。ClawPro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现在已经有1000多个企业客户。

有一家做健康管理的公司，他们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，已经售出上千个智能体，为原来的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，开源社区则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，在产生争议时能够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”。这是一个什么概念，假设有10万个数字员工，背后就至少要有10万个沙箱。这个规模是很恐怖的。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：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。

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

治理域中，AI网关把不同模型、MCP工具和Agent服务收拢到统一入口，使企业能够在不反复修改业务代码的情况下切换和调度模型，同时统一管理访问权限、安全风险和Token成本。

进化域中，TencentDB Agent Memory管的是上下文记忆，利用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。

存储方面，Agent CBS 相当于沙箱的“专属硬盘”，通过快照和克隆支持环境恢复、并行探索，独立的数据盘可让业务数据跨会话保留；Agent CFS 提供可共享的文件工作区，多个沙箱可按授权访问同一份数据，沙箱休眠后仍能查看、上传和下载文件，并支持多云数据统一纳管；Agent Bucket面向文档、图片、视频等工作产物，通过独立空间管理、分享和多模态检索，让Agent生成的成果更容易查找和复用。

最后，模型能力要供得上，使用成本也要算得清。

Agent持续工作，模型调用就会成为一笔持续发生的开支。企业需要考虑，不同任务该调用什么模型，哪些可以直接使用现成服务，哪些需要结合自己的业务定制。

目前，TokenHub提供统一的模型接入和调度，方便企业根据任务需要选择模型；TI-ONE则支持模型训练、微调和部署，满足企业定制模型及自行部署的需求。两者提供了不同的选择，企业仍需结合任务效果、调用规模和运维投入，算清适合自己的账。

WorkBuddy是腾讯Agent布局中最容易被看见的一块，但不是全部。从应用，到数据、安全和工程，我们已然看到，腾讯为这场竞争准备更多筹码。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。