Harness决定AIAgent表现关键！华尔街实测千问办公和Workbuddy

AI Agent这次比的，不是谁最聪明，而是谁更像一个能交付的员工

　　杰富瑞最近对八款中美主流AI Agent做了一轮实测，测的不是谁聊天更像人，而是谁能把一件具体工作从头做到尾。

　　结果先把很多人的直觉打乱了：总分第一的是阿里的千问办公，95分；Claude Cowork拿到94分，Codex是92分。可如果只看背后的模型智能分，千问办公并不占优，甚至只排在第四。

　　模型能力更强，产品却未必拿第一。这个结果，可能比排名本身更值得看。

　　这轮测试选的任务也不花哨。让AI读多份文件，写金蝶软件2025年报摘要，还要标出每条信息来自哪里，遇到数字冲突不能装作没看见；让它联网查微软、Meta和谷歌的业绩与资本开支；让它真正打开浏览器，点进OpenAI官网，找到文章后生成Word文件；再做英文PPT和篮球鞋营销海报。

　　说白了，测试的是企业里那些看起来不难、真正做起来很琐碎的活。

　　很多AI在聊天框里表现得很聪明。你问它一个问题，它能给出一段完整答案。但一旦任务变成“找资料、核对、判断、操作、修改、交付”，问题就出来了。

　　它可能知道该做什么，却不知道先做哪一步；能找到材料，却分不清哪份更可靠；能写出PPT，却把数据图表做得像一张装饰；能操作网页，却在最后生成文件时卡住。

模型与Harness：AI Agent的两个关键部分

　　所以这次报告把Agent拆成了两部分：模型和Harness。

　　模型负责理解、推理和生成，Harness则负责把任务安排起来，包括指令、上下文、工具、权限、反馈和管理。这个词听起来技术味很重，其实对应的就是工作中的那些基本管理动作：任务交代清楚没有，资料给够没有，权限是否合适，出了错能不能回头检查。

　　一个聪明员工进了混乱的公司，未必能交出好结果。AI也一样。

　　报告里有一组比较有意思的数据：同一个Claude Opus 4.6，只更换外面的Harness，在Terminal-Bench 2.0上的成绩可以从58.0%提高到76.4%。Gemini 3 Pro也从56.0%提高到69.4%。

　　这说明，AI产品之间的差距，有时候并不在“脑子”里，而在工作流怎么搭。

模型依然重要，但不再是唯一

　　不过，别急着把这件事理解成“模型不重要了”。这轮测试只测了五类任务，评分方法也有自己的权重，产品版本、工具权限和操作环境同样会影响结果。Harness能把一个模型的能力发挥出来，但它不能凭空制造基础能力。

　　真正值得注意的，是AI竞争正在从“谁的模型参数更强”，慢慢转向“谁能让普通人少操心几步”。

　　这也是千问办公拿到第一的意义。它未必拥有这组产品中最强的底层模型，但如果能把文件、联网、办公软件和输出格式组织得更顺，用户最后记住的不会是模型分数，而是“这件事它真的帮我做完了”。

　　用户一般不关心模型在排行榜上排第几。用户关心的是，明早开会前，那份材料能不能交出去。

流量≠能力：Workbuddy的启示

　　Workbuddy则是另一种有意思的样本。文章提到，它6月月访问量约2100万，在中国同类Agent中排在前面，但本轮测试的隐含Harness分却在中国产品中垫底。

　　流量和能力没有同步，这并不奇怪。

　　Workbuddy背后有腾讯文档、IMA、企业微信等生态入口，用户可能是因为工作场景顺手点进去，而不是专门比较了八款Agent之后做出的选择。它还允许切换不同模型，某种程度上更像一个入口和调度平台。

　　这带来一个现实问题：AI产品到底是先把产品做好，再去找用户，还是先把用户聚拢起来，再用真实使用数据把产品磨好？

　　大厂往往走后者。入口、账号、办公生态和营销资源，都是产品能力之外的优势。短期内，这些东西完全可能比一次测评成绩更有用。可长期看，用户留下来，还是要靠它能不能稳定完成任务。

中国AI Agent的现状与挑战

　　中国Agent的优势也很清楚：超级App集成更深，Token价格更低，产品迭代更快。问题同样摆在那里：基础模型仍有差距，企业软件收费不容易，出海要重新适应另一套软件生态，高端算力也会影响服务稳定性。

　　这些都不是靠一句“国产崛起”或者“模型领先”就能解决的。

AI Agent的新阶段：从回答到交付

　　这次测试真正揭示的，可能不是Harness会取代模型，而是AI产品已经进入了一个更麻烦的阶段：会回答，已经不够；能执行，也还不够；还得知道什么时候停下来核对，什么时候承认不确定，什么时候把结果整理成一个人可以直接拿去用的文件。

　　模型决定上限，Harness决定用户能不能摸到这个上限。

　　最后，AI Agent的胜负大概不会只看谁最聪明。更现实的标准是，谁能把一次次失败记录下来，把用户的修改变成下一次的改进，再把这些改进藏进一个普通人无需理解的流程里。

　　到了那时候，用户购买的可能确实不再是一个模型，而是一套不用自己盯着的工作过程。模型在里面很重要，但不会再是全部。