同一个脑子，不同的身体：桌面办公智能体全景拆解

起因是一张榜单：AI 办公智能体总榜，前二十名挤满了 WorkBuddy、千问办公、豆包工作、纳米 Work 这样的桌面软件。一个自然的疑问冒出来------这些产品用的大模型高度趋同，那到底怎么区分谁更好？

这篇博客回答这个问题。答案的骨架一句话：模型决定脑力上限，软件决定事情能不能做完。剩下的篇幅都在拆这句话。

写作约定：①所有产品事实均来自公开资料（官方文档、发布会、第三方拆解），来源性质分三层标注------【官方】【拆解】【推断】；②数字类（用户量、Skill 数量）全部为厂商或榜单口径，不代表独立核实；③面向概念理解，零代码。

0. 这篇博客讲什么、给谁看

一句话定位：桌面办公智能体（让 AI 直接在你电脑上干活的软件）是一个新物种------它不生产智能，智能是租来的（调大模型 API）；它自己的代码，几乎全部花在"围绕这颗租来的脑子搭脚手架"上。本文拆解这套脚手架的七层结构、十个对比维度、一套同模型评测方法，最后拿公认"好用"的一款产品做案例解剖。

先用人话把这个品类说清 ：你对着它说"把这份销售数据整理成带图表的分析报告，输出成幻灯片"------它自己读文件、分析数据、画图表、生成文档，最后把文件放进你指定的目录。不是给你一段文字让你自己粘，是直接把活干完、把产物交出来。这就是"智能体"和"聊天机器人"的分界。

给谁看：

读者	读法
想选一款办公智能体的普通人	通读 §1 破除迷思 + §6 选型清单，中间技术章节扫图即可
想理解这类软件怎么造的工程师	重点 §2 七层技术栈 + §3 十维对比
想做对比评测 / 写分析的人	重点 §4 同模型双指标实验设计 + §5 案例解剖方法论

贯穿全文的实证对象：六款 2026 年在榜的桌面办公智能体------WorkBuddy（腾讯）、千问办公（阿里）、QoderWork（阿里 Qoder 系）、纳米 Work（360）、豆包工作（字节）、扣子桌面端（字节）。编程专用工具（Trae 等）不在讨论范围。

1. 先破题：榜单很热闹，但它们用的模型都差不多

1.1 问题本身就是一个时代信号

"用相同的模型怎么区分谁好"------这个问题能被问出来，前提是模型真的趋同了。2026 年的国产大模型格局：头部几家的旗舰能力被迅速拉平，且多数产品支持接入第三方模型（智谱 GLM-5.3 宣布开源权重、开放兼容接口就是最新注脚）。当一个零件可以被所有人以接近的价格买到时，竞争就必然转移到零件之外。

通俗例子：发动机马力相同时，没人再比谁的发动机强，比的是变速箱调校、底盘、油耗、安全性。F1 和家用车可以装同款量产发动机，开起来完全是两回事。

1.2 榜单数字要先做一次去噪

看榜单前列的月活和环比，有三类数字需要分别解读：

数字	实际在说什么
某产品 1187 万月活断层第一	大厂入口位分发带来的规模------生态位红利，不直接等于产品力
某产品环比 +160%、+324%	发布脉冲（七月末八月初集中公测 + 发布会推广）------事件驱动，看三个月后能否守住
某产品环比 -47%、-45%	用户来了没留住------留存警报

1.3 榜单里藏着一个自然实验

单看一款产品的涨跌说明不了什么，但同一家公司、同一套渠道资源的多款产品，命运可以天差地别：

如果"好用"只是分发红利，同一厂商的兄弟产品应该一起涨。实际是分化剧烈------分发能解释规模，解释不了留存。在千万级月活基数上还能保持正增长，只能来自真实的产品留存。这个"同厂对照"读法是看一切榜单的通用技巧：找同母体多胎的对照组，规模变量被天然控制住，剩下的差异就是产品本身的差异。

