8 月 19 日，华尔街投行杰富瑞发布了一份八款中美主流 AI Agent 的办公任务实测报告：阿里千问办公以 95 分综合排名第一，超越 Claude Cowork（94 分）与 OpenAI Codex（92 分）。测试覆盖多文件检索、联网研究、浏览器操作、PPT 制作、多模态生成五大场景，Kimi Work、豆包、MiniMax Code 等国产 Agent 亦入榜。
🧩 本教程适合：面对一堆「办公 Agent」不知道选哪个的职场人。我们不只看分数，而是教你把「测评分数」翻译成「自己的选型决策」——按你的实际场景加权，找到真正适合自己的那一个。
先搞懂：这份实测是怎么做的
看懂一份测评，先看它的「考卷」长什么样。杰富瑞把办公任务拆成五个典型场景，每个 Agent 都要在真实任务里接受检验：
| 测评场景 | 典型任务示例 | 考验的能力 |
|---|---|---|
| 多文件检索 | 跨多个文档找信息、做汇总 | 文件理解与信息整合 |
| 联网研究 | 搜集最新资料并形成结论 | 搜索规划与事实判断 |
| 浏览器操作 | 打开网页、操作页面完成任务 | GUI 自动化与任务拆解 |
| PPT 制作 | 根据素材生成可编辑演示文稿 | 结构化表达与排版 |
| 多模态生成 | 图文混合内容创作 | 多模态理解与生成 |
分数是「综合分」，不是「全场景第一」：95 分意味着五个场景平均表现最好，但不代表每个单项都最强。你只做 PPT、很少联网，就按自己场景的权重重新排序——这是本教程最核心的方法。
Step 1：先给自己的工作画一张「场景权重表」
1 选型从「认识自己」开始
把上周的工作回忆一遍，按场景打分：
场景 使用频率(0-5) 重要性(0-5) 加权
─────────────────────────────────────
多文件检索 3 4 12
联网研究 1 2 2
浏览器操作 0 1 0
PPT 制作 4 5 20
多模态生成 2 3 6
· 频率 × 重要性 = 加权分
· 加权分高的场景，就是你的「主场」
· 选型时重点看主场能力，而不是总分
用这个方法，10 分钟就能画好你的专属权重表💡 同一岗位不同人权重差异很大：市场侧重 PPT 与多模态，分析师侧重检索与研究，客服侧重检索与浏览器操作。别拿别人的选型当自己的。
Step 2：把分数翻译成「场景能力对照」
2 看懂榜单的姿势
第一梯队（90 分以上，综合全能型）：
· 千问办公 95 —— 五项均衡，国产综合最强
· Claude Cowork 94 —— 文档与协作场景口碑好
· OpenAI Codex 92 —— 偏代码 / 工程向，办公亦可
第二梯队（入榜国产，各有强项）：
· Kimi Work —— 长文本处理见长
· 豆包 —— 多模态与本地操作能力突出
· MiniMax Code —— 代码 / 办公混合场景
读榜三问：
1. 它强的场景，是不是我的主场？
2. 它弱的场景，我是不是几乎不用？
3. 同一梯队内，哪个和我现有工具链更搭？别只看名次，看分差：95 与 94 的差距在测评误差范围内，硬分出「第一第二」意义不大。真正该问的是「哪个和我日常工作流合拍」——参考《Agent 经济学》里的成本与效率核算，别为微弱分差多花钱。
Step 3：圈定候选，亲自跑「三连测」
3 用你自己的真实任务做终审
从权重表挑 3 个主场场景，
给每个候选 Agent 各跑一遍：
任务 1（检索）：「把合同文件夹里
所有含『违约金』条款的段落整理成表」
任务 2（PPT）：「根据本周项目周报
生成 10 页汇报 PPT，含数据页」
任务 3（研究）：「调研竞品近 3 个月
的定价变化，给一份结论摘要」
打分维度：完成度 / 准确率 / 需要人工返工量
三次全过 → 进决赛圈；两次翻车 → 直接淘汰
注意：测评用的都是公开示例任务，
你的真实任务才能暴露真问题🔑 想系统学习怎么设计这类评估，可看本中心《Agent 评测 Evals 实战》——把「主观感觉」变成「可重复的评估标准」。
Step 4：对号入座——按角色给推荐
4 五种典型角色怎么选
📈 销售 / 市场：提案 PPT 是命脉
→ 优先 PPT + 多模态强项，千问办公 / 豆包
📊 财务 / 数据分析：检索与算数为主
→ 优先多文件检索，千问办公 / Kimi Work
📝 运营 / 内容：多模态 + 研究并重
→ 优先均衡型，千问办公 / Claude Cowork
💻 研发 / 产品：代码 + 文档混合
→ 考虑 Codex，或千问办公 + 编程 Agent 组合
🎛️ 全能助手型：什么都沾一点
→ 选综合分最高的千问办公起步，再看短板别忽略「生态」因素：千问办公已打通钉钉、飞书、企业微信三大平台（见《千问办公企业级 Agent》），如果你们公司深度使用某一平台，这个「合拍度」比 1-2 分差距重要得多。
Step 5：算清成本与权限，再拍板
5 好用的前提是「用得起、管得住」
1. 成本：按你一个月真实调用量估算
· 个人订阅 vs 企业版，人效提升是否覆盖
· 参考《Agent 经济学》
的「完成率 × 成本」矩阵
2. 权限：Agent 要访问公司文档 / 表格
→ 确认权限模型是否支持最小化授权
· 参考《CISO 四问法》自查
3. 数据合规：涉密资料能否出内网
→ 优先支持私有化 / 本地部署的方案
4. 试点：先 1-2 人用两周，看真实提效再铺开💡 成本控制还有一招：不是所有任务都上贵的 Agent——简单的先让免费 / 轻量方案顶住，复杂的再上旗舰。分层路由的思路可参考《DeepSeek 分层路由降本》。
Step 6：把选型变成「定期复评」的习惯
6 Agent 榜单是流动的
1. 设提醒：每季度重跑一次权重表 + 三连测
2. 记变化：把每次实测结果存档，
形成你自己的「选型时间线」
3. 盯更新：办公 Agent 迭代极快
（如 Claude Cowork 新功能、千问新接入），
能力变化可能反转此前的结论
4. 留退路：选型时优先看是否容易迁移
（数据可导出、提示词可复用），
避免被单一厂商锁定
复评的频率 > 初始选型的精细度：
AI 行业三个月就能变一轮🎉 恭喜！你已掌握「读榜 → 加权 → 实测 → 复评」的完整选型方法论。最后提醒：榜单给你的是参考，你的真实任务才是裁判。相关产品横向对比可到龙虎榜按综合评分查看，也可对照《Claude Cowork》体验另一派办公 Agent 的协作风格。
常见问题速查
| 你遇到的现象 | 大概率原因 & 解决 |
|---|---|
| 看榜单挑了个最高分，用起来一般 | 总分≠你的主场：按场景权重表重新选 |
| 试用阶段总返工 | 任务描述太笼统：结果导向 + 明确约束（格式、长度、口径） |
| 公司文档不敢给 AI 看 | 先确认权限模型与合规方案，涉密数据走私有化 |
| 几个 Agent 都想要 | 按场景分工：每个 Agent 只干它最强的活 |