AI 辦公混戰,騰訊百度搶先

山上2026.08.20 19:05 · 來自北京全文5278字00:00 / 15:32AI辦公,誰與爭鋒?文 | 山上,作者 I 王彬已經沒有哪家廠商願意再錯過 AI 辦公。經歷了早期模型激烈的參數內卷、無效的 ChatBot 撒錢補貼之後,大廠們終於不約而同地意識到,AI 辦公或許就是當前 AI 應用中落地場景最明晰、商業回報更可觀且想象力更加龐大的通用入口。幾家中國最大的科技公司都在密集佈局。各大廠都有自己的產品矩陣介入 AI 辦公大戰,更多垂直廠商也在虎視眈眈。短短不到半年時間,中國市場就已有超 20 款桌面端 Agent 產品問世。但其中真正獲得聲量的並不多。
AI 產品榜統計的最新一期 AI 辦公智能體桌面端 MAU 榜單顯示,WorkBuddy 以 1115 萬月活位居桌面端 AI 辦公產品第一,百度搭子以 674 萬月活排名第二。其中,百度搭子的環比增速達到 1063.79%,在同類產品中排名第一。簡而言之,騰訊拿到了領先的用戶規模,百度則獲得了更快的用戶增速。AI 產品榜·AI 辦公智能體總榜這個結果多少有些出乎意料。在 AI 辦公爆發之前,兩家公司似乎一直都面臨著相似的窘境。騰訊長期被外界質疑 AI 轉身太慢,迫切需要一款重量級產品改變市場評價。
百度很早就開始押注智能體,也是國內最早喊出 Agent 是未來方向——某種程度上,這兩家都需要向市場提供證明。而現在,WorkBuddy 和百度搭子取得的階段性領先,或許可以暫時打消外界的質疑。只是當阿里、字節以及更多辦公軟件廠商都開始陸續下場,這場 AI 辦公入口的爭奪可能才剛剛開始。產品領先,靠的是什麼?榜單記錄的只是今天的結果,但無法告知人們產品領先的原因。對於 WorkBuddy 和百度搭子而言,二者雖然都位居榜單前列,背後卻是兩條截然不同的產品路徑。如同過去騰訊內部的諸多創新產品一樣,WorkBuddy 的出現,最初並不是頂層設計的結果,而更像是一次內部的自發式創新。
彼時 Claude Cowork 剛剛發佈,外界盛傳騰訊的幾名產品經理用了一個週末,直接用 CodeBuddy 的基建和 Agent SDK 做出了 WorkBuddy 的初始版本。此後 WorkBuddy 開始在騰訊內部測試,尤其受到非技術員工的歡迎。同一時期,基於全棧 AI 優勢的百度已經推出秒噠、伐謀等多款智能體產品。和騰訊不同,百度很早就認準智能體是未來方向。李彥宏早在 2024 年就對外表示,智能體是他最看好的 AI 方向。百度搭子正式推出之前,百度已經圍繞任務規劃、工具調用和結果交付進行了多輪產品探索。春節過後,國內掀起“龍蝦”熱潮,WorkBuddy 順勢對外開放。
它最初還沒有打通騰訊內部的產品生態,功能也遠稱不上完善,但憑藉騰訊在 C 端的優勢生態效應,它們的用戶訪問量很快超過 CodeBuddy 數倍,甚至一度出現算力告急。而幾乎於同期上線的百度搭子,也顯然準備得相對充分。基於他們過去多款不同賽道智能體的落地經驗和技術優勢,百度搭子初亮相時就把功能打的很滿,直接調用百度多年積累的產品和 AI 能力。產品定位“真幹活”,通過內置百度搜索、網盤、地圖等 Skill,來擴大能力邊界。要知道,彼時百度搜索 Skill 在 OpenClaw 官方社區下載量位居全球第一。
上線不久,百度搭子就在 PinchBench 評測中登頂,超過 Anthropic 和 OpenAI。DeepResearch Bench 榜單上,百度搭子也以 58.03 的綜合分位居第一。百度搭子先後登頂 PinchBench 及 DeepResearch Bench 榜首換言之,百度搭子從一開始就是百度自身多年全棧 AI 資源積累的一次集中釋放。哪怕現在打開百度搭子,你也能從中看到諸多過去百度智能體應用的影子。秒噠探索的無代碼開發方向、伐謀的自我演化能力,不少產品能力也都直接集成進搭子。WorkBuddy 和百度搭子的產品起點或有不同,但兩款產品此後都保持了相似的高頻迭代。
