🐯虎嗅•最新收集於 18m
辦公 Agent 進入模型聚合大戰
💡中國主要辦公 Agent 正轉向多模型路由，下一個戰場是 Harness 品質與成本控制。
⚡ 30-Second TL;DR
有什麼變化
千問辦公新增智譜 GLM-5.3 與 DeepSeek V4 Pro，並表示未來將持續擴充模型池。
為什麼重要
辦公 Agent 正從以模型為中心的產品，轉向能依任務或工作流程步驟選擇模型的編排平台。這可能降低對單一模型的依賴，同時提高路由數據、工具執行軌跡與成本感知自動化的戰略價值。
下一步行動
建立一個任務路由原型，針對你的核心工作流程測試 Qwen、GLM-5.3 與 DeepSeek V4 Pro，並分別記錄品質、延遲與單任務成本。
誰應關注：Developers & AI Engineers
關鍵要點
- •千問辦公新增智譜 GLM-5.3 與 DeepSeek V4 Pro，並表示未來將持續擴充模型池。
- •WorkBuddy、TRAE Work 與庫庫 AI 均接入多家第三方大模型，但仍保留各自的生態邊界。
- •模型聚合可提高不同任務的完成率，並收集任務拆解、工具調用、失敗恢復與使用者修正數據。
- •模型路由需要在效果、速度與成本之間做取捨，將成為辦公 Agent 規模化競爭的核心。
- •真正的產品壁壘不只在模型數量，而在 Harness 對 Context、工具、模型選擇與錯誤恢復的協同。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •模型聚合策略（Model Routing）已演進為動態負載均衡，系統會根據任務的複雜度（如邏輯推理 vs. 文檔摘要）實時調度不同參數規模的模型，以優化推理成本。
- •辦公 Agent 的競爭已從單純的 LLM 接入轉向『Agentic Workflow』的標準化，即如何將非結構化的辦公需求轉化為可執行的 API 調用鏈。
- •數據隱私與合規性成為模型聚合平台的關鍵門檻，企業級用戶對於數據在不同模型間傳輸的『零數據留存（Zero Data Retention）』協議要求日益嚴格。
- •目前的模型路由技術已引入『回饋學習（RLHF）的自動化閉環』，系統能根據用戶對不同模型輸出結果的修正行為，自動調整路由權重。
- •除了模型選擇，Agent 的『上下文窗口管理（Context Window Management）』技術成為差異化關鍵，特別是在處理長文檔與多輪對話時的記憶壓縮與檢索效率。
📊 競品分析▸ Show
| 產品名稱 | 核心模型策略 | 價格模式 | 關鍵優勢 |
|---|---|---|---|
| 千問辦公 | 混合模型池 (GLM/DeepSeek) | 訂閱制 + 按量付費 | 生態整合度高，數據流轉順暢 |
| 百度庫庫 AI | 獨立桌面端 + 外部模型 | 免費/增值服務 | 桌面級系統權限，操作自動化強 |
| 騰訊 WorkBuddy | 聚合模型 + 企業微信生態 | 企業級授權 | 深度嵌入辦公協作場景 |
| 字節 TRAE Work | 多模型路由 | 訂閱制 | 代碼與文檔處理效率極高 |
🛠️ 技術深入
- 模型路由層（Router Layer）：採用基於強化學習的路由算法，根據任務類型、預估延遲與成本預算，在請求發出前進行模型分發。
- 混合專家模型（MoE）優化：部分聚合平台在後端對接入的 MoE 模型進行了推理加速優化，減少了冷啟動延遲。
- 結構化數據提取（Structured Output）：強制模型輸出 JSON 格式，以確保 Agent 在調用外部工具（如日曆、郵件、文檔編輯器）時的參數準確性。
- 錯誤恢復機制（Self-Correction）：引入了多代理（Multi-Agent）反思架構，當主模型輸出錯誤時，由輕量級模型進行語法與邏輯檢查並自動修正。
🔮 前景展望AI analysis grounded in cited sources
模型路由將成為雲端 AI 服務的標準中間件。
隨著模型多樣性增加，企業無法單一依賴某個模型，必須透過路由層來平衡效能與成本。
辦公 Agent 的競爭將從模型能力轉向『工具調用成功率』。
用戶對 Agent 的評價標準已從『回答是否正確』轉變為『能否自動完成複雜的跨應用任務』。
⏳ 時間線
2025-03
千問辦公發布首個集成多模型能力的辦公助手版本。
2025-11
千問辦公引入模型路由技術，開始測試動態模型切換功能。
2026-06
千問辦公正式接入智譜 GLM-5.3 與 DeepSeek V4 Pro，擴大模型池規模。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 虎嗅 ↗