WorkBuddy月活超2000万，腾讯AI办公Agent领先

作者 | 郑好半年之前，资本市场对腾讯AI的主流判断更多是担忧，资本开支落后同行，模型团队经历大换血，马化腾自己都承认“动作慢了”。 半年后，易观发布的Q2报告把牌桌上的座次又一次摊开，2026年6月，17款主流桌面端AI办公智能体合计月访问量突破6000万次，腾讯WorkBuddy以2097万排名第一，超过第二名字节Trae和第三名阿里QoderWork的总和。如果把腾讯旗下WorkBuddy、CodeBuddy、QClaw、Marvis共4款产品加在一起，合计流量3262万，可能占了整个大盘的半壁江山。腾讯正在抢抓阶段性的领先机会，WorkBuddy的推广投放开始在一线城市的楼宇中出现，其内部也在悄然提高这一产品在组织内的地位，QClaw也刚刚并入WorkBuddy部门，而7月30日，又联合腾讯文档，推出了「人机双写」协同编辑能力，用户可直接和AI 在同一份文档里共同创作、修改、实时协作。 面对Agent产品和用户数据上的双重挑战，阿里和字节也在同时加速。阿里内部敲定将三款Agent合并为“千问办公”，在7月27日尝鲜版上线，3天后，字节旗下豆包和飞书的整合也在加速。半年时间，三家大厂从年初春晚的ToC端投流全部折返，转而涌向了Agent办公这个赛道。因为行业正在形成一个共识：办公级Agent可能正在从两个维度重估拥有它的公司。 第一个维度是企业AI系统的争夺。Gartner 7月预测，到2030年，智能体AI可能影响多达2340亿美元的企业应用软件支出，约占企业SaaS支出的20%。智能体能跨越多个系统直接执行任务，传统软件的界面入口和按席位收费模式都可能受到冲击，一旦一款Agent稳定的进入某家企业的工作流，数据、使用习惯、操作惯性将带来比传统应用更大的迁移成本。IDC预计2026年仍将保持约翻倍式增长。谁拿下了办公Agent入口，谁就站在了企业AI支出的闸口上。第二个维度是对AI模型本身的影响。当1300万人每天在Agent上完成任务，他们的工作过程，例如提了什么需求、模型怎么拆解、在哪一步失败、用户有没有接受结果，有没有可能反过来帮助模型本身变得更强？如果可以，那WorkBuddy给腾讯带来的就不只是收入预期，还有未来模型能力的闭环。这或许是行业值得重新评价整个办公级Agent 的根本逻辑。一. 被减去的增长过去两年，市场评价包括腾讯在内的大厂AI基本都在盯资本开支，并把几家放在一起比较。 2025年全年，腾讯资本开支792亿元。GPU供应受限，节奏明显慢于同行。 与此同时，前OpenAI研究员姚顺雨成为了首席AI科学家，直接向总裁刘炽平汇报，同时统领AI Infra部与大语言模型部。进入2026年，姚顺雨掌舵后的混元团队开始重建预训练与强化学习的基础设施，而此前的AI Lab也并入了混元。 4月23日，混元发布重建后首个模型Hy3 Preview，2个多月后，总参数295B的Hy3正式版发布并以Apache 2.0协议开源，支持256K上下文。与此平行的另一条线下来了如今的更大影响。2026年1月的一个周末，腾讯云一个约十人的AI代码助手团队用两个通宵做出了WorkBuddy的原型，超过2000名不同岗位的员工参与了内部测试，到3月初上线时，远超预期的用户访问量，导致团队开启了紧急扩容。到了2026年二季度末，易观数据显示，WorkBuddy的PC端月访问量突破2000万，超过第二名与第三名之和，花旗研报给出的数据是月活突破2000万、日活突破1300万。上线三个月，平台人均Token消耗增长超过十倍。 马化腾在Q1财报中写了一句话：“我们相信，WorkBuddy目前是中国使用最广的效率AI智能体服务。”但同一份财报里出现了一个投资者从未在腾讯身上见过的口径。