《山上》粗略統計,WorkBuddy 上線 5 個月來更新超 70 個版本,前期甚至一天更新兩次。百度搭子也幾乎保持著相同的產品更新頻率,高峰期平均一天一版。5 月推出移動端 App、6 月完成核心引擎升級,此後又陸續發佈設計套件、自媒體套件,近期又行業首發金融套件。與此同時,兩家在營銷上也有爭鋒之勢。WorkBuddy 廣告頻現地鐵和各類 APP 開屏,各類伴隨功能升級的場景體驗活動不斷。此前傳聞,WorkBuddy 主團隊早期大概百人規模,此後從多個團隊抽調,目前已超過四百人,其給到的營銷和運營資源也遠超同週期其他項目。
而百度搭子同樣是百度近半年來最密集的營銷投放,同樣在地鐵、機場等展開覆蓋。活動方面,7 月初在成都舉辦百度搭子 AIDAY,此後又在世界人工智能大會期間百度搭子入選“鎮館之寶”。近期,百度還將在上海舉辦“百度搭子發佈會”,針對其在過去一個月間迭代的新版本功能和未來規劃做全面發佈。據知情人士透露,作為百度智能雲旗下產品,目前集團層面也在重點支持,給到了較多資源。同時設置專項項目組,作為重點業務從其他團隊抽調,人員規模約在百人左右。密集更新和營銷造勢,很快帶來了用戶反饋。WorkBuddy 在騰訊多款辦公智能體中率先跑出,騰訊開始加大市場投放力度,並將更多產品和研發資源向其集中。
百度搭子的訪問量也逐月攀升,自上線來日均訪問次數已增長 60 倍,近一個月又增長兩倍。一種產品,兩種戰略至少從目前來看,WorkBuddy 和百度搭子都取得了階段性的勝利,也都暫時幫助騰訊和百度證明了自己。但二者呈現的數據領先卻有所分化,WorkBuddy 勝在絕對規模,百度搭子則表現出更高的環比增速。AI 產品榜,AI 辦公智能體增速榜兩款產品的數據差異,本質上是兩種不同資源結構的投射。WorkBuddy 能夠快速起量,離不開騰訊自身內容和平臺生態的加持,以及更大範圍的營銷推廣。百度搭子實現更快增速,則更多依託於百度的技術底盤,並通過積極的持續迭代,正逐漸為用戶接受。
騰訊對 AI 應用的態度長期存在兩條路線。一條是讓 AI 進入微信等原有超級平臺,另一條是推出獨立的 AI 原生產品。WorkBuddy 自然屬於後者。從戰略上分析,作為真正國民級應用與移動互聯網基礎設施的微信,其 AI 化勢必需要謹慎,而 WorkBuddy 則可以幫助騰訊提前佔位 AI 時代的心智和入口。在 WorkBuddy 率先跑出成績後,騰訊很快開始集中資源託舉。比如上線之初 WorkBuddy 就實現與微信、企微乃至 QQ 的對接,騰訊文檔、騰訊會議、ima 筆記等業務也都陸續與 WorkBuddy 打通。某種程度上,WorkBuddy 已經成為騰訊原有生態在 AI 時代的新容器。
WorkBuddy 官網騰訊也迫切需要這樣的入口。過去,騰訊總被外界視為 AI 浪潮中的追趕者。馬化騰曾形容,騰訊“一年前以為上了船,後來發現那個船漏水了”,如今雖然站了上去,卻“還坐不下去”。WorkBuddy 出現後,騰訊這艘大船似乎終於有了新引擎。今年前兩季度的財報中,騰訊都專門提及 WorkBuddy,稱其已經成為“中國使用最廣的效率 AI 智能體”。此前媒體報道稱,騰訊內部已將 WorkBuddy 定為“超級項目”。百度面對的問題恰好相反。它沒有對外證明轉型慢的煩惱,外界對百度多年押注 AI 的認識沒有爭議。
百度的真正的壓力在於,如何證明自己不僅擁有領先的 AI 技術,同時也能做出被市場認可的好產品。百度是國內最早意識到 AI 應用價值高於技術競賽的公司之一。李彥宏在兩年前提出智能體是他最看好的 AI 方向後,不斷對外重申智能體的價值。2025 年,他提出應用創造的價值遠超模型層和芯片層。今年的 Create 大會上,他又提出 DAA 概念,主張用真正完成任務的智能體數量來衡量 AI 產出。過去兩三年來,百度對外傳遞的觀點始終未變——模型競賽只是上半場,應用與任務交付才是 AI 真正創造價值的地方。這些判斷讓百度提前鋪好了全棧的技術底盤。