1.4 结论与路线图

所以"哪款最好"这个问题需要先改写一次：没有全场最好，只有"在哪类任务上、对哪类人、按哪个维度"最好。本文的路线：先把这类软件拆开看结构（§2），再按维度对比（§3），然后给出一套把对比变成分数的实验方法（§4），最后解剖公认好用的一款验证方法论（§5）。

2. 拆开一个桌面智能体：七层技术栈

2.1 先回答最常见的疑问：没有 RAG，它的核心是推理吗？

很多人（尤其是了解过知识库问答产品的人）会带着一个预设来看这类软件："AI 应用的核心不就是 RAG 加推理吗？"两个都要修正。

RAG 去哪了。知识库问答产品的软件是围绕"找资料"建的：检索管道（切块、向量化、召回）是主梁，模型是末端念答案的嘴。而智能体范式下，软件围绕"把事做完"建------模型自己决定"我需要读哪个文件、查不查资料"，检索被降维成了工具箱里的一把锤子：需要时才拿，不需要就不碰。

更本质的原因：办公任务的知识不在公网语料里，而在你的电脑里。你让它分析的那份 Excel、那份合同，直接读进上下文就是百分之百准确的"检索结果"，比任何"切块-向量化-召回"管道都直接。所以这个品类里 RAG 没有消失（各家接的企业知识库连接器底层照样是检索），只是从主梁退成了地基里的一根钢筋------它不再定义产品。

推理是核心吗 。推理确实每一步都在发生，但它是租来的能力 ------调一次模型 API 收一次费，谁都能租。产品本体是围绕这颗租来大脑搭的"身体"：心跳节律（循环）、手脚（工具）、工作记性（上下文）、长期经验（记忆）、门禁工牌（权限）、交付规范（产物生成）。模型决定脑力上限，身体决定这件事能不能真正做完。

一句话给出判断公式：桌面智能体 = 租来的大模型 × 自建的运行时（Agent Runtime）。这个"运行时"的内部结构，就是下面要拆的七层。

2.2 七层全景

从下往上，每层说清"是什么、为什么必须有、难在哪"。

2.3 第〇层与核心层：租来的脑子，和真正的心脏

模型接入层（最底层，虚线画的） ：脑子是租的。这一层干的是"网关"的活------管理模型 API、多模型配置、流式响应、超时重试、故障降级。已取证的形态：某产品用一个配置文件同时挂多个模型、按任务动态路由【拆解】；另一家宣称集成十六家大模型【官方】。当模型可以像插头一样换来换去，它就"商品化"了------模型越卷越便宜，这类产品成本越低。这是理解后续所有差异的第一个前提。

智能体核心循环层 ：这是回答"核心是什么"的最终答案。剥掉所有营销词，所谓智能体就是一个循环：

arduino 复制代码

while (任务没完成) {
    推理一次（带着当前全部上下文问模型：下一步干什么？）
    → 模型回答：调某个工具 / 直接给结果 / 放弃求助
    → 执行工具，拿到结果
    → 把结果追加进上下文
    → 检查：目标达成了吗？出错了要不要换路？
}

学术名字叫 ReAct（推理与行动交替）。三个关键认知：

每一圈循环都是一次完整的模型调用，每次都携带全部上下文。一次任务可能转 3 圈，也可能转 30 圈【官方口径有宣称支持千步连续执行的】。这直接引出 §4 的成本乘数问题。
循环里的"检查"环节是产品力的分水岭。差的 agent 一条路走到黑，错了继续错；好的 agent 会观察工具返回值、发现异常、换策略重试。这叫错误恢复能力。
停机条件是个产品决策：什么时候算干完了、谁来验收------这是智能体与聊天机器人的分界：聊完最后一个字就结束的叫聊天软件，必须产出可验收交付物才停的才叫办公智能体。

2.4 上下文工程层：工作记性怎么装配

模型的上下文窗口就是它的工作记忆，每轮循环都要重新装配一次。窗口里抢位置的常驻租户有六大件：

成分	作用	特点
系统提示词	定义角色、行为边界	常驻，每轮都在
工具菜单	所有可用工具的名字加参数说明	常驻，隐性成本大头
记忆注入	用户偏好、项目规则	常驻或按需
工具结果回填	上一轮读的文件内容、查询结果	体积最大的爆点
对话历史	之前的讨论	随轮次线性增长
任务规划	智能体自己写的待办清单	小而关键

