四个工作 Agent 同题实测：好看的报告不等于可信交付

本文整理自「灵姐说AI」对 WorkBuddy、Kimi Work、千问办公和 TRAE Work 的同题实测。真正值得看的不是谁的界面更像 Codex，而是工作 Agent 进入日常流程后，什么才算可验证、可追责、可直接使用的交付。原视频：https://www.youtube.com/watch?v=JX5WdeIYCTg

通用工作 Agent 正在迅速撞脸。

WorkBuddy、Kimi Work、千问办公、TRAE Work 摆在一起看，左侧栏、工作区、文件输入、计划模式、专家套件、连接器、定时任务、MCP、频道入口，差异已经没有想象中大。名字不一样，结构越来越像。

这个现象本身很重要。Agent 产品的早期试错成本正在被快速抹平。前面有人用 Codex、Claude Code、GPT Work 模式把一套交互跑出来，后面的产品就可以沿着这套形态复制。用户看到的会是越来越多“差不多”的工作台。

所以这期视频最有价值的地方，不是又多了一个工具横评，而是把评测问题换了一个层次：如果界面和功能都会趋同，真正应该比什么？

答案不是“报告漂不漂亮”。答案是数据能不能对，证据能不能追，错误能不能被发现，第二轮能不能真的改进。

这次测试为什么比普通横评更有参考价值

这次任务不是让四个 Agent 写一篇泛泛的分析文章，而是给它们同一份真实业务材料：一个 YouTube 频道最近 90 天的经营数据。

材料包里包括视频快照、竞品快照、历史脚本摘要、YouTube API 回传的表格、视频表现数据、受众数据、评论样本等。任务要求也不是“总结一下”，而是让 Agent 扮演 AI 自媒体频道的团队助理，完成一份经营复盘和未来 14 天内容计划。

要求里有几个关键点：

清洗数据，发现异常；
留下证据，不只给结论；
输出可编辑文件；
给出未来两周可执行计划；
至少跑两轮自我循环和自我审计。

这比“帮我分析一下某个行业趋势”难得多。因为这里有真实数据，有口径，有异常，有版本变化，有可追溯性。Agent 可以写得很好看，但只要核心数字错了，后面的建议就会一起塌。

最后，视频里把完成交付的 WorkBuddy、千问办公、TRAE Work 的结果交给 Codex 做第三方评审。Kimi Work 因为录制时付费和额度限制，没有完成最终交付，所以没有进入最终分数榜。

这个设置不完美，但方向是对的：不要只看 Agent 自己说“我完成了”，要把产物拿给另一个评审者查数据、查证据链、查文件质量。

四家产品背后的差异，不只在模型

四个产品看起来越来越像，但它们背后的优势来源并不一样。

WorkBuddy 背后是腾讯生态。它的优势不是单点模型能力，而是微信、企业微信、QQ 等入口能带来的工作上下文和分发能力。视频里提到，WorkBuddy 的任务结果可以很自然地分享到微信和朋友圈，这是其他工作 Agent 很难复制的场景优势。

Kimi Work 更偏模型能力和深度研究。Kimi 的模型口碑不错，也更强调自家模型和集群能力。但它的问题也很明显：自有工作生态相对弱。如果用户的业务上下文主要在微信、钉钉、飞书、电商后台里，Kimi 需要用户每次重新喂材料。这里会产生一种看不见的成本。

千问办公背后是阿里和钉钉生态。它明显想吃办公交付、PPT、文档、岗位工作流这一块。视频里特别提到，千问办公的专家套件里有 1688 买家服务、商家助手这类阿里生态能力。对淘系、电商、钉钉用户来说，这些不是普通插件，而是上下文和权限入口。

TRAE Work 背后是字节和 TRAE Code 的工程化经验。它给人的感觉更像生产型工具，而不是单纯办公助手。视频里的评价也很直接：TRAE Work 的表达更工程化，交付结构清爽，尤其像新版 GPT 里的 Codex。

这几个差异指向同一个判断：工作 Agent 的护城河不会停留在“我也有 skill、我也有连接器、我也有定时任务”。这些都会变成标配。更难复制的是：谁能拿到用户真实上下文，谁能把上下文变成可审计的工作流，谁能让用户少交“上下文税”。

