從智能體到賽博員工，生產(chǎn)力智能涌現(xiàn)

機器之心發(fā)布

最近一兩年，AI 行業(yè)有一個很微妙的變化：大家不再滿足于問 “模型會不會回答”，也不再只關(guān)心 “Agent 能不能調(diào)用工具”。越來越多的討論開始回到一個更終極的問題：AI 到底能不能完全自動化接管工作區(qū)，理解個性化需求，像一個真實的人類勞動力一樣，把一件事情從頭到尾做完？

這個問題并不新。過去，每一輪模型升級都會帶來一批令人驚艷的 Demo：寫代碼、做 PPT、總結(jié)文檔、整理會議紀要，甚至在瀏覽器中代替人完成流程。然而，一旦將其放入真實的個人或企業(yè)工作流中，差距很快顯現(xiàn)出來：Demo 中的 AI 像一個聰明的助手，真實工作中的 AI 卻常常像一個健忘、不了解組織上下文的新同事。以圖中的案例為例，許多 Agent 表面上能夠 “完成表格”，但實際結(jié)果中仍存在結(jié)構(gòu)錯誤、統(tǒng)計偏差、關(guān)鍵字段缺失等問題。

相關(guān)鏈接：https://huggingface.co/Workspace-Bench

我們在分析飛書內(nèi)部 100+ 個真實案例后發(fā)現(xiàn)，當前 Agent 已經(jīng)進入大量工作流，但大多數(shù)仍停留在 “行動層”，比如寫一段話、打開一些文件。它們可以執(zhí)行任務，卻難以理解任務背后的真實工作世界。其中一個關(guān)鍵挑戰(zhàn)是，當一個任務背后有一整套長期積累的工作空間時，AI 能不能知道該看什么、信什么、忽略什么，以及最后如何把這些材料組織成一個可交付的結(jié)果。

這也是我們在實踐中越來越強烈感受到的轉(zhuǎn)折：Agent 的下一站，不只是更強的模型，也不只是更強的 Agent Harness，而是生產(chǎn)力智能。

需求：從 “演示干活” 到 “進入崗位”

想象一個很普通的工作場景。你剛加入一個團隊，老板對你說：“幫我整理一份明年全球產(chǎn)品策略報告。”

如果這是一個傳統(tǒng) AI 任務，用戶可能會把三份材料上傳給模型，并明確告訴它：“請基于這三份文件寫一份報告。” 這時，AI 需要做的事情相對清楚：讀取文件、抽取要點、生成文本。

但真實工作不是這樣發(fā)生的。真實情況往往是，你面對的是一個團隊多年沉淀下來的工作站：舊版方案、最終版方案、會議紀要、表格數(shù)據(jù)、客戶反饋、郵件導出、PPT 草稿、競品分析、臨時截圖、歷史復盤，全都散落在不同目錄、不同命名規(guī)則和不同版本里。更麻煩的是，很多關(guān)鍵關(guān)系并不會寫在文件名里。某個圖表可能來自三個月前的 Excel，某個結(jié)論可能來自一次沒有歸檔好的會議，某個 “最終版” 旁邊還躺著一個其實更新的 “final_v3”。

從這個角度看，我們真正需要的不是一個 “萬能聊天機器人”，也不是一個能把工具鏈串起來的自動化腳本，而是一種新的生產(chǎn)力單位：它要擁有自己的工作站，理解崗位職責，能夠面對任務目標自主探索、持續(xù)學習，并以可驗證的方式交付結(jié)果。我們把這種形態(tài)稱為賽博員工

這就是 Workspace-Bench 試圖揭示的問題。它不是為了再造一個 “誰分數(shù)更高” 的榜單，而是把 AI Agent 放回真實員工的辦公環(huán)境中，測試它們是否具備一種更接近生產(chǎn)現(xiàn)場的能力：Workspace Learning，工作空間學習

工作空間學習，指的是 AI Agent 能夠在復雜工作空間中識別、推理、利用并更新異構(gòu)文件之間顯性與隱性的依賴關(guān)系，從而完成日常和進階工作任務的能力。