两个工程要点：

工具菜单是常驻成本：每装一个技能或连接器，它的"说明书"就占掉一段窗口，且每一轮推理都重复付费。工具装得越多，选错率越高、基础消耗越大------这就是为什么各家工具生态都在讲"按意图路由"而不是"全量摊开"（§3.2 展开）。
文件内容怎么进上下文，是桌面智能体的第一工程难题：让 agent 读一个 50MB 的 Excel，全量塞进窗口会瞬间爆炸，所以各家都做了结构化抽取------先看表头、行数、采样行，再决定读哪部分。

2.5 执行与工具层：六只手

模型只有嘴，不能碰你的电脑。这层给模型装手：

手	干什么	特点
文件手	读写授权目录里的文档、表格、PDF	全员标配
界面手	截屏 → 视觉识别界面 → 注入鼠标键盘事件	最后的通用性：任何软件都有界面，有界面就能被操作。代价是慢而脆------像素级依赖，界面一改版就失灵【某产品官方明确主打此能力，另一家被实测报道为亮点】
浏览器手	自动导航网页、填表、提取数据	两条技术路线：协议路线（直接操作页面结构，快而准）与视觉路线（同界面手，慢但通用）
命令行手	执行脚本，通常配沙箱	某产品官方口径："命令优先在沙箱约束下执行"
连接器手	对接具体外部系统的接口封装（邮箱、网盘、文档协作、项目管理）	接口级确定操作，与界面手的"模拟人手"形成确定性与通用性的对偶
协议手	用标准化协议（MCP）统一接入第三方能力	某产品已做到可视化配置，且区分全局与项目级两种作用域【官方】

手脚的数量决定能干活的范围，手脚的类型决定能干活的性质。

2.6 其余四层速览

记忆层：五级记忆体系，各家差异最大的一层，§3.3 单独展开。

治理层（横切）：权限半径越大，治理越重。已取证的样本策略：默认最小权限；写敏感路径、删除文件、批量删除、执行脚本、网络访问这几类动作要二次确认；删除走回收站；连接器独立授权、不超出用户已有权限【官方】。

交付物渲染层：模型只产文本和结构描述，真正把文件"画"出来的是这层的生成引擎。这一层的成熟度直接决定"交付物能不能直接用"，是办公场景的独有层------聊天软件没有这层。

客户端壳层 ：桌面应用本体。为什么这个品类必然是桌面形态？因为权限半径------网页碰不到你的本地文件、已登录的客户端软件、桌面界面。桌面端的存在理由就是"更大的手脚半径"，代价是更大的安全焦虑：所以执行层和治理层是一对跷跷板，好产品是"半径大且管得住"。

2.7 一个必须建立的总体认知

这些产品约八成的代码在模型之外。模型同质化之后，竞争的全部筹码都在模型之外的六层里。接下来 §3 按维度对比，比的全是这些层。

3. 十维对比：同模型时代比什么

先上总表（表中"---"表示公开资料未见明确披露，不等于没有；所有数字为官方或宣传口径）：

维度	WorkBuddy	千问办公	QoderWork	纳米 Work	豆包工作	扣子桌面端
底座策略	开放多模型	自家四档	自家系	聚合十六家	自家系	自家系
调度	强规划+快执行	档位即预算	---	蜂群调度	---	---
编排范式	路由+技能市场	交付导向	---	蜂群	交付导向	平台编排
记忆押注	五级最完整	生态记忆	个人记忆	---	组织记忆	---
手脚生态	七万技能	全能	界面操控主打	五万技能	界面+组织深接	本地/云端双形态
计费	积分制	订阅+档位	积分共享	---	---	---
运行形态	本地+IM遥控	三端	本地	本地	本地	本地/云端双形态

