WorkBuddy 生态战开打：杰富瑞实测千问办公 95 分、豆包 77 分、WorkBuddy 66 分，先发优势正被任务执行力追赶

8 月 19 日前后，多家财经媒体转述了华尔街投行杰富瑞（Jefferies）的一份 AI Agent 研究报告。报告对 8 款中美主流 AI Agent 做了真实办公任务实测，满分 100：阿里千问办公 95 分居首，Anthropic 的 Claude Cowork 94 分、OpenAI Codex 92 分紧随，Kimi Work 86 分、豆包 77 分、MiniMax Code 71 分，腾讯 WorkBuddy 与谷歌 Gemini Spark 同为 66 分垫底。

一个问题先摆出来：当流量领先者拿了最低分，护城河还守得住吗？

一、五道题，考的是「执行力」

据上海证券报、广西日报等转述，杰富瑞的测试覆盖多文件检索、联网研究、浏览器操作、PPT 制作及多模态内容生成五类场景。具体任务包括基于多份文档做公司年报摘要、联网比对企业经营数据、操作真实浏览器检索资料、根据原始数据制作英文 PPT、参照参考图制作营销海报。

ChinaBiz Insider 的英文报道进一步披露了评分拆解：杰富瑞把 Agent 拆成「模型」与「Harness（工程框架）」两层，Harness 又细分为指令、上下文、工具、边界、反馈、治理六个功能层，并采用 60% 模型 + 40% Harness 的加权口径反推各产品的隐含 Harness 分。

五道题考的不是「会不会聊」，而是「能不能交付」。这套设定，恰好把各家在模型智商之外的工程短板一次性暴露出来。

二、66 分的含金量

腾讯 WorkBuddy 拿到 66 分，与 Gemini Spark 并列末位。但口径要拆开看：易观数据显示，2026 年 6 月国内 17 款主流桌面端 AI 原生办公智能体月访问量合计约 6000 万次，其中 WorkBuddy 约 2097 万次居首（据 21 世纪经济报道）。

也就是说，流量第一、工程分垫底，出现了明显背离。ChinaBiz Insider 引述杰富瑞归因，认为这与分发优势（先发入口、腾讯系流量）而非 Harness 工程质量本身有关。报告同时指出，千问办公的底层模型 Qwen 3.8 Max 智商分仅排第四，却靠 Harness 工程反超 Claude 与 Codex。

这解释了一个反常识的现象：同一模型换一套 Harness，实测能差 18 个百分点——杰富瑞用 Claude Opus 4.6 在 Terminal-Bench 2.0 上做控制变量，分数在 58.0% 到 76.4% 间波动，18.4 分的差距全部来自工程框架。

三、先发优势正被追赶

标题里「先发优势正被任务执行力追赶」并非空话。杰富瑞报告把 8 款产品按「模型智商」和「工程框架」两套维度排了两张表，结论偏向：企业采购若只锚定模型基准，会系统性错配预算。

豆包 77 分、Kimi Work 86 分，均已超过 WorkBuddy。更关键的是，千问办公 95 分是全场唯一全科目过 90 的产品；而 WorkBuddy 在浏览器控制（Task 2）等任务上明显偏弱，被报告点名。

真正的考验，是 66 分会不会变成用户留存的天花板。流量可以靠入口红利堆出来，但周活是否留得住，最终要看交付质量——这正是「先发优势」最脆弱的地方。

四、打分口径，能当真吗

问题也随之而来：这场「考试」的分数，可比性到底有多高？

第一，五道任务都是特定场景，未必覆盖每个产品的主打能力；第二，60/40 的加权权重是杰富瑞自选的，换一套权重，排序可能变化；第三，报告本身是券商研究，服务于投资叙事，对「Harness 是新护城河」的立论有鲜明倾向。

广西日报在转载时就提醒：分析师的评测结果，不能等同于行业排行榜。把一份横向测评直接读成「谁强谁弱」的终局，对任何一方都不公平。

五、分数之后，看什么

对旁观者来说，这份报告最有价值的不是排名，而是那个被反复验证的变量：决定 Agent 交付质量的，越来越不是底层模型，而是把指令、上下文、工具、边界串起来的 Harness。

WorkBuddy 手握流量第一的先发位，但 66 分提示工程框架仍有大段补课空间；千问办公则证明，中等智商模型配强 Harness，照样能打。

到那时，答案才会真正浮出水面：当各家模型智商差距被 Harness 抹平，用户是用脚投票留在流量入口，还是流向上级执行力更强的那一个？