1. 款国内主流办公 Agent 横测，第一竟然是…

[!abstract] 速览
作者拿 SuperCLUE-Office 的端到端办公智能体横测，挑了豆包工作、Kimi Work、WorkBuddy、百度搭子、千问办公、商汤小浣熊、讯飞星火工作、纳米 Work 8 款国内主流办公 Agent 做比较。豆包工作以 85.33 分荣获第一，文档处理项得 87.12 分，领先第二名约 5 分。测评采用真实文件交付、五档细化评分、Claude Code 框架裁判模型，超时任务直接判负，避免 AI 瞎编。作者结合自身实践，指出豆包工作在飞书深度打通、Trae 工程积累两大原因下，文档处理能力显著领先；同时强调不同 Agent 各有优势，选工具需以实际顺手度为主。

前两天刷到 SuperCLUE 发的一份办公智能体测评：SuperCLUE-Office。

他们一口气拉了 8 款国内主流办公智能体进行横测：豆包工作、Kimi Work、WorkBuddy、百度搭子、千问办公、商汤小浣熊、讯飞星火工作、纳米 Work。

结果是，豆包工作以 85.33 分拿了总榜第一，Kimi Work 第二、WorkBuddy 第三。

其中文档处理这一项，豆包工作拿到了 87.12 分，领先第二名将近 5 分。

这 5 分是什么概念呢？前四名的总分，从第二到第四一共才差了 1.96 分，大家咬得非常紧。在这么卷的局面里，单项能拉开快 5 分，在这份榜单里还是挺显眼的。

SuperCLUE 也表示，文档处理是办公智能体落地日常办公最重要的能力模块。

确实是，你回想一下自己的一天，写方案、改合同、整理纪要、出周报，有多少时间是花在文档上的？几乎所有吧。

然后我好好研究了一下这个榜单，我觉得还是有点东西的。

先简单说下 SuperCLUE 是啥。

它背后是 CLUE，中文语言理解测评基准，2019 年就开始做中文大模型的测评了，在中文 NLP 圈算是老牌机构。

这几年很多国内厂商发新模型，发布会上都会放一张 SuperCLUE 的成绩。

1.1. 榜单怎么测的

不过让我觉得这次靠谱的，主要还是它的测法。

第一，它是端到端的。

不是选择题，也不是问答题，而是直接给你一堆真实文件，让 Agent 们交付一个能打开、能继续编辑的 Word、PPT 或者 Excel 出来。

我看了它公开的一道例题：扮演市场监管部门的负责人，给 4 份附件（两份发布稿、两份不合格明细表，其中一份还是老格式的 .xls），要求交一份 8 到 10 页的可编辑 Word 月报，封面、目录、执行摘要、行动表一样不能少，百分比的小数位还得全文统一。

这看起来好熟悉啊，这不就是很多打工人熬夜做的那些事儿吗？

内容挺多，感觉好复杂。但是很真实了。

**第二，评分非常细。**每道题都有五档评分细则。

[!warning] 编数据会倒扣分，最多扣 4 档
办公场景里最怕的就是 AI 一本正经地瞎编，到时候一个一个核对，说不定最终还要花更多的时间去纠错🤣。

**第三，交付物先过一遍脚本。**检查格式、页数、能不能打开，再由裁判模型按细则逐条打分（用的是 Claude Code 框架接入的裁判模型）。超过 2 小时还没有有效输出的任务，直接算失败。

设计	具体做法	想解决什么
端到端真实交付	直接给一堆真实文件，交付出一个能打开、能继续编辑的 Word、PPT 或者 Excel	不是选择题、问答题，考的是真实办公交付
五档细化评分	每道题都有五档评分细则，编数据会倒扣分，最多扣 4 档	办公场景里最怕 AI 一本正经地瞎编
脚本 + 裁判模型	先过脚本查格式、页数、能不能打开，再由裁判模型按细则逐条打分；超 2 小时没有有效输出直接判失败	格式与内容分开评，卡住无效输出

一直以来，我的文档、各种资料和协作都在飞书上。自从飞书和豆包工作完全打通后，处理文档更丝滑方便了。

然后 9 月份，豆包工作刚出来那会儿，我跟几个好朋友肝了 7 天，开源了《豆包工作蓝皮书》。

写蓝皮书的那段时间，也是我重度使用豆包工作的时候，各种办公场景，几乎都拿它跑过。

比如说整理会议纪要，要求提取决议事项、行动项和责任人。

我线上的会很多。经常都是直接让豆包工作读当天的会议纪要，把待办建成飞书任务，截止日期按会议结论来设。它会先把清单发给我过目。

再说多文件规划与执行。我加了个行业交流群，一天几百条消息，两天没看就得爬楼。我让豆包工作把最近 7 天的群聊按动态、观点、实操、选题分好类，放进我的飞书文档库。

而且有件事我都没要求，它自己就做了：群里出现过的文档和链接，它翻了出来，挂回了对应的讨论下面。

还有批量处理这种 Excel 表，也是手拿把掐～

1.2. 文档能力为什么领先

我个人觉得它文档能领先这么多，可能有两个原因（我瞎说的）。

第一个原因，是飞书。

巧妇难为无米之炊。模型再聪明，也只是厨子，你得有米。

我所有的文章和资料，上下文基本都沉淀在飞书里，有多维表格，也有很多文档。在我看来，飞书就像一个分好格子的米缸：文档、表格、妙记、群聊、日历、任务都在一处，权限也分得清清楚楚。

自从飞书跟豆包工作打通之后，我觉得目前操作飞书最丝滑的，还是豆包工作。

所以我现在经常让它直接去操作飞书，帮我把活干了。

可能是豆包模型有大量的专门针对飞书文档的操作训练，使豆包模型在文档方面更强了（瞎猜的）。

第二个原因，是字节在 Agent 这件事上起步很早。

Trae 是 2025 年初发布的，算是国内最早的一批 AI 编程工具，后来做了 SOLO，本质上其实就是一个桌面端 Agent，到现在快两年了。

老粉应该知道，我 2025 年 2 月写 Trae 的时候，就在用它写稿了，不只是写代码。

所以我一直觉得，编程 Agent 和办公 Agent，底子其实是一套东西：读文件、拆任务、调工具、做完自己检查一遍。最开始大家做 Work Agent 的时候，很多就是在原来的 Coding Agent 上硬加了一个 Work 入口，表面上可以切换 Coding Agent 和 Work Agent，但其实根本没区别🤣。

[!quote] 庄子说，水之积也不厚，则其负大舟也无力
工程上的东西没有捷径，坑都是一个一个踩出来的。

所以我觉得，豆包工作身上是有很多 Trae 在工程上的积累的。

1.3. 最后

坦白说，一次测评说明不了全部，我自己平时也在用好几款 Agent，各有各的优势。

而且我感觉国内办公 Agent 好卷呀，几乎每天都在升级，打开时遇到要更新的频次很高。

但说到底，神仙打架，最后受益的还是我们这些普通人。

[!tip] 怎么挑搭子

• 不必局限某一个工具，像豆包工作文档处理很强，就可以把文档类工作都丢给它。
• Codex 操作浏览器的能力很强，所以基本上我都会把操作浏览器的活儿丢给 Codex。
• 但不管怎么说，自己的效率提升才是王道。找出你手头最繁重的活儿，挑一个用着最顺手的搭子，能踏踏实实帮你把事办了，这就比啥都强。