騰訊張軍實測 WorkBuddy"項目"功能:邀人、共享、協同,終於像一群人跟 AI 一起幹活了

2026年8月3日 01:31

重點摘要

AI資訊AI新閒資訊正文騰訊張軍實測 WorkBuddy"項目"功能:邀人、共享、協同,終於像一群人跟 AI 一起幹活了發布於AI新閒資訊時間 :Aug 3, 2026閱讀 :1分鐘騰訊公司公關總監張軍在社交平臺發文透露,WorkBuddy 的"項目"功能已悄然完成迭代升級。

站內 AI 整理稿

騰訊公司公關總監張軍近日在社交平臺上分享了一項實際測試心得,透露自家辦公協作工具 WorkBuddy 的「項目」功能已完成一輪低調的迭代升級。他親自組建團隊、邀請成員加入後,實際體驗了整套協作流程,並以「相當絲滑」來形容整體運作感受。這則貼文很快引起科技圈與辦公軟體使用者的討論,因為它預示著 AI 與團隊協作的關係,正在從「個人輔助」跨入「集體共創」的新階段。 根據張軍的描述,WorkBuddy 此次升級的核心在於「項目」機制的深化。使用者可以建立一個專屬的專案空間,並直接邀請同事或合作夥伴加入。成員進入之後,所有與專案相關的資料都能在統一介面中共享,任務的分配、承接與回報可以在同一條脈絡中完成,而計畫進度的更新與同步也不再需要透過零散的訊息來回確認。更重要的是,團隊成員可以利用留言功能直接指定某個人來跟進某件事,或是在留言中主動將資訊分享給特定成員,讓每一次溝通都能清楚對應到具體的負責人與下一步行動。 張軍還特別提到一個值得關注的細節:他在專案內部自行建立了一套 skills(技能),而這套技能可以讓所有參與專案的成員共同取用。也就是說,AI 的應用能力不再只是個別使用者私藏的數位工具,而是可以被上架到專案空間中,成為整個團隊共享的資源。無論是特定的資料分析流程、文案生成邏輯,還是某種自動化處理方式,只要有人建立並開放,團隊內的其他同仁就能直接呼叫,不需要重複設定,也不需要來回傳遞參數,形成一種「一人建設、全員受益」的協作模式。 對於這次升級,張軍給出了一段相當直白的總結:「確實有了一群人跟 AI 一起幹活的感覺。」這句話看似簡單,卻點出了 AI 工具發展歷程中的一個重要轉折。過去很長一段時間,AI 被定位成效率工具,每個人在自己的電腦前向 AI 提問、請 AI 寫信、請 AI 整理資料,AI 是「我一個人的助手」。但 WorkBuddy 的項目功能,讓 AI 第一次以「團隊共同體」的形態出現在工作流程之中。 這項功能迭代背後,反映的是 AI 協作思維的轉變。若從辦公軟體的演進脈絡來看,傳統的工作模式裡,文件共享、任務分配、進度同步往往是三套邏輯,分別由不同工具承擔。文件放在雲端硬碟,任務管理在專案看板,進度追蹤則分散在通訊軟體的聊天紀錄中。使用者必須不斷切換視窗,才能拼湊出團隊的全貌。而 WorkBuddy 的做法,是把 AI 能力直接嵌入這條協作鏈路,讓專案空間裡每一個成員都看得見共享的資料,也都能呼叫同一套 AI 技能來輔助自己手中的任務。 在某種程度上,這也重新定義了「人機協同」的邊界。過去我們理解的人機協同,多半是「人與自己的 AI 助手」之間的合作,一個人在 AI 的協助下完成文件、簡報或程式碼。但在 WorkBuddy 的項目框架中,協同關係變成「人 + 人 + AI」的三方互動。團隊成員共享一本相同的資訊基礎,AI 則根據個別成員的需求適時提供輔助;它可能是在你卡關時生成一份草案,也可能在進度落後時提醒你在留言區更新狀態。所有這些動作都發生在同一個專案空間裡,每個步伐都會被記錄下來,成為團隊共同的數位資產。 當這樣的工作方式真正落實,所謂「跟 AI 一起幹活」就不再只是一句行銷口號,而可以被視為一種具體、可衡量的生產力增量。團隊不再需要等待某個成員個人摸索出 AI 的使用方法,也不需要在協作時重新解釋同一份資料的脈絡;每一位新人加入專案,只要進入空間,就能立刻掌握目前累積的全部資訊,並使用團隊配置好的 AI 技能展開工作。這種資訊的流動性與工具的共用性,大幅降低了協作中的溝通成本,也讓 AI 的價值從個人層面擴散到組織層面。 從張軍的實際測試回饋來看,WorkBuddy 的項目功能顯然正試圖把 AI 推向一個更基礎的位置——不是懸浮在工具列上的捷徑,而是滲透到專案管理、任務協作、知識共享等日常節點中的基礎能力。當 AI 不再只是被動等待指令的工具,而是主動參與團隊運作的協作節點,企業對 AI 的運用方式也將迎來根本性的改變。 雖然這次張軍並未透露更多關於 WorkBuddy 未來功能的細節,但從「專案」到「技能」,再到留言指定跟進的設計,已經可以看出一個清晰的輪廓:AI 正在從個人助手,逐步轉變為團隊協作的中樞。而這或許正是 AI 從生產力工具走向組織協作基礎設施的關鍵一步。未來,當更多團隊開始習慣「一群人加上一個 AI」的工作模式,辦公軟體之間的界線、甚至企業內部的分工邏輯,都可能因此重新繪製。

