模型大戰，終究是入口和生態大戰。
從今年 6 月到 8 月初，短短不到 60 天時間，有一件事幾乎同時在新 BAT 發生。
先是 6 月，阿里率先開啟內部 Agent 的產品線與能力大整合，到 8 月 3 日，官宣在程式設計（Coding）和專業辦公（Cowork）能力大幅提升的 Qwen3.8 模型的同時，正式將內部孵化的三款 Agent 產品 QoderWork、悟空、MuleRun 合併為統一的 Agent 產品「千問辦公」。
緊隨其後，7 月 20 日，騰訊開啟業務整合，QClaw 的相關業務和團隊被併入 WorkBuddy 體系。
10 天後的 7 月 30 日，字節跳動宣佈飛書產品團隊整體併入豆包，飛書負責人謝欣向豆包負責人趙祺匯報。
不同的組織結構、不同的產品積累和優勢市場，三家中國最頂級的網際網路企業卻在相近時間作出相似整合選擇。這不太像巧合。
更合理的判斷是，這種整合，是在 AI 行業走過摸索期，進入入口爭奪階段背景下的必然選擇：過去，大廠需要用多個團隊驗證桌面操作、雲端執行和企業協作等不同路線；現在，主要產品形態已經逐漸清晰，競爭也開始從能不能做出 Agent，轉向誰能成為使用者和企業的統一入口。
而千問辦公作為這輪收束中最新落地的產品，也是最適合觀察觀察行業變化的樣本。
作為阿里階段性的能力重組，它將此前分散在模型、桌面端、雲端和企業協作場景中的積累，裝進了一款新的獨立產品。
同時，它身上也集中體現了企業 Agent 競爭中最關鍵的幾個問題：內部賽馬為什麼此時結束，企業 IM 與雲為什麼成為 Agent 的底層資產，以及模型、產品和真實任務如何形成共同進化的閉環。
讀懂它，就讀懂了企業級 Agent 真正的賽點。
01 大廠為什麼同時收斂路徑
大廠為什麼幾乎同一時間開始整合 Agent 產品？
拿阿里來說，在今年年初，同時保留 QoderWork、悟空和 MuleRun，是合理的。
三款產品代表了三種不同判斷。
QoderWork 運行在使用者電腦上，擅長讀取和處理本地檔案；悟空試圖進入釘釘的企業帳號、權限和應用體系；MuleRun 從一開始就運行在雲端，可以長時間執行任務，也更早進入海外市場，截至今年 5 月，它已經服務了 43 個國家和地區的企業和使用者，其中單月付費超過 200 美元的使用者佔比達到 34%。
在市場尚未定型時，三個團隊分別測試本地執行、企業協作和雲端運行，可以幫助阿里更快地找到方向。
問題在於，試錯期不會一直持續。今年上半年，行業對通用 Agent 的理解發生了明顯變化。
Anthropic 發現，許多非技術員工會繞過普通聊天介面，直接使用 Claude Code 整理檔案、處理表格和完成多步驟知識工作。於是，Cowork 在隨後被做了出來：它保留 Claude Code 的任務執行能力，但換成更適合普通知識工作者的互動方式。
相似的變化也發生在老對手 OpenAI 上。在 OpenAI，一部分使用者在 ChatGPT 裡處理程式設計問題，另一部分使用者則在 Codex 中完成報告、圖片和資料處理等非程式設計任務。聊天、程式設計和辦公之間原本清晰的產品邊界， 開始被使用者主動打破。於是，7 月下旬，OpenAI 將獨立運行近一年的 Codex 併入 ChatGPT 桌面客戶端內，至此 Chat、Work、Codex 三端合一。
而於千問辦公的此次動作來說，它同樣也是阿里三場實驗驗證過的能力重新組合：桌面端繼承本地檔案和電腦操作能力，雲端承接長任務、資源調度與多模態生成，企業端則繼續進入組織身份、權限和業務系統。把原來分散的產品能力和反饋資料，集中到一個入口、一套工程體系和一個迭代閉環中。
千問辦公實測，可以快速根據需求產出專業報告之外，還能直接打通釘釘傳送到聊天介面
使用者在自發的用腳投票，市場也已經沒有給大廠留下太多繼續分散試驗的時間。
易觀分析發佈的二季度報告顯示，2026 年 6 月，17 款主流桌面端 AI 辦公智能體的合計訪問量已經超過 6000 萬次。騰訊系、字節系和阿里系產品相加約為 5622 萬，留給其他玩家的市場不到 500 萬。
技術路線逐漸確定，頭部效應也開始出現，這時候，分散就會成為資源分配上的負擔。
工程層也是同理。過去，模型每升級一次，三支團隊都要針對務規劃、上下文管理、工具呼叫、失敗重試、權限控製做一次重新適配，這本質上是一種不必要的重複勞動。
「千問辦公」就是在這個分秒必爭背景下出現的產物。
02 企業 Agent 的分水嶺
目前市場上大多數通用辦公 Agent，首先解決的仍然是個人生產力問題。它們可以讀取使用者電腦裡的檔案，分析個人文件，理解歷史對話，整理個人日程，再根據使用者本人擁有的權限呼叫有限的外部工具。
但這些主要是個人上下文。個人上下文的疊加不等於企業上下文。企業內所有人的效率相加，也不等於企業效率。給每位員工配置一個更聰明的個人助手，可以提高局部產出，卻未必能夠改善整體資訊流轉、任務協同，以及個人結果轉化為組織行動與結果的效率。
企業面對的是另一類問題。