下面挑权重最高的六个维度展开。

3.1 模型底座策略：绑定还是开放

两条路线的分岔：

绑定自家模型 （千问办公、豆包工作、QoderWork）：成本内部可控、可以做"模型-产品"联合优化（窗口长度和上下文装配策略深度耦合）、档位分层方便变现。千问办公的四档位（经济/基础/高级/旗舰）本质是把推理成本做成了产品功能------用户在界面上选的不是"模型"，是"这一次任务的智力预算"【官方】。风险是被单一模型的上限锁死。
开放多模型（WorkBuddy、纳米 Work）：吃"模型商品化"红利------行业模型越卷它越强。WorkBuddy 的公开形态是多模型配置文件按任务动态路由【拆解】。代价是优化只能做到"接口级"而非"模型级"。

一个耐人寻味的观察：同一家大厂在榜上同时压两条线（阿里既做千问办公又做 QoderWork），大厂内部赛马本身就说明这个品类还没有收敛出标准形态。

3.2 编排范式：三种流派

蜂群派（纳米 Work）：领队智能体把复杂需求拆解为子任务，分配给多个工蜂智能体执行，最后汇总【官方】。360 还模仿自动驾驶做了分级叙事（宣称达到"四级多智能体蜂群"），周鸿祎的论点是"推理型智能体干不了更复杂的任务，蜂群是推理型智能体之上的升级"【官方】。

路由市场派（WorkBuddy） ：这是第三方拆解里最有信息量的一块【拆解】------它不是 "主智能体指挥子智能体"的主从结构，而是"购物中心"结构：门口一个导购台（路由层），楼里几万个独立店铺（技能）。路由分四层：意图分类 → 技能调度 → 技能内部子路由 → 执行。每个技能是自包含的迷你智能体（自带路由规则、工具、执行逻辑），上架时不用改路由层一行代码，只靠描述字段声明"我能处理什么"，像搜索关键词一样被自动匹配。

交付流水线派（千问办公、豆包工作）：围绕"一句话 → 交付物"组织流程，多智能体概念弱化，强调任务拆解的确定性。

这一维最精彩的实证（来源：第三方对某产品项目模式的实测【拆解】）：让智能体写一份产品需求文档------

创作阶段全程只有一个智能体在干活 ，不拆计划、不分角色，一个人从头写到尾；但进入评审阶段，系统自动拉起三个专家智能体（合规审查、技术评审、交互评审）并行工作，各自从专业视角审同一份文档，最后汇总 54 个问题，其中 16 个阻塞项。

这个"创作单兵、评审群攻"的实测揭示了一条反直觉的工程判断：

多智能体的价值不在"一起干活"，而在"交叉校验"。 让一个智能体保持上下文一致性从头写完，比多个智能体分工拼接靠谱（拼接会丢上下文、风格断裂）；而多视角的价值恰恰在发现单一视角的盲区。AI 分工要分在"审"，不要分在"写"。

3.3 记忆模式：它到底记得住什么（差异最大的一维）

以公开体系最完整的 WorkBuddy 为解剖样本（其他家公开披露多停留在"有记忆"层面）【拆解】：

层级	存什么	跨什么
会话记忆	当前对话的上下文	---
任务记忆	本次任务的历史讨论与中间结果	跨对话轮次
工作空间记忆	当前项目的每日进展、决策、待办	跨任务
用户记忆	个人偏好、习惯、关注领域	跨项目
账号记忆	用户画像与授权配置	跨设备（云端托管）

三个教学点：

记忆的两种技术形态：文件型（按日记录的工作日志、用户手写的显式规则文件------人可读可改可审计）vs 数据库型（任务状态库------结构化但不可读）。成熟产品两者都用：任务状态进库、经验沉淀进文件。
自动提炼 vs 显式规则：自动记忆是模型从会话里定期抽取的偏好，省心但不可控；用户手写的规则文件（类似"我的协作守则"）可控但要维护。两者并存是当前最优解。
个人记忆 vs 组织记忆的分野------这维各家站位截然不同：
- 押个人记忆的产品（QoderWork 官方把这层做成产品卖点：跨会话记忆与协作风格个性化，持续学习你的偏好与工作习惯【官方】）；
- 押组织记忆的产品（豆包工作接飞书后能调用聊天记录、文档、会议纪要、日程，"基于企业上下文"干活【官方】）；
- 押生态记忆的产品（千问办公深度接钉钉，组织关系即上下文【官方】）。
同一颗模型，"认识的是谁"完全不同：认识你这个人，还是认识你的公司。这是产品定位的分岔口，不是技术高下。