腾讯主动披露，若剔除新AI产品，包括Hy、元宝、CodeBuddy、WorkBuddy及QClaw等的收入、成本及开支，2026年Q1经调整经营盈利为844亿元，同比增长17%，经营利润率由去年同期的39.9%提升至43.0%。 而在包含上述因素口径下，同期经调整经营盈利756亿元，同比增长9%，利润率38.5%，与上年持平。腾讯似乎在用财报释放一件事，即看利润的时候，先把AI减掉。 Q1资本开支319亿元，同比增长16%，一个季度花掉了上年全年的4成。刘炽平在业绩电话会上说，下半年的资本开支增幅将更加明显。汤道生被问到WorkBuddy的商业化时说了一句更直接的话：“对于WorkBuddy这样的AI智能体，现在还是投入阶段，我们并没有给团队设商业化目标的KPI。” 全中国用得最多的效率智能体，在财报里的身份是一个需要被减去的项。如果只看收入维度，这个故事几乎没什么可讲，但收入从来只是估值的一个维度。真正的问题在于，WorkBuddy给腾讯带来的东西里，有没有一部分是账本记不下来的。二. 腾讯想要什么2026年6月5日，腾讯AI产业应用大会上，姚顺雨说了一段话：“AI下半场的难点已经从寻找方法转向寻找好问题。模型越来越擅长把复杂输入变成输出，真正重要的是有没有足够好的Context，缺少合适的工具和环境，Agent很多事情无法完成。” 同场他还强调，模型研发不能只围绕外部榜单展开，更重要的是基于真实产品和真实应用构造评测，实用性价值要大于刷榜价值。把这段话铺开来看，WorkBuddy给腾讯带来的东西可以分成三层。第一层，全中国最大的一份真实任务分布。两千万月活用户每天提出的需求。写报告还是整理文件、哪些任务需要跨5个软件、什么错误最不能接受、用户愿意等多久、哪些结果看似正确却不能直接交付。这份清单是没法被专家设计出来的，Benchmark能告诉模型不会什么，告诉不了它企业员工每天真正要求Agent做的一百件事按频次排序长什么样。模型实验室的研究员可以设计出让前沿模型做不出来的题，但很难知道哪些题值得训练、哪些只是极低频的特例。WorkBuddy的渗透率越高，腾讯看到的真实任务分布就越清楚。这是一台问题发现机器。第二层，执行轨迹与偏好信号。WorkBuddy记录的远不止用户发了什么消息、模型回了什么话。它记录的是一整条执行链路：模型怎样拆解任务、调用了哪些工具、在哪一步反复循环、用户是否重试、哪些内容被删除或重写、最终结果有没有被采用、同样的结果有没有成本更低的路径。 这些信号构成天然的偏好对。一个任务被完成和被放弃，用户接受产物和推翻重来，少量修改和大幅重写，低Token低延迟的路径和反复循环消耗大量算力的路径。即使没有编码场景那样清晰的硬奖励（要么跑通、要么报错），用户行为本身就包含大量隐性的偏好数据。在强化学习和偏好训练中，这类数据可以被整理成所需的训练材料。产品侧有一个值得注意的细节：WorkBuddy更新日志中出现过“修复历史回放中未完成的工具调用未正确标记为已取消的问题”。这说明产品本身具备工具调用级别的轨迹记录与回放能力，它跑任务的同时，也在记录任务怎么跑的。第三层，把真实工作变成可评测任务的方法。7月23日，腾讯把一篇名为《Tencent WorkBuddy Bench》的论文挂上arXiv。这是一套多领域的Agent评测基准，覆盖代码工程、前端开发、办公业务流程和安全四个工作域。每一个任务都从真实的代码提交、合并请求或业务场景逆向构造，先找到一个真实发生过的工程问题，再把它改写成口语化的角色扮演请求，使任务提示无法通过搜索原始记录反查。数据集、环境镜像、评测框架、测试和参考解全部开源。 在设计上，这套Bench在两套不同的Agent执行框架上跑同一批任务，一套是腾讯自己的CodeBuddy Code，另一套是Anthropic的Claude Code。