Related

相關文章

生成模型也能端到端訓練了?核心竟是一個for循環

賬號設置我的關注我的收藏申請的項目退出登錄登錄搜索36氪Auto數字時氪未來消費智能湧現未來城市啟動Power on36氪出海36氪研究院潮生TIDE36氪企服點評36氪財經職場bonus36碳後浪研究所暗湧Waves硬氪氪睿研究院媒體品牌企業號企服點評36Kr研究院36Kr創新諮詢企業服務核心服務城市之窗政府服務創投發佈LP源計劃VClubVClub投資機構庫投資機構職位推介投資人認證投資人服務項目推薦36氪Pro創投氪堂企業入駐創業者服務創投平臺AI測評網 首頁快訊資訊推薦財經AI項目推薦廣東最新創投汽車科技專精特新直播視頻專題活動搜索項目推薦我要入駐城市合作生成模型也能端到端訓練了?核心竟是一個for循環機器之心·2026年08月03日 11:49參數和數據之後,生成模型解鎖預訓練第三根軸 2012 年,AlexNet 用一場壓倒性的勝利終結了一個時代。在此之前,做圖像識別要靠人手工設計一層層特徵提取的流程;AlexNet 證明瞭一件後來被反覆驗證的事:把整個任務端到端地交給模型自己學,幾乎總是打得過人類精心設計的分階段流水線。 從圖像分類到目標檢測再到圖像分割,深度學習的每一次躍遷背後,都是同一句話:讓它自己一口氣學完。 只有一個領域始終是例外:生成模型。 今天最強、最能擴展的生成模型(無論是自迴歸還是擴散模型)都不是端到端的。 它們訓練時只學預測「一小步」,推理時卻要像循環網絡那樣把這一步反覆展開幾百上千次。 訓練和推理用的不是同一套採樣方式。這個裂縫帶來了一個老問題:每一步的誤差會喂進下一步,輸入逐漸漂離訓練時見過的分佈,誤差層層累積。學術上管它叫「暴露偏差」(exposure bias)。 換句話說,「端到端更好」這條深度學習最核心的經驗,十幾年來始終沒能真正落到生成模型頭上。 而就在最近,一篇來自 UIUC 與哈佛大學的論文,試圖把這塊最後的拼圖補上。 作者

剛剛

王慧文家族辦公室押注的AI版圖:從大模型到AI Agent

王慧文家族辦公室Lollapalooza Capital已投資24個AI項目,從大模型公司月之暗面到AI Agent創業公司蝴蝶效應,覆蓋AI基礎設施、內容生成、教育和硬體等產業鏈關鍵環節。這顯示其投資布局從早期的大模型能力競爭,逐漸轉向AI應用落地與生態建設。

剛剛

天下苦閉源模型久矣,MiniMax要做多模態領域的Deepseek

MiniMax發布多模態生成模型H3,支援2K解析度、15秒影片生成,性能與Seedance 2.5相當,但定價僅每秒0.8元人民幣,具備價格競爭力。H3將開源,打破影片生成市場由閉源模型主導的局面,可私有化部署,有望取代部分傳統後製工序。

剛剛
鈦媒體生成式AI

微信、支付寶會給豆包手機“開門”嗎?AI手機背後的入口之爭

如果這些規則沒有明確,即使技術接口存在,超級App們也沒有動力把最有價值的部分交給一個可能架空自己的外部Agent。如果豆包遲遲無法拿到阿里和騰訊等企業的深度授權,字節並非完全沒有退路。相比其他公司,字節最大的優勢之一,是它本身已經擁有一套規模龐大的互聯網產品生態。在內容領域,字節擁有抖音和今日頭條;在辦公與創作領域,擁有飛書、剪映等工具;在消費場景中,抖音電商和抖音生活服務也已經形成了相當規模的商品和本地商戶供給。

剛剛
鈦媒體生成式AI

天下苦閉源模型久矣,MiniMax要做多模態領域的Deepseek

MiniMax發布新一代多模態生成模型H3,支援2K解析度與原生雙聲道,性能與Seedance 2.5同級,但每秒定價僅0.8元人民幣,並宣布數日內開放模型權重。H3透過自研VAE與全模態理解管線降低算力成本,能一次生成含配音、字幕與動效的成片,可能取代部分傳統後期工序。此舉打破視頻生成市場由閉源模型主導的局面,為中小團隊與重視數據主權的B端客戶提供新選擇。

剛剛
IT之家生成式AI

阿里企業級 Agent 產品“千問辦公”開啟公測,集成最新旗艦模型 Qwen3.8

阿里巴巴企業級Agent產品「千問辦公」正式開啟公測,個人與企業用戶可透過官網體驗,並整合了QoderWork、MuleRun、悟空三款產品,成為業界首款同時支援桌面端、雲端與企業協同Agent的產品。該服務搭載最新旗艦模型Qwen3.8,並提供免費版、個人標準版、個人高級版及企業版等多種訂閱方案,其中個人標準版與高級版目前有8折優惠。

剛剛