3.4 执行生态：七万技能的含义

某产品技能市场已收录超七万个技能、上线两个月累计下载破三千万次；另一家宣称五万智能体加五万工具技能【均为官方口径】。数字要打折，但架构含义值得认真对待：

技能生态的本质是"能力扩展权从平台方转移到使用方"------企业自己写一份技能文档配上脚本，就能把团队标准流程固化成一个"懂业务的专家"，与官方技能在路由层平权【拆解】。护城河随之从模型层挪到资产层：用户沉淀下来的技能、流程模板、连接器配置，用得越久越换不走。这不是"用户粘性"，是"组织粘性"------前者是偏好，后者是资产负债表。

配套的风险提示同样重要：第三方技能以使用者本人身份执行，恶意技能等于你亲手干活；平台级安全认证保的是平台，不保你从社区装的每个包【官方风险提示】。

3.5 运行形态：本地与云端的权衡

扣子桌面端给出了这个维度最清晰的对照------同一个产品，两种执行位置【官方文档】：

本地智能体：跑在你的电脑上，复用真实环境（你登录的软件、你的文件），你关机它就停。
云电脑/云手机：跑在字节的云端虚拟环境里，不依赖你的电脑开机，适合长任务和无人值守自动化。

WorkBuddy 的 IM 遥控是第三种形态：手机微信发指令 → 你家里开机的电脑执行 → 结果回传。注意它是**"远程遥控"而不是"云端运行"**------任务仍在本地桌面执行，电脑必须保持开机。

三种形态背后是同一个权衡：执行位置 = 数据边界 × 续航能力。放云上能 24 小时跑，但你的文件得上去；留在本地数据安全，但受制于你的开机时间。

3.6 安全与数据边界：最容易被误解的一维

一个必须澄清的常见误解。某产品官方 FAQ 的问答【官方原话】：

问：我的文件会被上传到云端吗？答：文件操作在本地完成，但为了实现 AI 理解和分析，相关文本内容会发送至大模型 API 服务商。

这就是"混合架构铁律"："文件不出你的电脑" ≠ "文件内容不出你的电脑"。所有桌面办公智能体都是"本地执行 + 云端推理"------文件本体留在本地，但智能体读到的内容必须发给模型 API 才能被理解。选型时问清楚的就该是这一条：内容发给了谁、存不存、留多久。

4. 同模型对决：把对比变成分数

前三节是"看架构"，这一节是"出分数"。固定模型之后，模型智力变成常量，测出来的所有差异百分之百归因于软件脚手架------这是对"软件本体"最干净的测量。

4.1 先修前提："用相同的模型"没有听起来那么容易

三个陷阱，层层递进：

陷阱一：封闭产品根本换不了脑。 深度绑定自家模型的产品，模型档位本身就是产品的一部分，不让换。真正能"换脑"的是支持自定义模型接入的产品。

陷阱二：同名模型不同部署。 量化档位、默认参数、产品自己注入的系统提示词，都会造成"同模不同魂"------你在 A 产品里用的模型和 B 产品里的，可能只是同一个名字。

陷阱三：自动路由会偷换模型。 自动模式下"规划用强模型、执行用快模型"的调度策略，意味着你以为全程同一个模型，实际只有关键轮是。严格同模型实验必须锁死模型档位、关掉自动路由。

这也是为什么 GLM-5.3 这样的开放模型成了做这类实验的理想素材：兼容标准接口、百万级上下文窗口、宣布开源权重【官方】------模型变量可以被物理锁死。

4.2 指标一：结果质量------质量不取决于模型多聪明

一句话原理：

质量不取决于模型有多聪明，取决于每次推理那一刻，窗口里装的世界有多对。

同一个任务（读销售数据出分析报告），两个产品走到第三轮推理时，窗口内容的对比：

窗口成分	差脚手架	好脚手架
任务理解	字面转述"做个报告"	补全目标、受众、格式、验收标准
数据进窗口的形态	前几千行原始堆砌	表头 + 行列数 + 统计摘要 + 采样行
工具选择	通用工具碰运气	路由直接命中行业流程
出错之后	同一命令重试三次	读报错信息，换策略
交稿之前	写完就交	多视角交叉校验
记忆	无	知道你"汇报先结论后过程"