同一个模型在不同的执行框架上表现不同，因此这个设计把“模型能力”和“执行框架能力”分离开来了，基准测试目的不止给模型打分，也在给执行框架打分。 这恰恰映衬了姚顺雨的学术轨迹，他的代表作ReAct定义了推理与行动协同的范式，SWE-bench和SWE-agent把真实GitHub问题变成了可评测的环境，τ-bench是“工具-Agent-用户”三方交互的评测基准，他曾在《The Second Half》里说，下半场从解决问题转向定义问题，评估比训练更重要。 腾讯Hy3正式发布稿里直接用了“产品反哺”4个字，混元用不到半年的时间跑通了底层重构到产品反哺的完整模型研发链路。腾讯过去缺的可能不只是算力和模型人才，还包括一台稳定的问题发现机器。三. 干活就是训练“干活成为新的训练数据源”这个叙事已经在海外已经有了验证。最典型的是前沿实验室的预算正在换方向。过去几年，大模型训练的数据来源经历了三轮迁移。第一轮是互联网爬取沉淀知识，包括公开网页、书籍、代码库。第二轮是专家标注，Scale AI们靠这一轮崛起。到2026年，预算重心转向第三轮：真实世界工作数据和可重复运行的强化学习环境。关键变量是Agent的任务在变长。模型处理工作的单位，正在从一次代码修改上升到一个文件、代码仓库，乃至一整个项目。任务越长，人工搭建训练环境就越难。我们曾在Agent的苦涩觉醒：智能正从语言走向经验强调过，只有真实工作场景才充满了历史状态、工具依赖、组织规则和意外分支，这些细节是没法靠真空环境设计出来的。如今行业里开始流行某种分类。一种来自于是人工构造的数据，即找专家设计任务，在封闭环境里完成，收集结果；另外一种是从真实工作中直接捕获的数据，接近于“工作过程录像”。GitHub的问题反馈（Issue）、代码提交记录（Commit）显然是前者，一个问题从出现到解决的过程，意图、尝试、修改和验收，全链路保留，但这种数据本身很难大规模获取。现实中更可行的路径介于两者之间。从真实工作中提取任务分布，再用这些分布去构造可训练、可验证的样本。原始数据可能无法直接进入训练，但它告诉实验室应该往哪个方向造题。WorkBuddy Bench其实做的就类似这种事，它从真实的代码提交和业务场景出发，构造可运行、可打分的评测任务。这个框架解释了一件看似矛盾的事，占据工作入口的应用公司，即使拿不到用户的原始文件，仍然可能拥有极高的训练价值。因为它们掌握的是“题目来源”。编程工具Cursor有着相似的逻辑，它同时控制编码入口、Agent执行环境和用户反馈。用户写的代码、接受或拒绝的建议、每次手动修改，都是天然的偏好信号。编码任务有测试可以验证，一段代码要么跑通要么报错，奖励信号天然清晰，而代码仓库可以复制成上万个Docker，模型可以不断改、跑、失败、重来。作为美国版“饿了么”，DoorDash的菜单录入提供了另一个参照。每年超过十万家商户入驻，上传菜单图片，系统需要按DoorDash的内部规则提取信息、转换成电子菜单。通用模型能识别菜单，但不懂DoorDash关于商品分类和附加选项的具体规则。DoorDash最终和外部服务商合作，用内部数据做了专项强化学习。这个案例提供的可能性是当平台帮企业把自己的工作流转换成训练环境时，企业可以获得专属模型能力，数据不必然流向平台。上面这些案例，呼应的其实是前OpenAI 核心研究员Jason Wei提出过的验证者定律（Verifier's Law）——训练AI解决某个任务的容易程度，与该任务的可验证性成正比。任何可以被衡量的，最终都可以被优化。当然，强化学习的关键不仅在于结果能否验证，还在于环境能否反复重置，它让模型在同一个起点上跑成千上万次，每次尝试不同路径，逐步逼近最优策略，编码特别适合强化学习，恰恰是因为环境极易复制和并行。但真实世界往往更复杂，创业、管理、投资、法律确实会有结果，但反馈慢、因果模糊、每次机会不可重复。