工作线 01
智能体
一个系统能自主决定什么？
自主与编排：多个智能体如何共享一个目标、彼此交接工作，并在此过程中保持可治理。
当前在实验台上
- 高级推理
- Computer Use
- 多智能体编排
AI Lab
实验台
每一款产品都诞生于此，每一个项目都以此为依托。
Thinkia 是一家同时拥有产品的服务公司，而服务与产品都出自同一张实验台。在有客户、预算或名字之前，先有一个还没人回答过的问题——实验室就是我们拆解它的地方。这里发生的一部分事情永远不会离开实验台；其余的，有的今天已经在售，有的已经融入我们交付的工作之中。
- 工作线
- 5
- 已发布产品
- 6
- 诞生于实验台
- 100%
产品只是其中有名字的那部分。实验台产出的大部分东西既没有品牌，也没有价格：我们已经踩过的坑、已经放弃的方法、已经测得的数据。我们的每个项目都从这些开始，这也是它与通用实施的区别所在。
如何走出实验台
五条工作线，六款产品。
每条工作线追随一个问题。当一个答案在实验台之外依然站得住，它就以产品的形式离开——并保留它所来自的那条线。有一条线还没走到这一步，而这正是实验室的常态。
工作线 02
知识
一家公司真正记住了什么？
检索、结构与记忆：把分散的文档变成系统可以据以推理、而不只是搜索的东西。底层引擎是我们自研的 RAGXplorer，它的回答会附上文档、片段和置信度分数。
当前在实验台上
- GraphRAG
- 智能体式 RAG
- 多模态 RAG
- 微事实
- 重排序器
工作线 03
在场感
当一个人与 AI 相遇时，它是什么样子？
声音、面孔与对话：在这一层，系统不再只是基础设施，而成为让人记住的一次互动。
当前在实验台上
- 语音到语音
- 生成式 UI
- 多模态前端
工作线 04
信任
在投入生产之前，必须满足哪些条件？
治理、可追溯性与安全：这项工作决定了一个原型能否接近真实的业务运营。
当前在实验台上
- FinOps
- DLP 策略
- 审计轨迹
- 欧盟 AI 法案
工作线 05
主权 AI
它能否在我们自己的硬件上、用我们自己的模型运行？
经得起考验的更小模型、通过编译而非手写生成的提示词，以及针对您自有机器调优的推理服务——让数据主权不再成为不部署的理由。
当前在实验台上
- 小语言模型
- DSPy
- LLM-as-a-Judge
- SGLang
- 昇腾 910C NPU
- 本地 LLM
规则
没有什么会因为演示效果好就离开实验台。
- 01
从问题出发，而不是从路线图出发
工作始于我们尚无法回答的问题，而不是某人提出的功能需求。
- 02
为被打破而构建
原型的存在，就是为了在某个具体环节失败。它在哪里失败，就是发现所在。
- 03
要么投产，要么不做
只有经受住治理、成本和运营的考验，它才会成为产品——而不是因为在演示中看起来不错。