办公Agent已演变为国内互联网巨头竞相角逐的战略高地。在短短十天之内，腾讯、阿里、字节跳动三家头部企业几乎不约而同地做出了同一件事：结束内部赛马机制，将核心资源向办公Agent领域倾斜。7月20日，腾讯内部通知将Qclaw并入WorkBuddy所在的部门进行统一管理；次日，阿里整合旗下多款产品，推出了千问办公；而到了7月30日，字节跳动则将飞书团队并入豆包序列。
值得注意的是一个有趣的现象：在面向C端消费者的AI应用上，豆包的月活用户高达3.82亿，而腾讯的元宝仅有4984万，前者是后者的八倍之多。然而，在办公Agent这一垂直赛道上，WorkBuddy却以2097万的月访问量稳居第一，这一数字甚至超过了字节跳动的Trae（1279万）与阿里的QoderWork（788万）的总和。这表明，即便字节跳动在消费级AI应用上拥有绝对优势，其内部依然做出了如此重大的架构调整，足见WorkBuddy给字节跳动带来了巨大的压力。这也从侧面印证了，办公Agent已然成为国内互联网大厂的必争之地，接下来的这场战争，其激烈程度不亚于过去互联网时代的任何一场战役。
究其原因，Chat时代已经宣告结束，以对话框交互的AI产品形态也迎来了终结。本期内容，我们就来梳理这场大战背后的底层逻辑。如果你关注AI资讯，想必经常能看到LLM、Skill、Harness、Loop等一长串专业术语，但我们可以暂时忽略这些。若仅从应用产品层面来看，我认为AI的发展历程只需划分为两个阶段：Chat阶段和Agent阶段。
在ChatGPT发布之后，大众对大模型的认知基本被一个对话框所定义。我们输入一句话，模型便回复一段内容。无论是改写文案、润色简历、翻译单词，还是探讨情感问题、甚至算命，大部分用户对这类产品的使用方式，更像是“搜索功能的进阶版”。用户负责提问，模型负责生成答案。这就是Chat阶段。
在这个阶段，模型的能力与产品体验的关系非常直接。模型越聪明，回答越准确；上下文越长，能阅读的资料越多；推理能力越强，处理复杂问题就越不容易出错。因此，人们常会用一些刁钻的问题来测试模型，比如经典的“我打算去100米外的洗车店洗车，应该步行去还是开车去？”甚至为了更好地与模型沟通，人们还要学习如何优化提示词。前几年，一段精准的提示词甚至会被广泛复制。随着大模型越来越聪明，这些沟通方式也在飞速进化。但这并非本期重点，有机会再单独展开。总之，大众对AI产品的第一印象基本定格在“你问我答”上。这一点从阿里将自己大模型命名为“千问”就能看出。
不过，我必须吐槽一下阿里的这个命名，显然是对AI的判断略显短视。豆包之所以能在这个阶段脱颖而出，关键在于其产品拟人化程度更高，更像是一个人们想象中的“聊天对象”。正是凭借对Chat类产品的深刻理解，豆包在市场上取得了巨大成功。但问题在于，聊天类产品虽然有趣，却离真正的生产力相去甚远。回答问题，并不等于交付结果。
举个例子，我要去北京出差几天，需要做规划。我会问AI哪些航班合适、哪些酒店性价比高，能否列一个时间表。由于拥有海量的知识和信息，这些答案显然比过去的百度更准确、更高效。但在这一过程中，我得到答案后，依然需要自己去预订航班和酒店，需要将我的时间表发给AI，才能让它帮忙整理。再比如日常工作里，希望AI分析数据、规划方案、制作PPT等，都需要进行多轮对话，由我把问题和资料发给AI，AI告诉我该怎么做。实际的工作者依然是我自己。
Chat时代的AI，打个不恰当的比方，就是你被退婚后空间戒指里的老爷爷。他可以指导你修炼、炼丹，给你科普知识、答疑解惑，但不能直接干涉你的修为。它是挂件，但不如系统挂。这也决定了Chat类产品在商业化上的困境：答案的价值难以计算，且缺乏护城河。用户今天可以用豆包，明天也可以用DeepSeek、千问或元宝。只要回答的差距没有大到不可替代，切换成本就非常低。而大模型每次回答都是消耗算力的。传统的互联网产品是用户越多，广告和交易收入越高，但Chat类产品往往是用户越多，成本越高。至于靠广告盈利，也面临巨大困难。传统的互联网广告依靠分发和流量，但AI产品相反，是信息提炼和整合，植入广告观感极差。再加上用户切换成本低，导致商业化举步维艰。这一点从百度身上就能看出来。你说百度的文心一言与其他国产模型有代际差距吗？并没有。但正因为在搜索时代的竞价排名深入人心，导致进入AI时代，压根没有用户信任百度的模型。大家都不信模型给出的答案，怎么可能用你的产品呢？总之，豆包3亿多月活固然厉害，但Chat类AI产品的月活并不像过去互联网产品那样“金贵”。
