办公Agent领域正式开启模型聚合的激烈角逐。

8月14日晚间，千问办公有了新动作，正式上线智谱GLM - 5.3和DeepSeek V4 Pro这两款模型。用户只需在产品首页的“前沿模型”档位，就能直接选择使用这些新模型，这无疑为用户提供了更多元的选择。

就在千问办公有所动作的同一天，百度文库网盘通用智能体GenFlow也有了新变化，正式启用中文名“库库AI”，并且推出了独立桌面端。其模型池同样丰富，包含了DeepSeek、智谱GLM等外部模型，进一步提升了自身的竞争力。

无独有偶，在办公Agent领域，腾讯WorkBuddy和字节TRAE Work也紧跟潮流，都已经内置了多家第三方大模型，使得办公场景下的智能应用更加多元化。

从腾讯、字节到阿里、百度，国内头部厂商的办公Agent似乎达成了一种默契，正不约而同地朝着模型聚合模式发展。

回顾大模型产品的发展历程，过去竞争的焦点在于“谁家的模型更强”。然而，当进入办公Agent阶段，竞争逻辑发生了显著变化。如今，厂商们更注重先把不同模型整合到同一个工作台中，吸引更多用户将真实的工作任务交给Agent处理。

只有当用户真正开始使用，将写作、表格分析、PPT制作等真实工作流持续引入Agent，平台才有机会积累丰富的反馈信息。这些反馈包括任务拆解的方式、工具调用的情况、失败恢复的过程以及用户的纠正操作等。通过对这些反馈的分析和处理，平台可以反过来优化Harness，进而形成数据飞轮，推动自身不断发展。

但新的问题也随之而来，在同一项任务中，究竟该调用哪个模型成为了一个亟待解决的难题。路由问题由此成为聚合路线发展过程中必须攻克的关键环节。

踏入同一条河流：模型聚合趋势下的厂商布局

目前，千问办公对外展示的“前沿模型”数量相对不算多。除了自家的千问模型外，外部模型主要是GLM - 5.3和DeepSeek V4 Pro。不过，千问办公明确表示，这三款前沿模型发布后都迅速完成了接入，并且会一直保持这样的节奏。这意味着，千问办公的内置模型池后续还将不断扩张，为用户提供更多选择。

相比之下，腾讯WorkBuddy已经构建了更大的内置模型池。其中不仅包括混元Hy3，还有智谱GLM、MiniMax、Kimi和DeepSeek等多个系列的模型，满足了不同用户在不同场景下的需求。

字节旗下的TRAE Work也朝着类似的方向发展。目前，在产品端可以看到，其已经集成了字节Seed系列、智谱GLM、DeepSeek以及千问等模型，为用户提供了丰富的模型资源。

百度刚刚推出独立端的库库AI也不甘示弱，同样引入了DeepSeek、智谱GLM等外部模型，进一步丰富了自身的模型生态。

从这四家产品的布局可以看出，它们的共同点十分明显：办公Agent不再将自己的能力完全绑定在一家模型上。这一转变背后有着深刻的原因。

对于办公Agent来说，在现阶段，让用户真正开始使用比将每一次模型调用都留给自家模型更为重要。当Agent开始具备搜索网页、打开文档、分析Excel、制作PPT、调用软件等功能，并与用户进行来回修改工作时，会留下更完整的执行过程记录。这些记录包括模型如何拆解任务、调用了哪些工具、哪一步出现了失败、用户在哪一步进行了纠正，以及最终哪个结果被用户接受等。

真实工作流对于Agent时代来说，是极为稀缺的数据资源。这些数据资源就像燃料一样，能够推动Agent不断进化和发展。

百度集团副总裁、个人超级智能事业群总裁王颖有着独到的见解。她认为，随着公共数据逐渐被模型充分学习，在AI继续提升的过程中，人产生的新知识、新经验和新想法将变得越来越重要。未来，真正需要共同建立的是通用智能体能力、记忆与存储，以及个人知识和经验三部分能力。这为办公Agent的发展指明了方向。