時至今日,百度仍然是全球少有的完成“芯模雲體”全棧 AI 佈局的公司。從崑崙芯、百度智能雲,到文心大模型乃至秒噠、伐謀等諸多智能體應用,百度的技術佈局始終走在行業前列。但這本身也帶來了反壓。在從傳統業務轉向 AI 為主力的過程中,他們需要一款或者兩款在更廣泛群體中可以叫得出名字的產品。近期公佈的二季報財報中,百度的 AI 業務再度佔據其一般性收入的 50%,這表明百度的 AI 轉型已經初具成效。AI 業務收入中 AI 雲基礎設施收入佔據大頭,說明全棧能力已經在算力與雲服務層兌現,而 AI 應用的收入還有相當大的增長空間。百度 2026 年第二季度財報過去半年,百度在產品和組織兩端同時調整。
去年底,百度新設基礎模型研發部和應用模型研發部,兩個部門直接向李彥宏彙報。今年 5 月,百度又成立模型委員會統籌兩大研發部門。文心大模型或許只是調整的誘因之一,更關鍵的是百度想要縮短從底層技術到業務落地的決策鏈條,讓全棧能力更快抵達產品。百度搭子也是調整的重心之一。和騰訊 WorkBuddy 團隊類似,百度搭子也在智能雲之下獨立成為一個團隊,獲得更多資源。8 月初,百度搭子也開始與公司內部的辦公智能體 dodo 整合,實現內外部辦公智能體產品的統一,同時上線秒噠工作臺,目標打造多類型智能體的統一入口。如今百度搭子的增速領先,或許一定程度上證明了百度戰略調整與產品聚焦的正確。
百度最新發布的二季度財報顯示,當季百度 AI 應用收入達到 25 億元,同比增長 3%。AI 辦公競賽才剛剛開始近一個月的中美模型密集上新轟炸之後,哪怕不是身處 AI 行業的人或許都已經意識到,模型能力的差距正在快速收窄。頭部大模型的領先往往都只是階段性,參數規模和訓練數據的邊際紅利正在遞減。今天登上榜首的模型,下週可能就會被更新的模型取代。當模型不再是唯一壁壘,應用場景就成了大廠們真正較量的戰場。過去半年來,AI 辦公幾乎一夜之間從概念走向落地。僅今年上半年,國內市場就有超過 20 款桌面端 AI 辦公智能體問世。
艾媒諮詢《2026 年中國 AI 辦公智能體產業發展白皮書》市場空間的想象支撐了這場混戰。艾媒諮詢數據顯示,2025 年全球 AI 智能體市場規模為 372 億美元,同比增長 197.6%,預計 2030 年將達到 3122 億美元。接近十倍的增長預期,讓每一家大廠都不敢缺席。大廠們都在排兵佈陣,集中資源全力押注。字節剛剛完成了原有辦公產品飛書的分拆調整,飛書產品團隊併入豆包,銷售、市場和客戶服務團隊併入火山引擎。晚點報道稱,多數員工幾乎與外界同一時刻才得知變動,調整之突然可見一斑。阿里同樣不甘落後。
在已有千問 App 的基礎上,阿里另起爐灶,整合 QoderWork、悟空及 MuleRun 三款智能體產品推出千問辦公,負責人為剛接手釘釘的陳宇森。虎嗅報道稱,阿里管理層已將 AI 辦公視作戰略方向,吳泳銘會親自參與千問辦公的關鍵會議。千問辦公更早起步的百度和騰訊率先跑出了用戶規模,但後來者們已虎視眈眈。千問辦公已於本月初開啟公測,直接切入釘釘積累的企業用戶。豆包在推出專業版之後,8 月也進入密集的功能上線階段。現在,飛書文檔已支持無縫調用豆包。有趣的是,在大廠們全力投入 AI 辦公的同時,各家產品的能力卻在快速趨同。
把 WorkBuddy、千問辦公、百度搭子乃至豆包的桌面端產品放在一起對比,應用界面大同小異,甚至各類 Skill 與內置專家也都高度相似,更像是同一套模板的不同皮膚。這意味著,在相似的功能體驗和雷同的場景爭奪下,AI 辦公可能比過去任何一類效率工具都更依賴用戶心智。效率工具過去拼的是誰更好用,現在拼的是誰先被用戶記住。誰能更早跑出規模、搶佔入口,誰就更有機會把早期流量沉澱為長期習慣,鎖定早期優勢。WorkBuddy 已經暫時取得用戶規模領先,百度搭子則憑藉高速增長迅速縮小差距。兩款產品雖尚未建立絕對壁壘,但已經率先構建起自身的護城河。
騰訊的護城河是生態與入口,百度的護城河則是全棧技術與任務交付能力。說白了,大廠競相角逐 AI 辦公的核心原因,是在智能體可以適配的眾多場景中,目前只有辦公同時具備最豐厚的用戶群體、更大的變現方式與空間。這場競賽遠未到終局。無論是領先者還是後來者,都還有很長一段路要走。
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。