而Agent，恰好能解决这个商业化难题。Agent即智能体，在万事万物皆可AI的今天，这个词其实有些泛滥。很多产品加个AI插件和按钮，就说自己是Agent。我个人判断一款产品是否为Agent，有一个很简单的标准：当我给它一个目标后，它是否能自己理解、制定计划、调用工具，最后交付结果。
比如还是刚才出差的案例，我只用告诉它出差的时间、地点和预算需求，它就调取上下文，读取我的日历和偏好，再调用工具帮我锁定航班、规划酒店，最后只发给我确认，机票、酒店出票，日程同步完成。做报表和PPT也一样，我只提需求，它自己去读取文件夹里的资料，分析、制作PPT，再放到指定位置。当然，这个过程里它可能会误解需求、卡在接口上，或者做出一份完全错误的报告，关键的地方依然需要人来验收。但是，人与AI的分工已经完全变了：之前是AI说，人来做；现在是人确定任务目标，AI来执行，人最后验收。
如果我们把大模型理解为一个大脑，Agent主要则是给这个大脑装上了眼睛和手脚。眼睛是上下文，它需要知道哪些信息、数据、资料与当前任务有关；手脚是工具，它可以操作浏览器、读取文件、运行代码等。这些东西组成了基本的Agent。在此基础上，再给它开放权限、加入各种技能、引入到公司的工作流中等等，相比Chat时代类似顾问的角色，Agent完全成为了生产力工具。而一旦成为生产力工具，市场就必然愿意付费了。
最先将这条商业化路径跑通的，是编程领域。用过这些Agent，比如WorkBuddy、Trae或Codex的朋友，应该都会发现一个有趣现象：这些Agent的界面非常相似，都是三栏布局。左侧是文件夹，中间是工作区，右侧是产物展示。最早将这个界面发扬光大的是Cursor。简单来说，Cursor就像是程序员的Word，旁边放了一个AI编程助手。你只需告诉它“我要改什么”，它可以直接阅读项目、修改代码、排查错误。但Cursor本身没有强大的模型，只是一个优秀的壳。转折点发生在2024年6月，Anthropic发布了Claude 3.5 Sonnet，这个模型在编程方面碾压了当时的GPT-4o。Cursor与Claude 3.5 Sonnet的组合，直接让写代码的体验从“人工智障”变成了真正的帮手。正是这个组合，不仅让Anthropic靠着天量的API调用赚翻了，更向全行业证明了编程在商业上的价值，同时也让这种三栏界面加大模型的组合，成了后面办公Agent的标准范式。因为说到底，不管是编程、写作还是制作PPT，工作的底层逻辑是非常相似的。现在市面上各种售卖如何使用WorkBuddy的课程，其实不如理解这个逻辑，学会了一个，其他自然就会上手。
至于为什么是编程最早被验证，一个原因当然是程序员天然离AI最近，最容易理解这套逻辑。另一个是相比文章写得漂不漂亮，PPT做得好不好，编程的目的更容易被判断。当编程Agent开始节省程序员大量时间，订阅费就不再像Chat的问答模式那样难以解释。企业和用户购买的不再是聊天，而是可以计算的生产力。这就是Chat和Agent在商业上的根本差别。
当然，Coding Agent对模型能力的要求非常高。但对于办公Agent来说，其实未必每一项工作都需要最顶级的复杂推理。大多数办公任务，可能就是整理文件、把会议纪要变成任务清单、写写周报、核对表格数据、批量处理资料、制作PPT等等。这些工作不容易，尤其是一些涉及业务判断的地方。但是，这其中存在着大量重复性、标准化的步骤，最后人只需要验收就行。所以对于这批任务来说，只要一个模型能跨过基本线，能做到找到文件、操作软件，然后交付结果，那么产品和生态的权重就会快速上升。而这里，就是办公Agent角逐的战场。
WorkBuddy其实就是个很好的案例。腾讯的大模型是混元，但WorkBuddy并非混元团队独立做出来的，而是起源于腾讯云开发AI代码助手的团队。这个产品最早叫CodeBuddy，但团队发现公司很多人并不拿它写代码，而是用来办公，于是把架构平移到了WorkBuddy，并在今年3月公测，很快就占领了办公Agent市场。腾讯能这么早转型成功，我个人觉得，反而跟它的大模型没那么强有关。腾讯最早推出元宝时，混元这个模型还非常不成熟。所以等DeepSeek-R1大爆的时候，元宝很快就接入了DeepSeek，迎来了一波产品增长。腾讯不需要死守着自家模型，相反可以为了产品的增长，欢迎接入更多的模型。在编程领域也一样，程序员最终会跟着最强的模型走，而不是留在壳上。因为模型不强，腾讯也压根没啃下什么编程市场，基本都是内部使用，所以转型成办公也没什么压力。最终，WorkBuddy出现，采取了支持多种模型的产品形态。简单来讲，腾讯打造出了一个不错的身体，并且允许用户随意切换大脑。这个方向，意外成为了腾讯最擅长做的事，可以说是腾讯的甜蜜点。
