办公 Agent 的赛道，正从「百模大战」走向真实价值的检验。

WorkBuddy、豆包、Kimi Work、千问办公等，各类应用层出不穷，随手一搜就是一堆横评。很快就能知道谁在某个任务上表现更好、更容易上手以及自由选择模型程度。

但大多数的测评，往往还是停留在功能对比、上手简易程度以及模型选择自由程度。

而有一类评测，其实是最稀缺的：「Agent 在真实工作里的实际完成效果」。

当给到一份真实的任务需求时候：整理发票、搜集资料、做汇报，让它从头干到尾，交付的结果，离「可以直接用」还有多远？

这些才最符合真实用户的日常使用需求，只有端到端的交付能力，才能衡量办公 Agent 的真实价值。

1、办公是比 Coding 更难的战场

我把主流的评测集都翻了一遍，与办公相关的评测集真的很少。而且绝大多数模型的跑分，在这些真实场景下任务的成功率，也是低得可怜，跟大家在 Coding 领域的体感完全不一样。

这两年，Coding 能力是大模型训练的主旋律，模型公司针对 Coding 方面，对模型做了极大程度的优化和提升。

当把需求扔给 Claude Code、Codex 之类的 Agent，让它自己改代码、跑测试、修 Bug，Coding Agent 已经形成相对成熟的「生成—执行—验证—修复」闭环。

但在办公场景下，情况却完全不同。

让 Agent 写一份 PPT、整理一批文档、做一次竞品调研，看起来同样是「给 AI 任务干活」，但真正交付的时候，翻车概率明显更高。

大模型在 Coding（写代码）领域体感极好，那是因为代码有编译器，报错了可以反复 Debug。

在写代码的过程中，Agent 完成的是这样一套的闭环流程：生成、执行、报错、定位、修改、再执行、测试通过。

模型在这中间也会犯错，但是这个错误很容易被发现。

但办公任务并不是这样。

你让 Agent 做一份 PPT，它做完告诉你「任务完成」。但字体有没有重叠、模板是不是被破坏、页面层级是不是乱了？

这些问题通常都没有一个类似编译器的机制，在出错后，会立刻告诉 Agent：「这里错了，需要重新改。」

所以这种「即时纠错」是缺失的。缺乏客观的运行环境来验证对错，因此模型无法感知排版是否错位、数据有无遗漏，这种工作只能由人工来审核。

目前 Coding Agent 已经有成熟的编译器、测试框架和运行环境，而办公 Agent 最缺的，恰恰就是这一层。

Coding Agent 已经进入「能自己干活」的阶段，但办公 Agent 仍然没有跨过及格线。

我找到一个最近刚开源，比较成熟的电商评测的评测集，里面包含了一些最新模型的测试。

这个评测集叫 RealReplicaBench，是阿里国际站发布的，他们是做外贸的，内部的数据比较权威，可以清晰的反映出 Agent 在真实电商场景下的水平。

阿里国际站有一个 Accio Work，是他们自己做的电商 Agent。

这套评测一共有 107 个任务，他们从大概 160 万条完整对话中整理出 20 万条工作流，再归纳出约 2000 条商业价值高的，按照可复现性和结果可判定性，最终整理出来 107 个任务。

这些任务基本把电商领域涉及到的工作场景都覆盖了，像供应商采购、商品发布、店铺经营、订单对账、国际物流、售后争议等。

RealReplicaBench 的 107 个真实电商任务中，排名第一的 Claude Opus 5 也只完成了 65 个，通过率 60.75%。

国模中 Qwen 3.8 Max 和 DeepSeek V4 Pro 以 49.53% 的通过率并列第三，更值得注意的是，多数模型的任务通过率仍未达到 50%——也就是说，把真实业务交给今天的 Agent，它仍然很可能在关键环节犯错。

关于评测的规则，对于模型的得分判定，是非常严格的，一旦在任务中间检验出来 1 个错误就给到 0 分。

在测试中，没有过程分这个东西，只有全对才有分。当模型去解决真实电商问题的时候，如果中间出了差错，可能就会丢了单子，这才是真实的商业世界。

如果在他们自己的 Agent 产品 Accio 框架下测试，通过率就会比较高一点，模型通过率 50% 以上的，从 2 个增加到了 6 个，毕竟这个 Agent 是专门做电商，对电商中的真实场景，肯定会有很多的优化。

如果说 benchmark 告诉我们，模型距离「可靠完成真实工作」还有多远，那么接下来更值得看的，是应用层的办公 Agent 有没有通过产品设计，把模型的能力真正变成生产力。

