腾讯在 11 月 8 日全球数字生态大会上用两天时间做了 40 多场发布，横跨应用、数据、安全、工程四个板块。核心结论一句话：企业落地智能体的瓶颈落在从应用协同到业务数据之间的那一串断点上，模型强度排在后面。腾讯给出的解法是一套四层栈， Buddy One 管应用，TDSQL Nexa Lakebase 与 DataBuddy 管数据，ADP 管智能体底座。
这场发布里最有参考价值的部分要数腾讯自己给出的那个失败样本，单个产品的功能清单信息量有限。AWS 与 dbt Labs 分享的一个案例显示，智能体独立写 SQL 查营收，真实数字是 1136 万美元，智能体多算了 350 万美元。排查结果是三处口径出错：用的是折扣和退款之前的金额，没有关联退款表，已取消与待处理的订单也一并计入，内部测试账号也没有排除。
一个能写 SQL、能调工具、能连续跑任务的智能体，在一个看起来标准的取数任务上错了 31%。这个比例放到任何生产环境里都不可接受，而它错的原因全部不在模型侧，全在数据供给侧。
40 场发布拆成四层：应用、数据、安全、工程
腾讯集团高级执行副总裁、云与智慧产业事业群 CEO 汤道生给出的判断是，企业落地智能体最大的难题是断点太多。四层结构里，应用层解决智能体怎么触达员工与业务系统，数据层解决业务口径怎么讲给智能体听，安全层解决敏感信息在链路里怎么不失控，工程层解决代码与部署怎么跟上智能体的产出速度。
这个分法不新鲜，但它把一个常被混谈的问题拆开了。模型层是公共供给，站点内的 腾讯混元 Hy4 正式版 与各家开源权重模型都能接入，真正决定成败的往往是后两层。同一时期 OpenAI 用 自研 Git 后端 Pando 把推送中位耗时压掉近八成，Anthropic 把内部主代码库搬进自研系统，做的也是工程层那一段。
| 层级 | 代表产品 | 解决的问题 | 可验证指标 |
|---|---|---|---|
| 应用层 | Buddy One | 跨应用协同，智能体从个人助手变团队助理 | 接入腾讯文档、腾讯网盘、腾讯乐享 |
| 数据层 | TDSQL Nexa Lakebase、TDSQL Boundless、TDSQL-C PostgreSQL | 存储、事务、分析、搜索与 AI 计算同一套管理体系 | 通过 SQL、HTTP 或 MCP 接入 |
| 数据层 | DataBuddy | 统一语义层，让数据可被智能体直接消费 | 50+ 数据源，重复开发减少 80% |
| 数据层 | TencentDB Agent | 数据库运维交给智能体 | 运维动作由智能体承接 |
| 工程层 | 腾讯云 ADP、Agent Harness | 智能体生产、治理、分发与长时任务托管 | 10 大模块 100+ 接口 |
Buddy One 的实际动作：把断在应用之间的调用接上
应用层这次的主角是跨应用协同体系 Buddy One。它的做法分两头：一头用 WorkBuddy 把腾讯文档、腾讯网盘、腾讯乐享以及设计与研发工具连起来，让智能体从单人助手变成团队助理；另一头通过腾讯云 ADP、元宝搜索、天籁语音大模型、MAGIC AI 等产品，把智能体塞进更多业务执行场景。
这里的连接复用现有的文档与盘，并不另造一套应用。腾讯文档与网盘的接入方式与访问细节，站内 腾讯元宝搜索开放千亿索引的接入说明 里已有梳理，属于同一条数据供给链路。元宝搜索那一侧的 157 个信源与 8 毫秒检索，解决的是让智能体拿得到外部信息；Buddy One 解决的是让智能体动得起来。
WorkBuddy 的多产品接入形态更早，站内 腾讯 WorkBuddy 套件化升级 记录过五产品接入与网盘扩容 10 倍的细节，这次 Buddy One 是把同一套能力往企业协同方向再推一层。
数据层才是这场的重头：1136 万美元是怎么算错的
回到开头那个案例。AWS 与 dbt Labs 让智能体自行写 SQL 查营收，真实值 1136 万美元，智能体给出 1136 万加 350 万的答案，偏差超过三成。定位到的四个原因，每一条都指向数据层，与模型层无关。
第一，金额口径取错了阶段，用了折扣和退款发生前的原始金额。第二，缺少关联，查询没有关联退款表，所以退出去的金额没有被扣回。第三，状态过滤缺失，已取消和还在待处理中的订单被一并计入了营收。第四，测试数据没有隔离，内部测试账号的流水混进了统计。
这四条对应智能体取数时的四个经典陷阱，任意一条都能靠人写代码时养成的习惯规避，但智能体没有这些习惯。它只知道表结构，不知道贵公司的营收到底算不算退款前、算不算待处理、算不算测试单。这些口径过去活在数据工程师脑子里和几份互相矛盾的 Excel 里，现在要变成智能体能读的机器规则。
腾讯云的解法是把业务口径从人脑搬到统一语义层。DataBuddy 提供统一语义层并有私有化方案，配套 Unity Catalog 做治理，MCP 原生工具让数据可以被智能体直接消费。语义层的作用是替智能体回答上面那四个问题：哪张表是权威口径、哪个字段是净额、哪些状态要排除。
腾讯云围绕懂、存、跑、自治四个字做布局。TDSQL Nexa Lakebase 把海量数据的存储、事务、分析、搜索与 AI 计算放进同一套管理体系，应用层通过 SQL、HTTP 或 MCP 三种方式接入。TDSQL Boundless 负责存储处理多种类型数据，TDSQL-C PostgreSQL 提供弹性隔离的数据库后端，TencentDB Agent 接手数据库运维，DataBuddy 往上提供语义层。