企業並不是個個人帳號的簡單集合。所有員工的檔案、對話和任務相加，也不會自動變成企業的運行方式。同樣一份檔案，在個人 Agent 看來可能只是一份需要總結的材料；在企業 Agent 看來，它還涉及誰可以閱讀、誰需要確認、結論應該同步給那些部門，以及後續任務必須經過誰批准。
這是企業級 Agent 與個人辦公 Agent 最根本的區別。也是相似的整合背景下，中美大廠行為邏輯產生明顯區別的一個認知基礎。
OpenAI 和 Anthropic 主要在合併聊天、程式設計和桌面執行入口。中國大廠的整合範圍，則包括了釘釘、飛書這樣的企業協作軟體，同時也讓雲成為了 Agent 底層能力的一部分。
體現在企業內部產品協同上，豆包產品線融合飛書的同時，也與火山引擎深度結合。千問辦公合併了此前主攻釘釘場景的悟空，也同時繼承了阿里雲過去在企業級服務市場上關於行業認知、資料管理、資源調度的全方位資源。
也就是說，是 Agent 開始吸收 IM 與雲，把它們變成底層的 infra。
雲作為 Agent 核心 infra 的重要性不比多說。這裡我們主要看看 IM 的整合敘事。
傳統辦公軟體按照功能劃分世界：郵件負責溝通，文件負責寫作，表格負責資料……但真實世界中，使用者想完成一個目標，需要的是對中工具能力的組合，Agent 也是同理。
也是因此，過去十多年，整合了溝通、員工身份、組織關係、協作網路、檔案、會議、審批、權限和各種企業應用連接的釘釘式 IM，作為功能最多，也包含完整組織上下文的軟體，必定會成為 Agent 時代最底層的能力支撐。
我在自建的釘釘組織群裡模擬了一段三人選題討論，讓千問辦公總結討論要點並提取待辦事項。它不僅從對話中識別出了五條待辦，每條都正確分配了負責人，還給緊急的那條標了「較高」優先順序和「即將截止」，並直接寫入了釘釘的待辦系統。
當然，對一個外部的第三方 Agent 來說， 通過連接器讀取群消息，再生成一份摘要，或者完成投研、網頁製作或者表格處理並不困難。真正難的是寫回：建立待辦、調整日程、傳送郵件、提交審批，或者把任務分配給正確的人。
讀取只需要介面，而寫回需要更高的信任。企業必須確定 Agent 能看到什麼、可以替誰操作、那些步驟需要審批，以及發生錯誤後如何追溯和撤銷。從這一方面來看，過去十多年裡，釘釘為 Agent 的積累不僅是工具，更是信任與企業級上下文的護城河。
03 模型和 Agent，成為智能飛輪
如果再將眼光進一步收斂到國內的一梯隊玩家，不難發現，阿里在這場競爭中還有一項少見的條件。它同時擁有一線大模型、企業協作平台和雲端運算基礎設施。
但模型和應用都在自己手裡並不會自動轉化成優勢。只有模型和 Agent 能夠相互提供反饋時，這種組合才真正有價值。
於是，我們看到，推出千問辦公的同日，阿里低調放出在程式設計（Coding）和專業辦公（Cowork）方面能力大幅提升的 Qwen3.8。
這背後的邏輯在於，在生產環境中，Agent 可以為模型提供一種比聊天記錄更有價值的反饋，模型又能一勞永逸的解決 Agent 中的底層問題。
比如，很多 Agent 產品中很多看似發生在應用層的問題，根源其實在模型層。過去，模型選錯工具，產品團隊可以增加一條呼叫規則解決；模型在長任務中忘記最初要求，團隊也可以在外面再套一層工作流；這些應用上的修補客觀上可以降低錯誤率，卻不能改善模型本身的判斷與認知能力。
因此，我們可以看到 OpenAI 推出 Codex 時，沒有只是給通用模型接入程式碼編輯器，而是訓練了面向軟體工程任務的 codex-1。它使用真實程式設計任務進行強化學習，能夠讀取和修改檔案、運行測試，並根據測試結果繼續調整，直到得到通過的結果。它的出現，一舉改善了開發者們在程式設計任務中的大量問題，也成為 OpenAI 在程式設計領域逆襲的關鍵。
模型解決了 Agent 的底層能力問題，Agent 也可以為模型帶來比聊天記錄更完整的反饋。
對 OpenAI 和千問系列模型來說，Agent 留下的完整行動軌跡，可以告訴模型它如何理解目標，制定了什麼計畫，呼叫了那些工具，在那一步偏離要求，使用者修改了什麼，以及最終產物是否真的被使用。尤其在程式碼任務中，在程式碼任務中，能不能運行、測試有沒有通過、檔案是否正確修改，通常可以被機器驗證。而這種真實企業任務中的失敗軌跡又能反饋給模型，成為模型迭代的動力。
最終，Agent 為模型提供真實任務反饋，模型為 Agent 提供更強的判斷能力。模型+ Agent 構成的，正是一套持續運行進化的飛輪系統。
04 結尾
當然，客觀來說，千問辦公這次整合完成，並不意味著阿里關於 Agent 的探索從此就可以高枕無憂了。但它至少說明，阿里已經找到了自己的主線。
當越來越多 Agent 都能製作 PPT、分析表格、控制瀏覽器時，各種 To C 式 Agent 的功能差異會快速縮小。未來真正的差距，將來自產品背後的系統能力：它掌握多少企業上下文，能夠獲得多大的執行權限，又能否把每一次 Agent 真實任務變成下一次模型升級的依據。
在這個過程中，IM 的上下文，infra 的基礎能力建設，模型與 Agent 的飛輪缺一不可。
千問辦公，已經拿到了半張門票。(極客公園)