兄弟们，今天聊个有意思的事。
最近WorkBuddy投流有多猛，你们应该都感受到了。打开哪个App都能看到它的广告，刷个短视频蹦出来，看个公众号弹出来，连我这种不怎么刷社交的人都躲不过去。投流投到这个密度，访问量冲到第一，确实不意外。
但昨天我翻了一份杰富瑞的报告，看完之后陷入沉思。
事情是这样的。
华尔街投行杰富瑞最近给中美8款主流办公Agent做了一套“考卷”——多文件年报摘要、自主联网研究、控浏览器抓文、做英文PPT、出小红书海报。五项任务加权平均打分。
结果你们猜怎么着？
千问办公95分，高居榜首。Claude Cowork94分，Codex92分紧随其后。Kimi Work86分，豆包77分，MiniMax Code71分。而WorkBuddy和Gemini Spark，同以66分并列垫底。
66分啊兄弟们。旁边那几位都快满分了，这边刚刚及格。
我当时看到这个排名，脑子里蹦出来的第一反应是：投流这么猛，产品体验这么好，怎么一考试就露馅了？
原因不在模型，在Harness。
杰富瑞做了个很关键的控制变量实验。同一Claude Opus 4.6模型，只换Harness，Terminal-Bench 2.0得分从58.0%直接跳到76.4%。同一Gemini 3 Pro，同样操作，分差13.4个点。模型一行代码没改，外壳换一下，排名能提高20名。
什么意思？就是你花大价钱买了个法拉利引擎，结果装在了拖拉机的底盘上，跑起来比五菱宏光还慢。换个好底盘，法拉利还是法拉利。
CMU、耶鲁、弗吉尼亚理工和亚马逊联合发表的综述《Agent Harness Engineering》把这个判断上升到了理论层面，提了个概念叫“约束绑定假说”——在长任务、多步骤、工具调用密集的场景里，系统表现不再主要取决于模型参数大小，而是取决于模型外部的Harness。
有个AI架构师总结得更直白，我抄下来贴在屏幕边上了：“有效的AI Agent，5%是模型，95%是工程。”
模型是引擎，Harness是底盘、变速箱、方向盘和安全系统。
引擎再强，底盘松散、变速箱顿挫、方向盘虚位、刹车片磨没了，这车你敢开吗？你敢让你的员工用吗？
模型能力正在商品化，这是事实。Claude、GPT、Gemini、混元、千问，头部模型的差距在收窄。你用的是Claude还是Gemini，用户体验上的差别没那么大了。但Harness的积累——十几万行代码、无数次生产故障打磨出来的容错机制、上下文压缩策略、工具调用的编排逻辑——这些东西不会被轻易追平。
WorkBuddy现在是什么情况？
月活2000多万，访问量第一，主要靠的是“产品力”——界面漂亮、交互流畅、生态整合做得好、流量运营顶尖。这些都没毛病，都是真功夫。
但问题是，Harness在长程任务编排、错误恢复、上下文压缩上的厚度不够。简单说就是——你让它帮你订个会议室、写个周报，它干得漂亮。但你让它帮你做一个完整的行业研究报告、整理50份PDF、做一个正经的英文PPT，它就露馅了。
这就像一家网红餐厅，装修漂亮、服务热情、摆盘精美，但后厨的锅灶不行，火候不够，真正复杂的菜一做就翻车。顾客来打卡一次可以，但不会成为回头客。
腾讯接下来要努力的地方很清楚。
不是混元迭代多快——混元本身底子不差，跑分也在线。关键是底层的Harness能不能扛住用户最脏、最长、最复杂的那类活。能不能在多文件处理时稳定不出错？能不能在长任务执行中自动纠错恢复？能不能在上下文拉满时精准压缩不丢关键信息？
这些才是决定WorkBuddy能不能从“国民级入口”升级为“国民级生产力”的关键。
归纳一下我想说的。
第一，访问量不等于能力。WorkBuddy投流猛、月活高，这是产品力和运营的胜利，值得respect。但评测排名垫底也是事实，说明工程深度还有很大的gap。
第二，模型是引擎，Harness是底盘。顶尖模型之间的差距在收窄，但Harness的积累需要时间、故障、迭代去打磨，没有捷径。
第三，流量是门票，Harness才是留存。你把人拉进来了，体验不好，人家用一次就走了，下次再也不来。那投流的钱就白花了。
说回我自己的感觉。
我自己用过WorkBuddy几次。说实话，界面真的舒服，交互设计是目前我用过的办公Agent里最好的。但有一次让它帮我整理一份几十页的年报摘要，出来结果质量平平，还得我自己重新过一遍。
当时我没多想，觉得可能是模型的问题。看了杰富瑞这份报告才明白——引擎不差，是底盘没调好。
当然了，这事儿也有另一面。Harness这东西，只要意识到问题了，肯砸钱砸人砸时间去修，是可以追的。千问的Harness也是慢慢打磨出来的，不是一天建成的。
腾讯有这个资源，也有这个决心。接下来就看执行了。
祝WorkBuddy早日追上来。毕竟做得好，我们都能用上更好的工具，省下更多时间去摸鱼——哦不，去思考。
祝大家好。我去干活了。
热门跟贴