相關(guān)鏈接：https://workspace-bench.github.io/leaderboard.html

現(xiàn)狀：今天的 Agent 技術(shù)，哪些能適配賽博員工，哪些還不能

過去我們談 Agent，常常強調(diào)模型之外的系統(tǒng)能力。一個 Agent Harness 會給模型接上工具、記憶、文件系統(tǒng)、瀏覽器、MCP、狀態(tài)管理和多步執(zhí)行能力。它讓 AI 不只是 “說”，也能 “做”。近年的 Agent Harness 已經(jīng)把 AI Agent 的操作范圍大幅擴展到模型推理之外：連接外部工具與 MCP，維護任務狀態(tài)和長期記憶，編排多步執(zhí)行，加入安全邊界，并支持系統(tǒng)性評估機制。這些能力使 Agent 能夠減少人類在日常任務甚至高級任務中的重復勞動。

Workspace-Bench 1.0 選擇了一個很有挑戰(zhàn)性的切口：不再把 Agent 放在干凈、預設、單文件的任務里，而是構(gòu)建五類真實工作角色的工作空間，覆蓋運營經(jīng)理、物流經(jīng)理、產(chǎn)品經(jīng)理、后端開發(fā)和研究員等畫像；整個環(huán)境包含 20,476 個文件、74 種文件類型、3,299 個目錄，最大目錄深度達到 8，最大單個工作站包含 11,020 個文件。

相關(guān)鏈接：https://arxiv.org/abs/2605.03596

它圍繞 388 個帶有文件依賴圖的任務進行評測，并設計了 7,399 條細粒度 rubric，平均每個任務需要解析 5.1 條依賴邊、跨越 4.7 個不同文件，并接受 19.1 條評價標準檢驗。這種評測方式不只看最終答案是否像樣，還看 Agent 是否找對了源文件，是否理解了文件之間的關(guān)系，是否使用了正確版本，是否遵循了任務所需的依賴結(jié)構(gòu)。

這與真實辦公非常接近。現(xiàn)實里，一個報告寫得漂亮但數(shù)據(jù)源錯了，比報告寫得樸素更危險；一個策略建議語言流暢但證據(jù)鏈斷了，反而會放大組織風險。

一個代表性任務很有意思：運營經(jīng)理需要生成一份全球市場產(chǎn)品策略報告。任務要求 Agent 遍歷全球市場數(shù)據(jù)，比較 USCA、Asia Pacific、Europe、LATAM、Africa 五個市場的銷售額和利潤率，分析不同產(chǎn)品類別在不同市場的盈利能力，評估物流成本對利潤的影響，比較客戶細分貢獻，并最終生成 `Global_Product_Strategy.md`。這看起來像一個 “寫報告” 的任務，但實際上它要求 Agent 找到 9 個核心文件，連接訂單 CSV、物流 PDF、產(chǎn)品信息 Excel、客戶分層表、銷售計劃 PDF 等多源材料，并通過 25 條 rubric 驗證基礎(chǔ)交付、結(jié)果正確性和過程正確性。

這不是傳統(tǒng)意義上的 “總結(jié)文檔”，而是一次小型的數(shù)字辦公室試煉。Agent 必須自己完成一件真實員工每天都在做的事：從散亂材料中恢復工作脈絡，從多源證據(jù)中形成判斷，再把判斷組織成可交付成果。

實驗結(jié)果也說明了差距的結(jié)構(gòu)性。Workspace-Bench-Lite 上，各類 Agent 配置的總體通過率約在 27% 到 60% 之間，平均約 45.1%，明顯低于人類專家配合工具的 80.7%。在完整統(tǒng)計中，跨 27 種 Agent Harness 與 Foundation Model 組合的平均 Rubrics Pass Rate 約為 43.3%，最佳組合接近 60%，但仍與人類加工具存在顯著差距。