2、四大办公 Agent 真实场景实测

我挑选了市面上几个主流的办公 Agent 应用，WorkBuddy、Trae Work、Dumate、千问办公。

说明一下测试方法：

• 本次测试均使用各产品默认配置下的最新版本，开启完全访问权限；
• 每个任务允许一次完整执行，不做多次重试取最优；
• 任务是否「成功」以第三方人工核验最终交付物是否可直接使用为准，允许必要的人工介入被记录但不计入「自动完成」评价。

我拿了三个比较常见的活实测：

把思维导图截图整理成汇报 PPT、把一堆发票邮件归成清单、店铺商品调研。

这些都是比较贴近日常办公场景的任务，看看这些办公 Agent，究竟离真实的生产力还有多远的距离。

这三个任务并不是三个孤立的测评题，对应着办公 Agent 需要跨越的三次能力跃迁：

从生成到保真、从局部正确到全局正确、从指令执行到自主应变。

先快速过一下各 Agent 在这次测试中的表现:

首先是制作汇报 PPT，这是第一道坎：需要从「内容生成」到「格式保真」。

制作 PPT 算是打工人的高频使用场景了，这项任务最能反映出做出来的产物是否具备「直接交付」的可用性，它不仅要理解内容，更要遵循制作的模板规范，是办公 Agent 距离真实生产力还存在多远的真实写照。

我给了一份 XMind 思维导图，一张版式参考图以及一份 PPT 模板，要求 Agent 严格遵循模板规范，将导图内容转化为排版规范的 PPT。

在这个任务中，暴露出的是 Agent 从「能生成」到「能交付」的差距。

这种差距背后，其实是模板解析能力、视觉自检机制是否存在的差异。

Trae Work 实测效果

千问办公实测效果

WorkBuddy 实测效果

Dumate 实测效果

「贴图式」交付：

Trae Work 和千问办公暴露了同样的问题。它们没能正确解析模板中的占位符，粗暴地将生成的内容以「贴图」的方式覆盖在模板上。

结果是，内容虽然没有缺失，但原有的排版结构被破坏，文本重叠、元素错乱，成品基本无法使用。这说明这两款产品目前更多是在「填内容」，而没有真正理解文件的结构层级。

「规范级」交付：

相比之下，Dumate 的表现令人惊喜。它不仅准确提取了内容，还在模板解析、排版逻辑和视觉一致性上表现出色，内容层级清晰，风格统一，几乎无需二次修改就能直接用于演示。WorkBuddy 的表现同样可圈可点，对模板的遵循度很高，排版规整，可用性强。

要说生成 PPT，这四个办公 Agent 都可以完成任务。但是生成一个文件，并不代表它完成了工作。

用户真正需要的是一份可以直接拿去用的结果。这中间还隔着模板理解、版式控制、内容层级、格式检查，以及最重要的：对最终交付结果负责。

这其实也说明了办公 Agent 下一阶段的竞争重点：需要从简单的内容填充，到对版式、风格和视觉逻辑的理解。更需要的是能把「生成—修改—交付」这一整条链路做得更完整。

任务二：从局部正确到全局正确：把发票邮件归成清单。

这是第二道坎：从「局部正确」到「全局一致」。

如果说 PPT 任务考验的是格式一致性，那这个任务考验的就是全局一致性。在处理大量、重复、琐碎的数据时，能否在全局范围内保持逻辑一致性，是衡量其可靠性的关键。

Agent 需要处理一个混乱的邮箱，里面混杂着几百封发票、单据、推广和回复邮件。筛选出所有真实票据，完成归档，并生成一份准确无误的汇总清单。

这项任务中，几乎所有 Agent 都可以出色的完成单文件信息提取，但在全局汇总阶段，问题开始浮现。

这说明单文件的信息提取能力，和跨文件的长上下文追踪能力，是两种完全不同的能力。

WorkBuddy 实测结果

Trae Work 实测结果

Dumate 实测结果

千问办公实测结果

「算不对总账」：

WorkBuddy 是一个典型例子。它对每一封邮件的内容提取基本准确，文件归档也做得井井有条。但在最后的汇总阶段，却漏掉了一个分类、将同一张发票重复计算、把一张单据的新旧两个版本都统计在内。

最终结果是：明细看着都没错，但总账是错的。同样 Trae Work 也犯了同样的毛病，给出了完整的报告结构，不过记录的「20 个必填字段」，实际列出字段数量并非 20 个。

「丢三落四」：

Dumate 完成了核心的归档和报告，但却把生成过程中的脚本、工作区里的空白模板等无关文件，也一并留在了交付目录里，造成了混淆。

「严丝合缝」：

在这次测试中，千问办公是唯一一个在第三方核验中没有出现错误、能直接交付成果的 Agent。这说明，在多文件交叉验证和全局数据一致性上，它具备更强的能力。

对于办公任务来说：「大部分都对」并不等于「可以交付」。

尤其是数据处理类任务，往往不是一次性的操作，是需要持续跟踪状态的流程。逐个读取文件难度不高，一旦进入长上下文追踪、跨文件版本合并与全局数据求和环节，模型注意力就容易出现漂移，导致犯错。

