豆包闖進辦公室,是讓你摸魚的嗎?

藍字計劃2026.08.27 18:20 · 來自廣東全文3993字00:00 / 11:27AI 替你幹活,不是為了讓你少幹活。文|藍字計劃,作者|Chester鄰居街坊眼裡的“萬事通”、小朋友們的“知心姐姐”豆包,終於開始正經上班了。8月25日,字節跳動正式發佈“豆包工作”。字數越小,動作越大。就在產品上線前不到一個月,字節已經開始重新整編自己的AI辦公業務:7月30日,飛書產品團隊與豆包產品團隊完成整合;到了8月24日,TRAE、釦子團隊又整體併入豆包體系。幾條原本各自發展的產品線,就這樣被裝進了同一個豆包裡。
以前我們讓豆包寫東西,基本還是“一問一答”:寫篇文章、改個PPT、總結一份材料。現在,你可以直接丟給它一個任務,讓它自己找資料、讀文件、分析數據、做PPT,甚至操作電腦,把中間一連串的事情自己跑下來。但最有意思的是,豆包本來已經是國內最有存在感的AI應用之一。對字節來說,繼續把這個親朋好友、左鄰右舍都愛用的聊天助手繼續做大做強,似乎就已經是一條打斷腿都不用愁的路。偏偏今年以來,AI大廠的戰場開始從聊天框卷向打工人的小桌板。3月,騰訊推出WorkBuddy,讓AI自己查資料、處理文件,甚至遠程操作電腦;8月初,阿里的千問辦公也開啟公測,開始爭奪同一批想把工作交給AI的人。
騰訊和阿里剛剛擺好架勢,字節緊接著就把飛書、TRAE和釦子等資源集中到了豆包身上。打工人上班的那點活,真值得字節把豆包拆開重裝?豆包終於能幹活了眾所周知,豆包工作所依託的“生態”,其實就是飛書。而當用戶真正用上豆包工作以後,最先感受到的變化,也發生在飛書裡。把豆包更新到豆包工作並完成飛書授權後,用戶會自動獲得一個類似飛書機器人的豆包入口。這時它就會成為飛書連接豆包的“智能助理”,用戶可以直接給它發消息、創建任務,也可以打開一份飛書雲文檔,在頁面裡當場喚起豆包,讓它繼續編輯。豆包工作的本地客戶端還能直接讀取授權範圍內的飛書雲文檔,不需要用戶先找到文件鏈接,再複製粘貼給它。
有用戶讓豆包翻查自己過去一段時間的文檔分享記錄。豆包發現,從7月到8月,用戶幾乎每隔1至3天就會向某位同事分享一篇Wiki文檔,累計超過20篇,而且涵蓋了不同選題。這一次,打工人再也不需要把20多篇文檔整理好再交給豆包。只需要一行簡簡單單的命令,豆包直接翻查飛書裡的歷史記錄,找出了分享頻率、對象、文檔數量和鏈接規律。假如一個項目組在飛書群裡聊了一上午,從方案怎麼改、數據找誰要,一直討論到下週誰負責交稿。臨近下班,群裡已經堆了幾百條消息。過去想把這場討論整理下來,得先把聊天記錄翻一遍,去掉閒聊和表情包,再把有用的信息複製進文檔,最後整理出結論、待辦事項和負責人。
現在可以直接在群裡叫豆包:“把剛才的討論整理成一份文檔,分成已經確定的結論、還沒解決的問題和每個人的待辦。”豆包工作還提供了一臺持續在線的雲電腦。在“工作設備”頁面裡,除了用戶自己的Mac和Windows電腦,還可以直接選擇雲電腦。定時任務放到雲電腦上運行後,即便本地電腦已經關機,任務仍然會繼續執行,完成後照樣交付結果。也就是說,用戶既不用來回搬運飛書裡的資料,也不用為了等一個任務跑完,專門把自己的電腦開上一整夜。之所以會提到上面的這些功能,本質並不是為了吹豆包有多牛。更重要的是,它展示了豆包的“野心”:把自己的優勢項目,飛書的生態,真正從徹底意義上打通。
背後的潛臺詞是,它要打造一款辦公Agent,讓所有用飛書的人,都離不開。畢竟,面對微信Workbuddy和千問辦公的“圍攻”,豆包工作不做到這一步已經不行了。AI辦公,開始拼家底了豆包工作現在面對的局面,確實稱得上“圍攻”。騰訊下場更早。今年3月,WorkBuddy開啟公測,到了6月,月訪問量已經達到2097萬,在國內桌面端AI辦公智能體中排名第一。7月,騰訊又把QClaw相關產品中心併入WorkBuddy所在體系,繼續往裡面增加桌面操作、雲電腦和遠程控制等能力。阿里的動作也差不多。8月3日,千問辦公正式公測。
它整合了QoderWork、悟空和MuleRun三款產品,原本分散在不同地方的AI辦公能力,也開始統一使用“千問辦公”這個名字。算上8月25日發佈的豆包工作,國內AI辦公市場已經擺出了三個非常清晰的名字:豆包工作、WorkBuddy和千問辦公。乍一看,三家公司交出的產品都差不多。做PPT、處理表格、搜索資料、操作電腦,基本已經成為標準配置;桌面Agent、雲電腦、遠程控制、技能和連接器,也幾乎同時出現在三家的產品介紹裡。不過正是因為產品越來越像,三家公司背後的“家底”反而越重要。騰訊的家底,是微信、企業微信、騰訊會議和騰訊文檔。WorkBuddy可以通過微信和企業微信接收任務。
