AI办公助手正从'会回答'向'能交付'的关键阶段跃迁。Work Buddy作为新一代办公Agent代表，在文档整理、PPT框架搭建等场景展现出稳定产出半成品的能力，但其设计类任务和代码开发的交付质量仍有提升空间。本文通过70项实测数据，揭示了AI办公工具如何融入真实工作流的核心指标：完成度、可编辑性、准确性、稳定性与返工成本，为团队引入AI协作提供了清晰的落地路径。

过去一年，很多 AI 产品都在证明自己“会回答”。但对真实办公场景来说，能回答只是起点，真正影响效率的是另一件事：它能不能把任务推进到一个可编辑、可复核、可继续交付的状态。Codex 的出现给了一个答案：当很多模型还在竞争更强的推理、更像人的回答、更丰富的功能时，Codex 已经把能力伸向 computer use，也就是电脑操作。但这类能力的成本和使用门槛仍然偏高，让很多团队望而却步。

Work Buddy 的出现，正好补上了这个空档。为了测试它到底能不能承担真实办公任务，我设计了 7 个方向、70 道综合题，覆盖 PPT、Excel、Word、浏览器操作、代码开发、深入研究和设计产物。

这次评测 Work Buddy 时，我最关注的不是模型回答是否流畅，而是一个办公 Agent 被放进文档、PPT、表格、浏览器操作、代码、研究和设计等真实任务里，到底能交付到什么程度。

本文不做单纯的工具推荐，也不把某个产品包装成“万能助手”。我更关心的是借 Work Buddy 这个样本，拆解办公 Agent 从“聊天入口”走向“交付型工作台”时的产品能力边界：哪些任务适合交给 Agent，哪些任务必须保留人工复核，以及产品经理在评估这类产品时应该看哪些指标。

评测简介

从整体结果来看：Work Buddy 已经具备进入真实办公流的基础能力，但它更适合承担“起稿、整理、执行、返修”这类中间环节。

这次评测覆盖 7 类办公任务：PPT、Excel、Word、浏览器操作、代码开发、深入研究和设计产物。每个任务按照最终交付质量进行 0-4 分评分。

评测结果显示：

核心数据可以拆成 5 个观察点：

1. 全量平均分：2.31/4，整体达到“可用但仍需复核”的水平。
2. 中位数：2 分，说明多数任务能形成可继续加工的半成品。
3. 3 分及以上任务占比：45.7%，接近一半任务可以作为较成熟底稿。
4. 1 分及以下任务占比：15.0%，仍有一部分任务不适合直接托管。
5. 同题对比结果：在 70 个双方都完成的任务中，Work Buddy 为 15 胜、45 平、10 负，体现出小幅但稳定的交付优势。

Work Buddy 实测核心数据：平均分、分数分布与同题对比：

评测口径：我重点看 5 件事

为了避免把评测做成主观体验，我把“交付能力”拆成 5 个维度。

1. 完成度：是否完成了用户指定任务，而不是只给出建议。
2. 可编辑性：产物能否继续被人修改，比如文档结构、PPT 页面、表格字段是否清楚。
3. 准确性：事实、数字、公式、代码逻辑是否可靠。
4. 稳定性：同类任务是否能持续输出相近质量，而不是偶尔惊艳。
5. 返工成本：人接手之后，是简单润色，还是需要推倒重来。

这 5 个维度比“回答是否好看”更接近办公场景的真实验收标准。因为在企业和团队协作里，AI 的价值往往不是一次生成最终稿，而是降低从 0 到 1 的成本。

从结果看，Work Buddy 强在哪里

Work Buddy 表现最稳定的是文档类和结构化表达任务。在 Word 方向，它的平均分达到 2.85，八成任务拿到 3 分及以上。这类任务通常要求理解材料、重组结构、保持格式一致，并输出一份可读的文档。比如制度说明、培训材料、方案初稿、会议纪要整理、项目说明书等任务，Work Buddy 比较容易形成可继续编辑的版本。

PPT 和深入研究方向也具备可用底稿能力。PPT 均分为 2.6，深入研究均分为 2.5。这两类任务的核心不是一次性做到发布级，而是先把框架、信息层级、论点组织和初步内容搭起来。从这个角度看，它能明显降低空白页成本。

浏览器操作方向同样值得关注。办公 Agent 如果只能在聊天框里回答，价值会受限；一旦能完成检索、打开页面、整理信息、按步骤执行任务，它就更接近真实工作流里的执行者。

可以把 Work Buddy 当前的优势概括为一句话：它不一定每次都能直接交付最终稿，但经常能把任务推进到一个“人可以接着干”的状态。

如果任务是“把一场用户访谈整理成产品需求说明”，Work Buddy 通常能先产出背景、用户痛点、需求列表、优先级建议和后续待验证问题；如果任务是“基于资料做一份竞品汇报”，它能先把竞品维度、功能对比和汇报页标题搭出来。这样的结果未必能直接发布，但已经明显降低了空白页成本。