这意味着，谁能在非编码的工作场景中率先构建出可验证、可重置的训练环境，谁就拿到了一张极稀缺的牌。当Workbuddy的渗透率越来越高，腾讯距离这张牌就越来越近。四. Hy3限免的真实动力WorkBuddy内置了混元、DeepSeek、GLM、Kimi、MiniMax等多家模型供用户自选，定位似乎是国产模型的办公中转站。7月6日Hy3发布当天，WorkBuddy首发接入并开启限时免费。2天后，Hy3的算力消耗达到峰值，下午排队率一度超过50%。WorkBuddy与混元的联合项目团队连夜调度资源，次日完成扩容。后来腾讯宣布限免延长至8月5日，还披露了一个关键数据，在WorkBuddy自选模型的用户中，选择Hy3的占比已超过60%。限免之前，用户的选择分散在5家厂商的模型上。对混元来说，用第三方模型跑出来的轨迹，意义在于可以拿去挖掘任务分布、归类失败模式、构造评测，但有一种关键用途是无法满足的。强化学习中有一个核心区分是“在线策略（on-policy）和离线策略（off-policy），前者的训练效率往往更高。简单说，模型要真正从失败中学到东西、改进自己的行为方式，效率最高的办法是让模型自己去尝试、自己去失败。用第三方模型跑出来的结果去训练，效果会打折扣，因为那是别人在面对这个任务时的反应模式，和自己的不一样。混元的强化学习，需要混元自己的尝试与失败。限免改变了这个比例。Hy3在WorkBuddy自选模型中占比超过6成，中国渗透率最高的办公Agent上超过6成的任务轨迹，正在从别人的记录变成了混元的第一手经验。可见，如今腾讯用推理算力换来的，是自家模型在真实工作现场的探索份额。Hy3的渗透速度还在加快，例如上线ima三天即成为copilot已接入模型中token调用量第一，上线一周总调用量较上一代Hy2增长超过68倍。但从性能角度，Hy3注定要在性能层面接受来自其他开源模型的挑战。7月27日晚，Kimi K3开放了2.8万亿参数的完整权重，随权重发布的许可证首次加入营收挂钩条款，向第三方提供推理或微调访问、且该主体Maas年收入超过2000万美元的，须与月之暗面另签协议。这是开源模型第一次向大体量入口方收税，WorkBuddy这类产品的运营成本可能会多出一个新变量。但开源模型能力越强，反而越利好WorkBuddy这类多模型聚合路由的入口，用户在这里能用到最好的开源模型，并将重要推理跑在腾讯的集群上。当然，限免能否持续换来Hy3的高占比，仍然取决于混元自身的产品力。8月5日限免结束的时候，如果Hy3选用率大幅回落，说明6成份额是补贴买来的，基本盘不牢；限免结束、选用率仍守在高位，说明产品力驱动了真实替代。如果再次延期或对特定用户永久免费，则意味着腾讯给轨迹的估值高于积分收入。五. Harness价值涌现 从Claude Code开始，再到腾讯CodeBuddy，今年以来编程Agent类产品在执行长程任务时的成功率和Token效率，明显高于传统的通用办公智能体。原因恰恰在于harness的价值，即一套“驾驭大模型完成任务的控制框架”。它决定怎么拆解任务、怎么管理上下文窗口不被撑爆、怎么验证每一步执行结果、怎么在出错时回滚并换条路重试。编程Agent在这套控制工程上打磨了更长时间，所以即使底层用相同的模型，执行复杂任务的成功率也更高。办公Agent的harness或许还在早期。步骤超过20步、执行周期超过1小时的长程任务，通用智能体的成功率普遍偏低，常见问题包括中途偏离目标、执行过程中上下文丢失、工具调用出错后无法自我修复。最终成功率低会导致反复重试，进而导致Token翻倍消耗抬升成本，这两个问题互相咬合。WorkBuddy的harness正在被1300万日活用户每天打磨，更新日志里可以看到进化的痕迹：沙箱安全加固、Skill安装前自动扫描、工具调用历史回放修复、专家中心排行榜上线，而这些都有可能促成harness的改进机会。