更值得關(guān)注的是，難度越接近真實工作，Agent 的性能下降越明顯。論文顯示，任務從 Easy 到 Medium 再到 Hard，平均通過率從 51.4% 降到 46.0%，再降到 35.7%。Easy 任務往往只是較簡單的多文件總結(jié)或單文件修改；Hard 任務則引入文件關(guān)系發(fā)現(xiàn)、長程規(guī)劃、狀態(tài)跟蹤和錯誤恢復。換句話說，Agent 不是不會動手，而是一旦進入真實工作站的復雜依賴網(wǎng)絡，就很容易迷路。

其中最有啟發(fā)的一點，是論文對依賴圖識別的分析。Agent 的 Node F1 通常高于 Edge F1，說明它們相對更容易找到 “哪些文件可能相關(guān)”，但更難判斷 “這些文件之間到底是什么關(guān)系”。這其實非常符合我們的實踐經(jīng)驗：今天的 Agent 常常能搜到一堆材料，卻不知道哪個是源數(shù)據(jù)，哪個是派生報告，哪個是歷史版本，哪個只是背景約束。

這就是賽博員工與普通 Agent 的分界線。普通 Agent 只要找到材料，就可以開始生成；賽博員工必須先理解材料之間的關(guān)系，再決定如何生成。

Scaling ：從模型參數(shù)到提供的工作世界本身

今天行業(yè)討論 Scaling，很多時候仍然圍繞模型本身展開：更大的參數(shù)、更長的上下文、更強的推理、更低的 token 成本。這些當然重要，但它們并沒有完全回答企業(yè)生產(chǎn)力的問題。

我們從實踐中看到，后面真正需要規(guī)模化擴展的，未必是 Agent 本身或模型本身，而是三個更難但更關(guān)鍵的對象。

第一，是工作站的規(guī)模。真實企業(yè)不是一個干凈的 benchmark 文件夾，而是成千上萬個不斷變化的 workspace。每個團隊的文件結(jié)構(gòu)、命名習慣、權(quán)限邊界、歷史遺留和業(yè)務語義都不同。AI 如果只能在單個被整理好的文件包里工作，它就很難進入真實組織。

第二，是提供的角色的規(guī)模。企業(yè)需要的不是一個泛化的 “萬能 Agent”，而是一組能夠承擔具體職責的角色：運營經(jīng)理、產(chǎn)品經(jīng)理、物流經(jīng)理、后端負責人、研究員、銷售、財務、HR、法務。每個角色都有不同的目標函數(shù)、證據(jù)標準和交付格式。讓 AI 從 “執(zhí)行工具” 變成 “崗位角色”，本身就是一次更復雜的工程化挑戰(zhàn)。

第三，是各種典型生產(chǎn)力工作的規(guī)模。企業(yè)真正關(guān)心的不是 AI 能否完成一次炫技任務，而是能否穩(wěn)定覆蓋周報生成、客戶分析、項目復盤、策略報告、數(shù)據(jù)核對、合規(guī)審查、需求整理、進度跟蹤等高頻任務。這些任務往往不難描述，卻很難穩(wěn)定交付，因為它們高度依賴組織上下文和跨文件證據(jù)鏈。

這三件事都非常難 Scaling。它們不像模型參數(shù)那樣可以通過統(tǒng)一的訓練流程線性推進，也不像單個 Agent Demo 那樣可以靠精心設計的場景展示效果。它們要求 AI 系統(tǒng)真正理解企業(yè)里的 “工作世界”：文件如何產(chǎn)生，信息如何流轉(zhuǎn)，角色如何協(xié)作，任務如何沉淀為流程。

生產(chǎn)力智能涌現(xiàn)

過去談 AI 涌現(xiàn)，行業(yè)常常把它理解為模型能力突變：模型規(guī)模達到某個臨界點，突然出現(xiàn)更強的推理、規(guī)劃、編碼或多模態(tài)理解能力。這種涌現(xiàn)仍然重要，但它不是生產(chǎn)力智能的全部。