同一个模型，看到的"事实"不同、可选的动作不同、被要求的产出标准不同------质量差异不是玄学，是上下文工程的差异，每一行都能对应到七层架构的某一层。

质量的度量方法：三维裁判打分（结构完整性 / 内容准确性 / 可直接使用度）+ 一次通过率 + 人工修改量。其中"可直接使用度"是办公场景的独有指标------交付物要"能交差"，改几个字就能用和从头重写是两个世界。

任务集设计的关键提醒：纯问答任务区分不出产品 （同模型下差异只剩系统提示词）。要专挑"脚手架任务"------读文件、跨应用、多步骤、会出错的。另外"相同的问题"要升级为"相同的任务 + 相同的输入文件"，没有文件的任务摸不到脚手架。

4.3 指标二：token 消耗------账单是乘出来的

消耗的数学结构：

lua 复制代码

总消耗 = Σ (每轮 input + 每轮 output)
每轮 input = 常驻底座（系统提示词 + 工具菜单 + 记忆注入）  ← 固定成本，每轮重复付费
         + 历史累积                                        ← 随轮次线性增长
         + 当轮工具回填                                    ← 体积爆点

六个杠杆，每个都有产品实例支撑：

杠杆	机制	差距量级
轮数	最大乘数：路由命中流程五轮走完，裸循环摸索二十轮	三到五倍
常驻底座	工具菜单每轮重复计费；好的路由只把命中项带进主窗口	一到两倍
工具回填	五十兆的表格：全文堆砌 vs 表头采样加统计	最高百倍
历史管理	全量回放 vs 摘要压缩（长任务的通病是"上下文雪球"）	二到十倍
缓存命中	前缀稳定享大幅折扣，token 不变、实际费用差数倍	数倍
输出废话率	车轱辘话按更贵的输出价计费	一到两倍

缓存专述------最隐蔽的一环。主流模型 API 普遍提供前缀缓存：请求前缀与上次一致时，命中部分按大幅折扣计费。两个推论：

只追加不改写的上下文装配天然保持前缀稳定，存量部分走折扣、只有增量全价------装配顺序有没有为缓存设计，用户看不见，账单看得见。
反直觉推论：激进的历史压缩可能反而更贵。压缩要改写前缀 → 缓存全部失效 → 省下的 token 没抵过失去的折扣。压缩策略必须在"省 token"与"保缓存"之间找平衡------这是各家配方里最精细的部分，也是最不可能公开的部分。

4.4 数字账本：六点六倍差距怎么来的

同一个任务（读销售数据 → 分析报告幻灯片，全程同一个旗舰模型），两种脚手架的账：

	产品 A（裸循环）	产品 B（路由+结构化回填）
轮数	18	6
平均每轮输入	9k（历史雪球）	3.5k（结构化回填+压缩）
输入合计	162k	21k
输出合计	9k	5k
总计	约 171k	约 26k

同模型、同任务，六点六倍差距------全部来自脚手架。（注：此为按公式构造的示意账本，用于展示杠杆的量级叠加，非实测数据；实测方法见 §4.5。）

4.5 两个指标怎么合成：单位成功成本

质量排第一是有经济学理由的：

失败的任务是最贵的任务 ------三十轮烧完没交付，token 全部沉没、价值为零。而低质量比零价值更糟：错误的分析报告是负价值，你要花时间发现它错、纠正它、重建对它的信任。

所以合成指标不是"谁最省"，而是：

单位成功成本 = 总消耗 ÷ 验收通过的交付物数

三个推论：①质量是价值指标、成本是效率指标，价值优先------省一半 token 但任务失败，效率再高也没有意义；②评测要找的是帕累托前沿上的产品（最省的省到任务失败、最强的烧出过度工程，都在前沿之外）；③任务长度会改变排名------短任务拼底座效率，长任务拼循环效率，任务集必须覆盖短中长三档。