DataBuddy 官方文档给出的数字比较具体：数据接入环节支持 50+ 数据源、CDC 实时与多模态入湖；工程环节有 Studio IDE、Notebook、编排调度与 CI/CD Bundle；治理环节引入 Unity Catalog、语义层、质量与安全；智能体环节提供从 Copilot 到 Autopilot 再到 Multi-Agent 的三种形态，配套 Data Engineering、Data Governance、Data Analysis 三类智能体。对应的收益口径是重复开发减少 80%、单人产出提升 5 到 10 倍、80% 的搬数与运维活儿被消除。
工程层：ADP 的四种范式与托管运行时
腾讯云 ADP 这次升级到体验版 0 元直领，新增 AgentPortal，让 ADP 里做好的智能体可以一句话分发给员工，多智能体协同交付。平台提供四种开发范式供选择。
Claw 模式给智能体一个独立云端工作空间，支持自主编码、工具调用与长时任务运行。标准模式从单体智能体应用起步，按需挂知识库与工具。工作流模式把规则清晰的多步骤任务编排成可复用流程，用于工单、审批、数据处理这类标准化业务。多智能体模式让多个智能体按角色分工并行处理复杂任务。
底座部分 ADP 围绕智能体开放了 10 大模块 100+ 接口，涵盖创建、配置、调用与治理。Agent Harness 作为云端托管运行底座，支持断点自动续跑、闲置自动暂停、全链路 Trace 可观测与密钥隔离托管。安全治理走的是输入、处理、输出全流程密文管控，链路可追溯可审计。
这套设计与站内存量的其他 Agent 基建稿能对上。谷歌的 Agent 基础设施与记忆能力 类实践里，长任务托管与状态恢复都是绕不开的工程问题，托管运行时的价值在于把这类脏活从每个团队手里收上去。
怎么挑：按断点位置选，不按产品清单买
这次发布的产品数量足够让采购清单变得很长，但按落地顺序拆，路径其实只有三条。
先修应用协同。如果智能体已经能用但每次都要人手动把结果搬进下一个系统，断点在应用层。Buddy One 这一层的接入成本最低，收益也最快能感觉到，团队协作里的重复搬运会先减下来。
再修数据口径。如果智能体能跑但答案经常对不上账，断点在数据层，这一步最费时间也最容易被跳过。优先级建议是先用语义层锁住核心指标口径，再扩表。没有语义层就接智能体，等于把口径歧义自动化。
最后补工程托管。长时任务不稳定、密钥散在各处、出了问题无法回溯时，才需要完整的 Harness 与审计链路。这一层的成本最高，多数团队在第一、二步没走完时不需要一次买齐。
对照开头那个 350 万美元的偏差，如果发生在智能体取数的第一天，那么需要先解决数据层。反过来，如果数据口径清晰而智能体卡在部门墙之间，那么应用层优先。这个顺序不来自腾讯的发布会，而来自那个错误案例本身。
常见问题
Buddy One 和 WorkBuddy 是什么关系？ Buddy One 是面向企业团队的跨应用协同体系，WorkBuddy 是其中承接文档、网盘、乐享等连接的产品。本质上 WorkBuddy 提供连接能力，Buddy One 把它组织成团队级的协同框架。企业侧采购与落地应以 Buddy One 的协同场景为入口，单独部署一个聊天助手解决不了跨系统调用。
TDSQL Nexa Lakebase 与普通云数据库的区别是什么？ 关键差异在把存储、事务、分析、搜索与 AI 计算放进同一套管理体系，并对外提供 SQL、HTTP、MCP 三种接入方式。MCP 这条通道是新的，它让智能体不写 SQL 也能取数，配合统一语义层可以绕开一部分口径错误，但绕不开全部，换来的是接入成本下降与治理能力的相应让渡。
企业现在该不该立刻上 DataBuddy 这类平台？ 判断标准是业务口径是否已经散落在多份文档里。如果核心指标还没有唯一权威口径，先把口径定义清楚再上平台，否则只是把不一致搬进一个更贵的系统里。如果已有统一数仓与语义层基础，那么 DataBuddy 的价值在于让这套口径能被智能体消费，属于可以立刻推进的阶段。
小结
40 多场发布里的真正信号，是腾讯承认了企业智能体落地的瓶颈在数据与工程，而不在模型。1136 万美元的偏差案例把这层窗户纸捅破了，四条错误原因没有一条与模型智能程度有关。
对多数团队来说，这套四层栈更像一张排查地图，而非必须全买的产品清单。先顺着应用、数据、工程的顺序找出自己卡在哪一段，再决定要不要动手，通常比跟着发布会逐个试用更省成本。
延伸阅读
- 行业首个！紫金山实验室发布AXP智能体互联平台：支持百万级注册、十万级并发3 周前
- 腾讯云ClawPro集成TeamAI：具身智能首次落地，WorkBuddy充当大脑4 周前
- 阿里云转向 Agentic Cloud：2027 智能体支出 3763 亿美元1 周前
- Clover-35B-A3B 扩散语言模型：680 tokens/s 与 SWE 73.62 周前
继续读
同一批更新里这几篇值得一看：
- 阿里云Qovest投研台怎么用：99元订阅与5个案例拆解2026-11-09
- 千问 AI Office 端内编辑：3 类文件直改与 78 元档位账本2026-11-06
- DeepSeek Harness 接本地 Ollama：8192 上下文必崩的三个坑2026-11-06
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记