WorkBuddy Bench用两套不同的执行框架跑同一批任务，目的就是做框架变量和模型变量分离的实验。Skill生态也可以放在类似框架下理解。WorkBuddy的SkillHub虽然收录海量技能，但Skill天然可移植，WorkBuddy兼容OpenClaw的技能体系，阿里、字节的Agent产品也有各自的技能市场，并不构成天然壁垒。但Skill的调用分布，仍然构成模型和harness侧的重要反馈信号。被高频调用的Skill，可能都标记着还没有被模型内化的能力，如果说Skill是用工程手段给模型能力缺口打的补丁，那么SkillHub的调用频次表，就是模型后训练的优先级排序，可以被复制的是Skill本身。不能被复制的是谁在什么任务上、以什么频率、以多高的失败率调用了它。六. 重估的条件尽管处于阶段性的大幅领先，但WorkBuddy的产品本身并非完美。和Codex相比，Codex在云端沙箱里支持多Agent并行，可以同时运行多个30分钟以上的长任务，用户关掉电脑它还在工作——异步执行能力是WorkBuddy目前不具备的。和Claude Code相比，Claude Code的终端原生架构让它在复杂代码仓库的上下文管理上更深入。Claude Cowork进入非编码场景后，把编程Agent积累的harness成熟度直接带了过来。从社区反馈看，还存在处理复杂格式的Excel和专业排版的PPT时精细度不足，成品仍需大量人工修改等问题。长程任务中存在任务重复执行、中途偏离目标的情况。积分消耗透明度有待提高，轻度任务约10-20积分，深度任务一次可能上百，用户在执行前不易预判成本。7月18日上线的独立APP，官方表述是“具备桌面端的大部分能力”但实际体验中，远程遥控功能目前只能开一个任务窗口，没法同时观察和管理桌面端多个项目的进度。这些领域恰恰是数据飞轮可能会最先修好的东西。“任务重复执行”是典型的Agent循环失败样本，“技能记忆混乱”是上下文管理问题，两者都可以靠轨迹分析改善。上线4个多月仍然存在，说明产品到模型的反馈回路目前更多停在产品层，但这不是不能解决的问题。腾讯针对Agent产品已在组织上开始收敛。7月20日，腾讯内部调整将QClaw产品中心的全部业务和部分团队调整至WorkBuddy所在部门，QClaw负责人张舒昱更早前已离职。年初龙虾大战期间，腾讯在办公Agent领域一度有WorkBuddy、QClaw、元宝、ima等多条产品线并行。WorkBuddy月活与其他产品拉开差距并吸并QClaw，一度被视为腾讯在办公Agent上从赛马走向聚焦的第一个明确信号。“内部确实正在将更多资源聚拢到WorkBuddy，之前有观点认为仍然保留了微信和WorkBuddy两套赛马机制，但二者的分工和定位其实是不同的。”一名接近腾讯人士指出，“但聚拢压强这也不意味着内部竞争就消失了，大模型训练可能未必适合赛马，但harness更接近工程产品侧，仍然具有效率优先的特征。”重估腾讯需要观察5个指标。第一，8月5日之后Hy3的选用率走势。如果限免结束后选用率仍在高位，说明产品力驱动了真实替代。第二，企业付费坐席与真实活跃企业数。月活2000万是C端数字，企业版6月5日才发布。C端提供训练信号，B端产生收入，两条线各自走多远，决定WorkBuddy的双重价值。第三，长链路任务的完成率与返工率变化。这是harness能力进步的直接度量。第四，WorkBuddy Bench是否出现由真实用户轨迹逆向构造的子集，目前4个子集全部基于公开工程物料，如果未来出现来源为匿名化办公任务的子集，说明产品到训练的通路才真正打通。第五，能力能否迁回元宝、微信Agent和其他腾讯产品，如果WorkBuddy

原文超出正文长度上限，此处截断——上游还有内容，完整版见上方「原文 ↗」。