实测协议与最大障碍 ：锁死模型档位、关自动路由、同机同账号冷启动、同任务集同输入文件、每任务跑三次取中位数；过程指标记轮数/耗时/人工干预次数，结果指标记三维分+一次通过率+全账。最大实操障碍是产品不给看 token 表------积分和 Credits 都是换算后的黑盒。变通办法只有一个：开放产品自带模型 Key，去模型厂商控制台看真实账单。这本身就是一个发现：

能让你看见 token 账单的产品，才配谈帮你省钱。 可观测性不是附加功能，是成本优化的前提------连消耗都不透明，它的"高效"只是营销话术。

5. 案例解剖：为什么都说那款产品好用

方法论最后一环：拿"公认好用"的 WorkBuddy 当标本，验证前面整套框架的解释力。

5.1 先审计"都说"------证据分三层

第一层：声音层（最不可靠）。网上"好用"的声音相当一部分要打折------最有信息量的那篇架构拆解出自该产品企业版的授权代理商（卖它赚钱的）【来源审计】。官方口径的"七万技能、三千万下载"同理，数字可用但必须标注来源性质。

第二层：榜单层（半可靠）。千万月活断层第一，可以归因于腾讯系的分发位。规模说明很多人用，不说明好用。

第三层：留存层（最硬的证据，就藏在 §1.3 的自然实验里） 。同一家公司、同一套渠道资源的三款产品：WorkBuddy 千万月活还正增长 6.5%，兄弟产品一个跌 47%、一个跌 42%。分发能解释规模，解释不了留存------这组同门对照数据说明红利只是入场券，留存是自己挣的。

5.2 核心论点：它是"确定性工程"做得最好的

前置认知：大模型是概率系统，而办公场景惩罚方差远大于奖励峰值 ------一次惊艳加三次抽风，不如四次都及格。你敢把季度经营报告交给一个"大概率能行"的实习生吗？办公工具的核心诉求不是聪明得惊人，是稳得敢托付。

WorkBuddy 的设计可以概括为一句话：在概率系统里尽可能多地嵌入确定性组件：

环节	概率做法（差产品）	确定性组件（WorkBuddy）
任务分发	裸智能体自己探索，每步掷骰子	路由层：意图分类→技能调度→执行
执行流程	现场推理每一步怎么做	技能包：验证过的流程固化，照标准走
系统操作	界面模拟（点错、等加载、改版失灵）	连接器：接口级确定操作
危险动作	赌模型自觉	六类高危动作二次确认 + 命令沙箱 + 删除走回收站
结果交付	说完就完	结果区验收：产物、文件变更、执行过程可见可查

用户嘴里的"稳""靠谱""不整活"，翻译成工程语言就是这张表。

5.3 工程血统：为什么是它先跑出来

一个容易被忽略的结构性原因------WorkBuddy 官网的自我介绍：它是腾讯云代码助手（CodeBuddy）团队推出的办公产品 。它不是腾讯文档团队或微信团队做的，是编程智能体团队外溢的产物【官方】。

这一点很关键：编程赛道是智能体运行时技术的练兵场------文件读写、工具循环、沙箱执行、diff 验收这些技术，全是在编程智能体里被逼成熟的（编程任务容错率最低，工程不硬活不下来）。把这套成熟工程搬到办公场景是降维。QoderWork 走的同一条路（编程平台 → 办公助手）【官方】。对比另一条血统：模型公司系产品（千问办公）吃自家模型红利，工程完成度要靠自己补课。