模型池越丰富，就越有机会提升不同任务的完成率，降低用户尝试一款Agent的门槛。只有让更多用户真正把工作交给Agent，平台才能获得持续的反馈，进而优化任务拆解、Context管理、工具选择、失败恢复等Harness能力，形成一个良性循环。

由此可见，模型聚合不仅仅是对模型能力的简单拼盘，更是为数据飞轮争取更多真实任务的重要手段。通过聚合更多模型，吸引更多用户使用，从而获得更多真实数据，进一步优化平台性能，形成强大的竞争力。

然而，聚合并不意味着大厂之间的边界已经消失。从目前产品端可见的默认模型池来看，虽然各家都在扩大模型选择范围，但仍然保留着自己的生态边界。例如，WorkBuddy虽然接入了多家外部模型，但其中没有阿里的千问和字节Seed；TRAE Work已经内置千问模型，但没有腾讯混元；库库AI目前也未见混元、千问和Seed。这表明各家在开放合作的同时，也在维护自身的核心利益和生态优势。

不可能三角：模型聚合下的路由难题与竞争差异

把更多模型装进同一个Agent，只是解决了“有没有得选”的问题。真正决定聚合路线能否跑通的关键，在于下一步如何进行选择。这就涉及到路由问题，而路由问题背后隐藏着一组近似“不可能三角”的权衡。

在大模型落地过程中，效果、速度和成本很难同时达到最佳状态。能力更强的模型通常意味着更高的推理价格，对于复杂任务来说，为了得到更好的结果，往往需要更长的思考和执行时间。反之，如果一味追求便宜和低延迟，又可能会牺牲任务完成的质量。

路由要解决的本质上就是这道三角题。为了完成一项工作，需要在什么环节投入更多资金来换取更强的能力，又应该在什么环节通过牺牲速度和成本来提高效率。这是一个复杂而又关键的问题，直接影响到聚合型办公Agent的竞争格局。

这也使得聚合型办公Agent的竞争开始出现另一层差异。理想的状态是，用户只需要提出任务，后台就能根据任务难度、时效要求和模型成本自动完成选择。用户可能只是简单地提出“帮我做完这份报告”的请求，但后台却可能在不同步骤之间调用不同的模型，以达到最佳的效果、速度和成本平衡。

对于个人用户来说，这种差别最终体现在结果的质量、等待的时间以及消耗的积分上。而对于企业客户来说，则会进一步落实到一项工作的单位算力成本上。在办公Agent进入大规模使用阶段后，几分钱、几毛钱的单次调用差异，都会随着任务量的不断增加而被放大，成为影响企业成本的重要因素。

因此，路由不仅仅是一个技术问题，更成为了一笔规模化的经济账。但从Agent的完整执行链条来看，路由只是Harness中的一环。一项任务从用户提出到最终交付，中间涉及任务拆解、Context管理、工具调用、模型选择和失败恢复等多个环节。路由虽然决定了“这一环该调用谁”，但真正决定任务能否稳定完成的是整套Harness能否将这些环节协同起来，形成一个有机的整体。

这也是聚合路线真正可能形成壁垒的地方。模型本身可以通过接入的方式获取，价格也可能随着市场竞争的不断加剧而下降。但要在效果、速度和成本之间找到更好的平衡，需要足够多的真实任务作为支撑，以及平台长期积累下来的调度经验。这些经验和数据是难以复制的，将成为各厂商在竞争中脱颖而出的关键因素。

当WorkBuddy、TRAE Work、千问办公、库库AI手中的模型越来越多时，真正拉开差距的可能是同一道题谁算得更精。也就是说，谁能够更准确地判断什么时候该用最强模型，什么时候又根本没必要使用，谁就能在竞争中占据优势。