一位开发者在整理历年岗位数据时，将Workbuddy（搭载DeepSeek-V4.1-Flash）与Codex（搭载GPT-6 Astra轻度思考模式）进行同题对比测试，两者接收完全相同的原始样本和筛选要求。结果显示，Workbuddy几乎一轮即输出结果，并在未被要求的情况下自动生成单文件HTML页面与xlsx表格：页面顶部设有统计数据，附带筛选入口和可滚动的岗位信息列表，结构清晰直观。Codex则经过三轮迭代：第一轮仅输出普通xlsx表格，数据正确但缺乏交互；第二轮生成的HTML配色怪异、信息密度偏低；第三轮以Workbuddy的成品为参考修改后才明显改善，但作者认为仍不及前者。作者指出两侧数据均准确，中间各有小错误，差距主要体现在呈现效果上，根源在于客户端harness调教差异而非模型能力，测试期间未添加任何额外提示词或限制。此外，Workbuddy默认以图文卡片、流程图形式呈现回答，并自动在markdown文件中记录错误、要求与注意点，办公场景适配较好。作者坦言此次对比为单次样本、单一场景，严谨性有限，Codex表现同样出色只是审美不合，Workbuddy在办公交付形态上更胜一筹，并提及该产品每日可领取100积分。
事件分析
此次对比的价值不在评判模型高下，而在于揭示AI工具竞争重心的转移：当底层模型能力日趋接近，客户端harness的设计水平、默认交付形态与反馈机制成为体验差异的主要来源。Workbuddy将回答默认呈现为图文卡片，并自动沉淀注意事项至markdown文件，说明其产品假设围绕办公交付物构建；Codex则延续开发者优先的代码逻辑，在无人工干预时交付偏工程化风格。随着DeepSeek、OpenAI等模型被越来越多第三方客户端集成，同一模型在不同harness下的表现分化将愈发明显，模型接入与客户端调教的组合有望成为新的产品壁垒。后续可关注此类办公向Agent工具在复杂任务中的稳定性、错误率以及积分模式的可持续性。
核心观点：模型能力趋同后，交付形态与harness调教正取代参数规模，成为AI工具体验分化的决定性变量。
原文链接：Linux.do