同一颗模型装进不同血统的身体里，走路的稳当程度天然不同------脚手架决定下限，模型只决定上限。

5.4 平衡：它没好到哪去的地方

硬核分析不能只有夸，批评点同样有据可查：

"遇强则强"------第三方对比测评的原话："AI 执行任务的效果，结果完全取决于个人如何描述任务"【拆解】。同一产品，会写任务描述的人用出 90 分，不会写的人 40 分。它放大的是使用者的任务定义能力，这是真实门槛。
强项不均匀------同一篇测评：深度研究报告场景"完胜"，但并非全面领先【拆解】。深度报告是它的主场（长任务+多文件+可验收），短平快场景优势不明显。
第三方技能是真实风险------技能以使用者本人身份执行，平台认证不覆盖社区装的每个包（§3.4 已述）。
生态绑定是双刃剑------官方连接器链（QQ 邮箱、腾讯文档、TAPD、微云）对腾讯生态用户顺滑，对钉钉/飞书重度用户价值打折------这类用户换别家反而更顺。
IM 遥控的前提是电脑开机------它是远程遥控不是云端运行（§3.5 已述），扣子的云电脑形态恰好补这个缺。

5.5 方法论收口

"为什么 X 好用"是最容易写成公关稿的题目。本文的三步结构天然免疫软文感：

来源审计 （"都说好用"？先看谁在说------经销商口径打折扣）→ 自然实验 （同厂三产品分化，分发解释不了留存）→ 框架解剖（确定性组件清单 + 维度定位 + 批评边界）。

读者看完学到的不是"某产品好用"，而是以后任何一款产品摆在面前，都知道怎么自己判断。

6. 收束：选型清单与判断框架

6.1 回到最初的问题

"用相同的模型，怎么区分哪款最好"------现在可以正面回答了。同模型时代，十个维度就是十个比较级，其中权重最高的四个：

上下文管控------同模型下，装配策略直接决定"聪明程度"的观感；
记忆模式------第一次用谁都不行，第十次与第一次的差值才是产品差距；且要问"它认识的是我还是我的公司"；
执行半径与治理------能碰到多少东西 × 出事拦不拦得住，必须一起打分；
编排范式------蜂群很炫，但"创作单兵、评审群攻"的实证提醒：多智能体的真实价值在交叉校验，不在人多势众。

6.2 选型前可直接问的六个问题

问题	在考察什么
任务失败时它会自己换路还是死循环？	错误恢复能力（核心循环层）
第二次做同类任务快了多少？	记忆增益（记忆层）
敏感操作有没有拦截？删东西能不能找回？	治理层
你的经验能不能沉淀成它可复用的资产？	生态机制（长期粘性）
关掉电脑它还能不能干活？	运行形态
它消耗的 token 你看得见吗？	可观测性（成本优化的前提）

6.3 一句话总纲

桌面办公智能体 = 租来的大模型 × 自建的运行时。模型决定脑力上限，运行时决定事情能不能做完------而当所有产品租得起同一颗脑子时，你选的从来不是模型，是那个身体。

附：来源与口径说明

事实	来源性质	说明
榜单 MAU 与环比	榜单口径	AI 产品榜办公智能体总榜第 2 期，桌面端数据
WorkBuddy 六层产品架构、任务/工作空间/项目/记忆体系	第三方梳理（博客园架构文，基于官方公开文档）	产品逻辑架构，非内部实现
WorkBuddy 路由+技能市场架构、创作单兵/评审群攻实测、models.json 多模型	第三方拆解（企业版代理商，与官方文档交叉验证）	商业利益相关，数字打折采用
七万技能、三千万下载、140+ 专家、连接器清单	官方口径	规模数字未独立核实
千问办公四档模型、Qwen3.8 规格、钉钉深度整合	官方口径	Qwen3.8 为 2.4T 参数/95B 激活的 MoE 架构
QoderWork 八大能力、Credits 共享、文件边界 FAQ	官方文档	"文件内容发送至模型 API"为 FAQ 原话
纳米 Work 蜂群引擎、十六家模型、千步执行	官方发布会口径	宣传性质
豆包工作飞书整合、虚拟桌面操作	官方 + 媒体实测报道	2026-08-25 发布
扣子云电脑/云手机双形态	官方文档	本地 Agent 与云端 Agent 的对照说明
GLM-5.3 规格（1M 窗口/开源权重/兼容接口）	官方	2026-08 发布
六点六倍账本	本文构造的示意账本	按消耗公式构造，展示杠杆量级叠加，非实测
命名约定	本文约定	总表、案例章与来源绑定处用实名，其余章节行文泛称优先（"某产品"）