用戶哪怕不在電腦旁邊,也能從手機上發出指令,讓辦公室裡的電腦繼續操作,完成後再把結果傳回來。如果再接入騰訊會議和騰訊文檔,會議裡聊過什麼、相關資料放在哪裡、最後要發給誰,也都可以留在騰訊自己的產品裡。或許以後老闆在微信或企業微信裡發來一句話,收到任務的不一定只有員工,還可能有一個隨時在線的WorkBuddy。而阿里手裡的牌,則是釘釘。釘釘目前已經服務超過2000萬家企業和組織,裡面裝著大量公司的通訊錄、組織關係和日常工作流程。千問辦公也已經提出,下一步會繼續接入企業內部的數據庫和工作流。這條路一旦跑通,意義就不僅是用戶手裡的幾份文檔了。
到時候AI就會接入到企業中的每一個環節,請假審批該交給誰、銷售數據放在哪個系統、任務完成後應該通知哪些人,都可以讓千問AI串起來。再加上前面提到的飛書之於豆包,整個辦公AI“御三家”的格局就清晰了。模型能力固然重要,但誰能更加貼近打工人的真實工作場景,誰能更讓打工人依賴上、離不開,就更有可能搶佔先機。都說“分久必合”,在經歷了模型、Agent、Harness一系列混戰之後,最終AI戰場的焦點,又不約而同的聚合到辦公入口上。AI辦公的第一輪“賽馬”,自此就差不多結束了。只是留給吃瓜群眾的最終問題是:打工人的手上的那些活究竟是個多大的市場,以至於讓三大巨頭都“匆匆忙忙”起來?
AI時代的新金礦看看國外的AI辦公產品是怎麼“吸金”的,就明白為什麼御三家要在這個賽道前赴後繼了。截至今年7月底,微軟Microsoft 365 Copilot的付費席位已經超過3000萬個。其中法國陽獅集團購買的Microsoft 365 Copilot席位,就超過了9.5萬個,幾乎準備給每名員工都配上一個AI助手。而從另一個角度來看,通用Agent同樣也有人願意掏錢。大家都很熟悉的Manus上線八個月後,年度經常性收入就突破了1億美元,總收入年化運行率超過1.25億美元。與此同時,它已經替用戶創建了超過8000萬臺虛擬電腦,用來搜索資料、處理文件和執行各種任務。
一個代表企業辦公,一個代表通用Agent,兩家公司都已經證明:只要AI真的能替人完成工作,它就是真的值錢。背後的原因,其實打工人自己就非常清楚。當把公司資料、熟悉工作流程接入了辦公Agent之後,只要用得越久,它就越懂你。它知道文件放在哪個文件夾,清楚項目組剛剛討論了什麼,也明白一份報表做完之後應該發給誰。日常工作中有太多浪費時間卻產生不了太多價值的冗餘雜事,而一個熟悉自己工作流程的辦公AI,就可以化身一個高學歷、低溝通成本的助手,幫你把事情幹好。一旦能把時間和精力投入到真正值得做,能幫助自己升職加薪的事情上,哪怕付出一定的成本也是可以接受的。
當然,對字節、騰訊和阿里來說,打工人口袋裡的錢,大概率只是蚊子腿。更大的買家,其實是企業。普通用戶購買AI會員,一次只會買一個賬號;企業採購辦公軟件,卻可能一次覆蓋幾百、幾千甚至幾萬名員工。前面提到的陽獅集團,9.5萬個Microsoft 365 Copilot席位實則只用了一張訂單。而那些企業,大概率也確實願意付費。老闆們也清楚,一個員工每天整理材料要花費的幾個小時,一旦放到幾千名員工的維度上,就會造成想想客觀的人力和時間浪費。如果公司能用AI產品把這個效率提上去,從長期來看對於公司的成長也有好處。
據微軟披露,目前90%的《財富》500強企業已經在使用Microsoft 365 Copilot。埃森哲一家就部署了超過74萬個席位,拜耳、強生、奔馳和羅氏承諾採購的席位也都達到9萬個以上。而從更加現實的商業考量來看,目前御三家手裡,確實掌握著現成的企業買家。字節有飛書,騰訊有企業微信和騰訊會議,阿里有釘釘。它們不需要重新尋找客戶,只要把AI能力接進原來的辦公產品,就可以向已經在使用這些服務的企業,繼續出售AI賬號、雲電腦、模型額度和其他增值功能。而且,辦公軟件天然是一門適合長期收費的生意。聊天機器人可能只有遇到問題時才會被打開,辦公產品卻會跟著用戶一起上下班。
每天都要處理的文件、會議、群聊和數據,都會不斷產生新的AI需求。只要員工開始習慣把這些工作交給AI,公司第二年就有繼續續費的理由。不過要是這樣說,打工人把雜活交給AI,老闆豈不是最有可能把預算交給御三家?兜兜轉轉,最先靠AI實現“升職加薪”的,可能反倒是豆包。
Related
相關文章
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。
長鑫科技市值兩月內跌去1萬億;阿里加碼AI硬件品牌,天貓、速賣通聯動;國行版蘋果AI有望12月上線,百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障!DeepSeek發放宕機補償,有人拿到3000元3.阿里加碼AI硬件品牌,天貓、速賣通聯動4.國行版蘋果AI有望12月上線,百度、阿里參與合作5.可靈AI新一代模型Kling 4.