杰富瑞给 8 款 Agent 出了五道真实办公题：流量第一的 WorkBuddy 只拿 66 分垫底，千问办公 95 分，是全场唯一全科目过 90 的。差距不在模型智商，而在 Harness 这套工程机制，同一模型换一套班子，实测能差 18 个百分点。