为什么这么说呢？因为现在大模型能力日新月异，很快大部分模型就突破了大多数人办公需求的基本线。大脑可以外接，但是对身体来讲，整个生态未必能速成。办公Agent所需要的人与人的连接、知识库、文档功能等等，恰好腾讯全都有。甚至腾讯文档这种产品，在接入办公Agent以后，或许都能起死回生。其实目前腾讯的生态，跟谷歌是最像的。谷歌账号是很多软件的登录账号，微信也是。谷歌有谷歌文档，腾讯也有。谷歌有NotebookLM，腾讯有ima。谷歌的大模型Gemini现在处于掉队状态，而腾讯的混元压根也没跟上过。唯独就是，谷歌在开发Agent产品上，实在太慢了。
字节跳动在这点上，跟腾讯刚好有点相反。豆包当然很有优势，3.28亿月活，在C端市场可以说秒杀元宝，是个巨大的流量入口。同时，字节的seed模型、飞书、火山引擎等等，生态完全不输腾讯。但豆包有一个问题就是，它在Chat时代太成功了，以至于大部分用户已经将它定位成一个Chat产品。过去几年，豆包在聊天陪伴、实时语音这些轻量玩法上做得非常成功，甚至很多老人都开始使用。他们无所谓哪个模型，就是知道有什么事先问豆包。这些使用方式给豆包带去了巨大的日活，但也塑造了它的产品心智：用户打开豆包，首先想到的是问它点什么东西，而不是交给它一个任务。这个现象也体现在豆包收费以后。今年6月，字节正式推出“豆包专业版”，但大部分用户都没理解这个产品为什么需要付费，以及专业版跟平时聊天的豆包有什么区别。这也是为什么在7月底，字节急着把豆包和飞书大合并。只有把飞书这个纯粹的办公产品，与豆包结合起来，才有可能在办公Agent赛道继续竞争。
在这点上，腾讯、阿里、字节，三家做出了共同判断：那就是结束赛马，把所有产品、资源尽量收拢到同一个办公Agent上。因为大厂发现，AI竞争的基本单位，已经变了。Chat时代，模型团队只要交出一个更好的模型，前端产品就能很快感受到提升。但在Agent时代，必须打通模型、工具、数据、权限和交付多个环节，才能变成用户想获得的结果。因此，办公Agent的战争，也成了一场组织能力的总决赛。
三家各有优势。字节有最好的视频模型，有抖音、豆包的流量，有飞书的企业协作，火山引擎等等。阿里同样也不缺：千问模型、钉钉的组织关系、阿里云企业用户，再加上电商、支付、本地生活服务等等，同样拥有非常丰富的任务工具。腾讯的WorkBuddy暂时领先，本身又有企微和微信入口这个天然优势，当然微信最终会开放多少，是否愿意让Agent完全接入（不算openclaw），还要另说。所以三家谁胜谁负，还犹未可知。
办公Agent的爆火，也带动了网上各种课程。现在乱七八糟教你怎么用WorkBuddy的，用Codex的，卖skill的等等，动不动就是“惊呆了”、“颠覆行业”、“必须学会使用这个”。我这里其实也想分享三个经验，只针对还没怎么使用这些AI工具的朋友，大家姑且一听：
第一，不管哪家的办公Agent，先下载一个下来用用。大部分办公Agent的操作大同小异，用会一个，其他自然就会用了。我并不想散播焦虑，但在AI时代，掌握一下Agent的使用技巧，我认为还是有必要的。
第二，下载一个Obsidian。暂时不用去细究怎么使用，就记住它是你的知识库。你和AI交流出的有价值的东西，交付出你认为日后可以复用的东西，先保存在Obsidian再说。至于如何整理，完全也可以交给AI。
第三，不要买任何课程。AI最好的地方就是你可以问它任何问题，包括如何使用它自己。把自己的目的和工作内容告诉AI，让它帮你规划，比网上任何一节课都有用。
最后，WorkBuddy暂时的领先，意味着腾讯会在Agent时代再次领跑吗？我觉得未必。或者换个问法，Chat时代结束，但Agent时代就是终局吗？真不一定。我们可以看到的是，目前AI还处于一个高速发展的时期。无论是大模型还是产品，都在以月度、季度的时间在迭代。Gemini去年我还觉得是唯一真神，今年谷歌仿佛就成了AI圈外人。从Chat到Agent，也不过意味着，我们从信息交互进入了任务执行的时代。如果我们假设一个终局：任何人类可以在电脑上完成的事，AI都能完成，并且完成得更好。那么，AI最后可能就像是许愿机一样。既无人关心背后的模型是什么，也无所谓调用什么工具。只要告诉它，我要一条IC实验室的内容这一件事，它就几分钟内生产出来了。或许到了最后的最后，甚至把电脑这个限定条件，都可以拿掉：任何人类可以完成的事，AI都能完成，并且完成得更好。