千问办公拿了第一，这个结果，我想是出乎大多数人意料的。
8月18日晚间，华尔街投行杰富瑞（Jefferies）的分析师对八款中美主流AI Agent做了一场真实办公任务实测：Qwen Work、Claude Cowork、Codex、KimiWork、Doubao Work、MiniMax、WorkBuddy、Google Spark。加权得分，Qwen Work拿到95分，Claude Cowork 94分，Codex 92分，阿里千问办公综合得分排名第一，超过美国的Claude Cowork和Codex等Agent工具。财经网科技19日，这条消息被多家科技媒体跟进。
先别急着兴奋，也别急着扣“营销”的帽子，建议先看看这个测试是怎么做的、测的是什么——里面的信息比名次本身更值钱。
测试怎么做的
杰富瑞分析师共设置了5项真实办公任务，覆盖读文件、查资料、浏览器操作、做图四类办公高频动作。网易智能
基于多份文件完成一份年报摘要（素材是金蝶的年报）；
联网查找并比较几家科技大厂的经营数据；
操作真实桌面浏览器完成信息检索和文档生成；
根据数据制作英文PPT；
基于参考图片生成营销海报。
测试结果：千问办公整体表现较为均衡，是唯一一个在所有测评维度中都拿到90分以上的Agent产品。知乎
报告里真正的信息量：Harness
但这份报告最值钱的不是排名，而是一个词：Harness。
报告把Agent能力拆成两层：一层是模型，就是你熟悉的Qwen3.8-Max、GPT-5.6、Opus 5这些，负责“聪明”；另一层是Harness，指围绕模型运行的一整套工程机制——指令、上下文、工具调用、边界控制、反馈纠错和治理，负责“靠谱”。知乎
报告的观点很明确：头部模型之间的能力差距正在快速收窄、趋于同质化，真正能让Agent拉开差距、形成客户粘性的，是Harness。报告里有一组很直观的数据：同一个底座模型、只换Harness，得分差异巨大，Harness带来的得分方差是模型本身的7.8倍。这次实测里，千问办公的隐含Harness得分排在第一，高于Claude Cowork和Codex；腾讯的WorkBuddy虽然被视为中国最成功的智能体，其Harness得分却在中国同业中最低。知乎
这不是华尔街自己造的概念。DeepSeek开源的DeepSeek Harness正在狂涨星：上线半小时破1万星，约42小时破10万星，目前超过15万星。知乎知乎上“Harness Engineering的本质是什么”这类讨论，阅读量已经超过70万。模型分数趋同、工程决定胜负，这个判断正在被资本和开发者两端同时接受。
还有一组数据值得留意：报告提到，Qwen3.8-Max的API价格比GPT5.6 Sol和Opus 5低70%以上，还提出了“每任务成本”（Cost per Task）的衡量视角——办公Agent的竞争，已经卷到按交付结果算钱的阶段了。知乎
信之前，先看清三个细节
当然，这个“华尔街第一”也不用全信。三个细节：
第一，测试任务偏中文办公场景。年报摘要用的是金蝶的年报，经营数据比的也是国内科技大厂，这套设置天然对国产Agent友好，换成纯英文办公环境，结果未必一样。
第二，杰富瑞是投行，不是第三方评测机构。这次是分析师研究，原始报告并未公开，目前流传的细节基本来自媒体转述。报告里还有这样的表述：2026年1月以来，中国模型的平均价格已经翻倍，但是仍然具有更优的性价比。知乎这是客观描述还是叙事框架，大家可以自己判断。
第三，千问办公自己还在快速迭代中。就在两天前（8月17日），千问办公此前上线的智谱GLM-5.3和DeepSeek V4 Pro两款外部模型已经从产品端消失，可选档位重新变为Qwen3.8-Max加高级/基础/经济三档。华尔街见闻这距离两款外部模型上线，仅过去三天。
月初也有用户反馈高峰期响应变慢、任务排队，产品稳定性还需要时间验证。不过生态铺开的速度很快：8月18日，千问办公正式接入企业微信，此前已接入钉钉和飞书，国内三大协同办公平台齐了。ITBEAR
商业化也在推进：千问App端开始试水付费，办公助理专业会员分高级、精英、旗舰三档，高级档连续包月19元、连续包年200元。智东西
这个排名，到底对谁有参考意义
那么这次排名到底对谁有用？我的判断：
如果你的工作以中文办公为主——写报告、做年报摘要、出PPT、做海报——而且在钉钉、飞书或企业微信的生态里，千问办公现在值得试一下。公测期有免费额度：新用户注册可获得2000积分，有效期90天。知乎有用户实测，完成一份12页财报PPT生成任务大约消耗1000积分，轻度使用基本不用花钱。拿报告里那5个任务自己跑一遍，比看任何评测都直观。
如果你主要处理英文工作，或者已经在深度使用Claude、Codex，不必因为这次排名迁移——Claude Cowork只比千问办公低1分，两者差距远小于排名给人的印象，而且测试场景并不覆盖你的主战场。
如果你是开发者，比排名更值得盯的是Harness这个方向的开放程度：千问办公开源了MyContext，上线一周GitHub就破了千星。知乎DeepSeek Harness也是全量开源。Agent工程正在以前所未有的速度被开源化。
后续有几个信号可以继续观察：千问办公会不会重新开放第三方模型接入、这份评测会不会放出八款Agent的完整明细，以及开源Harness产品的迭代速度。
模型决定一个Agent能有多聪明，Harness决定这份聪明能不能靠谱地交付。这次聚光灯打在了后者身上——对真正要干活的打工人来说，这是件好事。