未来的办公 Agent 必须具备更强的长上下文追踪和跨文件逻辑校验能力，才能从「处理单据」的工具，升级为「管理账目」的助手。

任务三:也是最后一道坎，让 Agent 自己上网搜商品，需要从「指令执行」到「自主应变」。

任务需要让 Agent 自动上网，浏览电商平台，根据商品信息、店铺风格等因素，选出一个「标杆店铺」和一个「待优化店铺」，并截图取证，形成一份优化报告。

这是三个任务里最值得展开的一个，因为它触及了 Agent 和传统 Copilot 最大的区别——前两个任务本质上是在处理已有信息，这个任务要求 Agent 进入开放世界：感知环境、制定路径、操作工具、遇到异常、调整策略，最终完成目标。

这和前两个任务最大的不同是：

真实世界，从来不是一个封装好的 API 接口。

文件可以提前准备好，模板可以固定，输入也可以控制。

但网页不是。

登录状态、页面结构会变化，权限可能失效，验证码可能突然出现。

这考验的不再是简单的指令执行能力，更多的注意力是 Agent 在面对意外时，是否具有自主应变和策略调整能力。

换句话说：工具调用能力不等于 Agent 能力，真正的 Agent 能力是目标不变、路径可以变。

「卡住就死循环」：

WorkBuddy 在这一轮没能完成任务。由于不具备浏览器自动化功能，它试图通过无头浏览器执行任务，但从登录环节就卡住了。在长达 50 分钟的时间里，它一直在不断尝试不断失败，最后被我人工终止了。这暴露了一个经典问题：当预设路径走不通时，Agent 是否有能力改变策略？

「能干活的调研助理」：

Trae Work 在这一轮表现最好。它顺畅地跑完了自动化流程，并且交付的报告参考价值高，不仅罗列了基础信息，还总结了核心差距，给出了具体的优化建议、行动清单和效果评估，真正有了「助理」的感觉。

「表现平平的助手」：

Dumate 虽然也完成了任务，但过程并不容易。它忽视了「无需登录」的指令，强制退出了已有的登录状态，需要人工介入提供新的登录环境。千问办公同样也完成了任务，但是耗时 40 分钟，操作网页的能力没有什么突出点。

从左到右依次是 WorkBuddy、Trae Work、Dumate和千问办公

真正的自动化，需要在动态环境中实现目标。

当遇到登录失败、页面改版、数据格式变化等意外时，Agent 需要能够自主诊断问题、调整策略，或者与用户沟通以寻求帮助。

真正的 Agent，不应该只会调用工具，而应该能够在工具失效之后继续完成目标。

当 Agent 这方面的能力提升后，才能从「脚本执行器」进化为可靠的「办公室助手」。

3、办公 Agent 下一阶段，比的不是模型，而是「交付系统」

这次实测可以看出，办公 Agent 拼的不单单是模型能力，还需要考虑，如何将这些能力应用于复杂、多变、且需要高度严谨的真实办公场景。

「内容生成」到「格式保真」，「局部正确」到「全局一致」，「指令执行」到「自主应变」，这三道坎是办公 Agent 走向「可靠的助手」必须跨越的障碍。

把这三道坎连起来看，从理解任务、制定计划、调用工具、执行任务、感知结果、验证结果、发现错误、自主修正再到最终交付，其实有一个完成的能力闭环。

模型能力只是这个闭环的底座，真正决定 Agent 能不能进入生产环境的，是工具、环境、验证、记忆、数据和工作流的完整程度。

行业的竞争，已经从比拼模型参数，转向了对业务场景的深度适配和对交付结果的极致追求。

办公 Agent 的赛道已经从单纯比拼底层代码能力，转向对复杂业务场景的深度适配。

从三个任务的表现来看，Agent 并不是「不能干活」，但目前更适合承担可验证、可回滚、低风险的工作，比如内容整理、信息提取、格式转换。而涉及财务确认、对外沟通、核心数据、最终决策的环节，仍然需要人来把关。

未来一段时间，最合理的办公 Agent 并不是「替你完成所有工作」，更重要的是把人从执行者变成监督者：Agent 负责执行、整理、搜索和反复操作；人负责目标设定、异常处理和最终验收。

Accio 团队开源 RealReplicaBench 时提到，他们会持续提炼真实业务中的工作任务，让评测集数据滚动更新并向行业开放。

从「能生成」到「可交付」，办公 Agent 仍有一段路要走。

接下来办公 Agent 的核心竞争赛道，或许就看谁能打造出更贴合业务的优质数据集，并将 Agent 框架与底层模型做好场景化适配。