7 大方向能力雷达：文档、研究、浏览器类是优势区，设计类是短板

短板也很清楚：生图能力还有待提升

Work Buddy 的弱项主要集中在设计产物、代码开发和 Excel。

设计产物方向均分只有 1.45，是 7 类任务中最低的。原因并不难理解：设计类任务高度依赖视觉审美、组件一致性、图文关系、版式细节和品牌语境。目前 Work Buddy 更适合做方向探索和草稿生成，不适合独立承担最终视觉交付。（当然也不排除特有的skill、插件之类的）

代码开发均分为 2.1，Excel 均分为 2.15。这两类任务共同的问题是：看起来对，不代表真的可用。代码需要运行，公式需要校验，数据口径需要复核。只要缺少自动验证环节，Agent 的产出就很容易停留在“表面完成”。

从问题类型看，高频问题主要包括文本质量、代码质量、空间布局、整体视觉风格、富媒体质量、界面美观、真实性和信息错误。这些问题都不是简单的“不会做”，而是典型的交付最后一公里问题。

高频问题类别：集中在文本质量、代码质量、空间布局与视觉一致性

哪些场景适合用，哪些场景要谨慎

结合评测结果，我会把办公 Agent 的适用场景分成三类。

第一类是适合优先使用的任务：文档初稿、PPT 大纲、研究资料整理、会议纪要归纳、竞品资料汇总、网页检索与流程执行。这些任务高频、耗时、结构相对清晰，而且人工复核成本可控。

第二类是可以使用但必须验证的任务：Excel、代码开发、数据处理、复杂公式、脚本生成。这类任务适合让 Agent 生成第一版结构或思路，但不能跳过运行测试、公式检查和数据抽样。

第三类是暂时不建议完全托管的任务：最终视觉设计、品牌稿、财务级表格、生产代码、不可出错的正式审核材料。这些场景的错误成本较高，且验收标准更依赖专业判断。

各方向均分与同类产品分差：Word 最稳，代码开发分差最大，设计产物最弱：

这也是很多团队落地 AI 工具时容易踩的坑：把 Agent 当成最终责任人，而不是把它放进一个有验收、有返修、有人工判断的流程里。

在实际场景中：市场团队可以先让 Agent 做竞品资料汇总和周报初稿；运营团队可以让它整理活动复盘、用户反馈和 SOP 草稿；产品团队可以让它先做需求文档框架、调研摘要和 PRD 初稿。高风险任务则要放在“Agent 起稿 + 人工验收 + Agent 返修”的流程里，而不是直接交付。

对产品经理有什么启发

从 Work Buddy 的表现看，办公 Agent 产品设计至少有3 个值得关注的方向。

第一，不能只优化对话体验，还要优化产物体验。用户最终拿到的是文档、PPT、表格、代码或研究报告，而不是一段聊天记录。产物是否可编辑、结构是否清晰、格式是否稳定，会直接影响用户感知。

第三，要针对不同任务建立不同验收标准。文档任务看结构和表达，PPT 任务看信息层级和版式，Excel 任务看公式与数据口径，代码任务看运行结果，设计任务看视觉一致性。用同一套通用评分很难真正评估 Agent。

第四，要承认半成品的价值。很多办公任务并不要求 AI 一步到位。只要它能把 0 到 1 的资料整理、结构搭建、初稿生成做完，就已经能节省大量时间。产品定位越清楚，用户预期越稳定，使用体验反而越好。

团队落地时，可以用三步法

如果团队想引入类似 Work Buddy 的办公 Agent，我建议从三个步骤开始。

第一步，选择低风险高频任务。不要一开始就让它处理老板明天要看的最终稿，也不要直接交给它财务表和生产代码。可以先从周报初稿、会议总结、培训材料、竞品表、PPT 大纲开始。

第二步，给出明确验收标准。任务描述里最好包含输出格式、篇幅、结构、风格、必须覆盖的信息、禁止遗漏的内容、参考资料优先级和检查项。很多低分问题，本质不是 Agent 完全不会做，而是任务约束不够清晰。

第三步，把复核流程固定下来。比如事实有没有来源、数字有没有错、附件能不能打开、页面有没有溢出、代码有没有跑、表格公式有没有抽样验证。只要复核流程稳定，Agent 的产出就能从“看运气”变成“可管理的半自动交付”。

整套流程的关键不是让人退出，而是让人把精力放到最终判断、关键事实核对、审美把关和业务决策上。

最终判断

从Work Buddy 的评测结果来看，办公 Agent 已经不只是一个聊天入口，而是在向“交付型工作台”演进。

它当前最适合的定位，是把复杂办公任务推进到可编辑、可复核、可继续交付的半成品阶段。它能承担起稿、资料整理、初步结构化和部分流程执行，但仍需要人工完成最终判断和关键验收。AI产品的发展路线越来越清晰，下一阶段的 Agent 产品，不是谁的回答更像人，而是谁能把交付链路做得更稳定。真正的竞争点会落在任务拆解、工具调用、产物生成、自动验证和返修闭环上。

如果说 AI 办公产品的上半场比的是“会不会说”，那么下半场比的就是“能不能交付”。Work Buddy 的价值和问题都出现在这里：它已经能交付半成品，但还需要更强的验证闭环，才能从“可用”走向“可信赖”。