评测结果：TRAE 赢在可信，千问赢在成品，WorkBuddy 输在关键数字

Codex 给出的最终判断里，TRAE Work 排第一，91 分。

它的核心优势是数据审计链路最好。视频里提到，TRAE Work 明确保留了数据清洗过程，不是简单把问题行删掉。它会区分第一轮和第二轮结果，会说明对比第一版有哪些变更，也会在交付里体现自我审计的痕迹。

这点很关键。很多 Agent 会在提示词里看到“请自我检查”，然后最后写一句“已完成检查”。TRAE Work 更像是真的把第一轮和第二轮拆开，让用户能看到它改了什么。它不像一个只会写报告的助手，更像一个会查账、留证据的分析师。

TRAE 的短板也有。视频里说，它有把经营复盘写成咨询项目的倾向，报告偏长，第二轮新版报告没有输出完整版，部分内容需要用户再追问生成。也就是说，它不是最省心的“拿来即用”版本，但可信度最高。

千问办公排第二。它的优势是交付完整、成品化强，最适合直接使用。它更懂办公文档和成品交付，生成的结构、摘要、报告形态都比较成熟。

但千问的问题在于关键指标有遗漏和小错误。比如年龄占比、时区口径有异常，TOP3 占比一处写成 36.3%，同一行实际计算为 36.5%。这个错误看似很小，但对工作 Agent 来说不是小事。因为只要它能在小数点上犯错，就说明它还没有把“数据口径可验证”当成第一优先级。

WorkBuddy 排第三，65 分。它的问题不是没有做事，而是“形式完整，但关键数字与版本控制失分严重”。视频里举了一个更严重的例子：把 90 天合成数据写成 38 万，但实际是 33 万。第二轮审计时它改回了 33 万，却没有解释首轮为什么错，也没有把这个错误沉淀成后续规则。

这就是工作 Agent 最危险的失败模式：看起来都做了，报告也有，排版也清楚，但核心数字一对就露馅。更麻烦的是，它改了错，却没有说明错因。没有错因，用户就没法判断同类错误会不会再次发生。

真正的问题是：Agent 有没有 loop 起来

视频里有一句判断很准：WorkBuddy 虽然第二轮改了数据，但没有解释为什么错，也没有把错误记住形成规则，以后不要再犯。它没有真正 loop 起来。

这其实是工作 Agent 和普通聊天机器人的分界线。

聊天机器人可以一问一答。工作 Agent 不行。工作 Agent 必须形成循环：拿任务，读材料，产出 artifact，留下证据，接受审查，修正错误，更新规则，再进入下一轮。

如果一个 Agent 只是把“自我审计”写进最终报告，它还是在表演。如果它真的把第一轮产物、审计发现、第二轮修正、未解决问题、证据来源都拆开呈现，用户才有可能把它放进日常工作流。

这里可以借用一个更通用的 Agent 工程判断：模糊的 Agent 只会更快地产出模糊的结果。范围、证据、完成定义、验证路径，比“模型聪不聪明”更靠近实际交付。

这也是为什么视频里的测试任务设计得好。它没有让 Agent 在一个开放话题上发挥，而是给了它数据包、明确目标、交付文件要求和二轮审计要求。这样的任务能暴露出 Agent 的真实能力：不是会不会写，而是能不能把工作闭环跑完。

上下文税会决定用户最终留下谁

四个产品都会加功能。连接器、专家套件、MCP、频道、自动化，迟早都会有。

真正影响用户长期选择的，是上下文税。

如果每次打开一个 Agent，都要重新解释我是谁、业务是什么、数据在哪、历史版本怎么变、什么口径不能碰，那它的使用成本会很高。它可能在单次任务里表现不错，但很难成为日常工作流。

WorkBuddy 的潜在优势在腾讯生态，千问办公的潜在优势在钉钉和阿里生态，TRAE Work 的优势更像工程化生产流程，Kimi Work 则更依赖模型本身的深度研究能力。

这几个方向没有绝对高低，要看用户的工作现场在哪里。

如果你的组织协同主要在企业微信，WorkBuddy 的上下文入口更自然。如果你在钉钉和阿里业务生态里，千问办公的专家套件和办公交付可能更顺。如果你需要的是代码、数据、文件、审计、版本这样的工程化工作，TRAE Work 这轮表现更强。如果你只是做深度研究和长材料理解，Kimi 仍然有自己的位置，但它需要解决工作上下文弱的问题。