在生產(chǎn)力場景里，我們需要一個新的定義：生產(chǎn)力智能的涌現(xiàn)，是當模型、Agent Harness、工作站結(jié)構(gòu)、角色語境、任務反饋和組織流程形成閉環(huán)后，系統(tǒng)在真實工作中表現(xiàn)出穩(wěn)定、可復用、可擴展交付能力的過程。

這個定義有三個關(guān)鍵變化。

第一，涌現(xiàn)的驅(qū)動力不完全來自模型。更強模型當然能提升上限，但論文結(jié)果顯示，同一模型在不同 Harness 下會呈現(xiàn)不同的能力分布，而同一 Harness 在不同模型上也會出現(xiàn)顯著差異。尤其在 Hard 任務中，性能下降來自模型推理能力與 Harness 編排約束的雙重作用。這說明，生產(chǎn)力智能不是單點模型能力，而是系統(tǒng)組合能力。

第二，涌現(xiàn)的驅(qū)動力也不完全來自 Agent 技術(shù)本身。Harness 可以讓 AI 更會行動，但如果它不能理解工作站中的文件血緣、語義依賴和任務支撐關(guān)系，就會陷入 “動得很多，但做得不準” 的狀態(tài)。高交互輪次和高 token 消耗并不必然帶來高質(zhì)量結(jié)果。某些配置會產(chǎn)生 40 到 60 輪交互、消耗大量 token，卻只能停留在 30% 到 45% 的準確率區(qū)間。相反，更高效的系統(tǒng)能夠用更少交互輪次找到關(guān)鍵證據(jù)，體現(xiàn)出更強的推理效率。

第三，涌現(xiàn)可能源于工作站本身的變革。當工作站不再只是文件存儲，而是成為一種可被機器理解、可被角色繼承、可被任務驗證的生產(chǎn)力環(huán)境時，AI 的能力邊界會發(fā)生變化。它不再只是 “訪問文件”，而是在一個結(jié)構(gòu)化、帶有血緣、權(quán)限、反饋和評價機制的工作世界中學習如何工作。

結(jié)語：下一代 AI 競爭，是爭奪生產(chǎn)力智能的基礎(chǔ)設施

過去，AI 產(chǎn)品常常從 “能力” 出發(fā)：能寫作、能畫圖、能檢索、能 coding、能調(diào)用工具。但未來，真正能夠進入企業(yè)生產(chǎn)系統(tǒng)的 AI 產(chǎn)品，必須從 “工作” 出發(fā)：一個角色每天要完成什么任務？需要訪問哪些工作站？如何識別文件之間的關(guān)系？如何發(fā)現(xiàn)缺失信息、修復錯誤、檢查版本，并在多人協(xié)作中留下可追溯的證據(jù)鏈？

這正是當前 Agent 的核心瓶頸。許多 Agent 本質(zhì)上仍是 request-response system：用戶提出指令，它在 prompt 邊界內(nèi)執(zhí)行動作。但真實員工更接近 outcome-responsible system：老板只提出目標，員工會主動補齊數(shù)據(jù)、核對上下文、預判風險，并對最終交付負責。因此，賽博員工與普通 Agent 的核心分層，不在于是否能夠調(diào)用工具，而在于是否能夠?qū)⒛繕宿D(zhuǎn)化為可靠交付。普通 Agent 更多是把指令轉(zhuǎn)化為動作，賽博員工則需要把目標轉(zhuǎn)化為結(jié)果。

從 Agent 到生產(chǎn)力智能的范式遷移，并不容易。工作站的規(guī)模、角色的規(guī)模、典型生產(chǎn)力工作的規(guī)模，都可能構(gòu)成新的 scaling-up 問題。但也正因為難，它才是 AI 真正進入工作世界的潛在關(guān)鍵。

參考內(nèi)容：

《Workspace-Bench 1.0: Benchmarking AI Agents on Workspace Tasks with Large-Scale File Dependencies》 https://arxiv.org/pdf/2605.03596