AI办公如何真正懂得工作?从Office到Agent的三代分工变化
职业与专业场景是最重要的上下文。
现代社会对一类工作的依赖越来越深:靠知识、经验和判断,去处理那些没有现成答案的问题。
研究员要从纷繁的事实和现象里找出值得追问的变化,教师得找到帮学生理解一个概念的办法,工程师要在性能、成本与可靠性之间敲定可行方案,医生则结合病史、症状和检查结果作出临床判断……说到底,知识工作的核心就是为一项任务提供最要紧的智识、洞察和方法。
产业分工越深、企业规模越大,进入现代组织的专业人员就越多。他们既要彼此配合,也得让自己的判断被别人理解、检验和采用。公司也好,政府、医院、学校也好,这些“组织”因此挑起了双重担子:一边让专业知识发挥作用,一边让不同人的贡献汇合成共同的成果。
知识工作的信息化,过去几十年一直在回应这两种需要。
个人电脑和 Office 普及后,计算、书写、修改和表达的成本降了一大截。协同办公软件起来之后,知识与信息能跨部门、跨地域、跨时间流动,更大范围的专业协作成了日常。
可组织越复杂,协调专业分工所要花的功夫也越多。找资料、交代背景、统一口径、同步进展、等待确认,这些事一点点占掉了知识工作者的一部分日常。有些环节确实帮人作出更好的判断,有些却在反复运转中失去了用途。一个人有专业知识,却未必能把大部分时间花在发挥这些知识上。
办公工具的信息化因此始终绕不开同一个问题:怎么让人把更多精力放在最有价值的贡献上?
Agent 的出现,给这个问题带来了新的解法。
机器开始能理解任务、调用工具、衔接步骤,接手一部分过去必须由人一直盯着的流程。人与软件的分工,正从逐项操作工具,转向委派任务、共同推进工作。
不过,知识工作各有各的专业方法。研究员怎么求证,教师怎么讲解,设计师怎么推敲,工程师如何构建,医生如何判断,往往没有唯一的标准答案,更不可能被一套笼统的“通用智能能力”概括。机器想进入这些工作,就得进一步理解不同职业如何提出问题、展开任务和判断结果。
办公 Agent 要想真正走进更多知识工作者的日常,就得在增强通用智能的同时,理解和尊重每一个专业知识领域。
从 Office 到 Agent,人与机器的分工是如何被改变的
若按机器参与工作的深度来看,过去近 40 年的办公产品大致走过了三个阶段。
第一代以 Office 为代表,帮个人“制作”工作成果。
文字处理、电子表格和演示软件,让书写、计算、排版与修改都变得容易。一个人能处理更多信息,也能用更丰富的形式表达自己的分析与判断。
但工作怎么展开,主要还是使用者自己安排。找哪些资料、采用什么方法、怎样解释结果,都得人来决定,再通过软件完成操作。
分析与判断由人扛主力,计算、编辑和表达则交给机器。
第二代以 Slack、飞书、钉钉、企业微信等为代表,重心从个人制作成果扩展到多人共同工作。
共享文档、在线讨论和项目看板,让专业知识能在团队中流动。不同岗位可以围着同一份资料讨论,跨地域的团队也能一起推进一个项目。组织的协作范围更大了,也有条件减少信息壁垒和等待。
不过,理解信息、安排步骤和采取行动,仍然主要靠人。群里定下的决定,得有人去落实;共享空间里的资料,得有人去读;项目卡住了,得有人去协调。
这两代产品分别改善了个人操作和团队协作。到了第三代办公产品,机器开始参与任务的推进,也就是 AI Agent 形态的办公产品。
面对一个目标,Agent 能结合资料安排步骤,调用工具处理问题,生成成果,再按需求继续检查和修改。一部分原本要人逐项操作、来回衔接的工作,开始可以交给机器连续完成。
定期整理营销数据,是 Anthropic 给 Claude Cowork 演示的一类活儿:从分析平台和团队资料里提取关键数据,跟上一周做对比,把明显的变化圈出来,最后产出汇报文件。
Codex 能通过代码清洗、合并数据,分析问题,把处理方法和结果保存成可以检查、重新运行的成果。反复发生的数据处理,由此可以沉淀为可复用的方法。
这类产品盯着用户想达成的目标,把资料、工具和多个执行步骤串成一段工作流程。机器于是开始插手“接下来做什么、怎么做、做完之后怎么接着走”,这跟以往主要供人操作的 Office 工具、以及主要连接人与人的协同软件,划出了区别。
但任务背后的“专业问题”还是得靠人盯着:指标变了到底说明什么,分析假设站不站得住,下一步该采取什么动作。不过在这些判断之前,那些必须由人亲手做的准备和操作,可以少一些了。
人与机器的分工正在变:人开始有条件把一整段工作过程交出去,把更多注意力留给问题本身。围绕任务组织资源、采取行动、形成可检查的结果,也就成了第三代办公产品要持续打磨的能力。
办公 Agent 需要的 context 是什么?
专业人员接到一项任务时,脑子里往往已经装了不少没写进任务说明里的事。
财务分析师看到利润增长,会连着收入结构、成本变化、非经常性损益和现金流一起看,判断增长从哪来、能不能持续;教师则清楚,学生答错一道题,可能是算错了,也可能是概念没弄懂,两种情况得用不同的辅导办法。
这些判断决定了下一步查什么、怎么分析、用什么办法。专业知识就这样成了工作的组织方式,而不只是随时能翻的资料。
机器要接走这些人的一部分活,也得拿到相应的背景和方法。通用的检索、分析、生成能力,得在具体任务里找到自己的用武之地。
比如一次新品推广,从摸清市场和用户,到定方案、做物料,再到投放后复盘,看上去包含许多不同的工作,实际始终围着同一个问题转:怎么让合适的人理解并选择这款产品。前期发现的购买顾虑,应该影响后面的内容;预算和渠道的限制,也该贯穿方案与执行。
豆包工作新近发布的增长营销能力工作台,就把这段过程盖住了。用户可以结合自有资料和已授权的数据服务,做品类与用户洞察,形成营销方案,制作海报和不同平台的内容,再接着改成果或分析投放数据。

在这里,软件开始承接多个步骤之间的衔接。用户交出一个目标和必要条件,机器参与资料处理、分析与制作,并根据反馈继续干活。
豆包工作、Claude Cowork 和 Codex 属于同一路数,都是第三代办公产品:机器按任务动手做事,过去得由人一项项安排、亲手完成的环节,如今有一部分交给它。
这些过程越连贯,专业要求就越需要被理解和保留。营销方案里的目标人群,不能到了做物料时就被忘掉;分析采用的口径,也不能在生成图表时悄悄变了。
职业和专业分工带来的“上下文”(context)之所以关键,原因就在这里。专业知识框架、从业经验和方法都在其中,组织的工作规范、一项具体任务所处的条件,同样算在里面。
它帮从业者界定问题:哪些变化值得关注,哪些信息与当前任务有关;也规定证据和方法:什么材料足以支撑结论,不同口径能不能比较,一种分析方法在什么条件下才适用;最后,它还给出判断成果的标准:做到什么程度可以交付,哪些不确定性必须继续核实。
通用能力决定 Agent 能做哪些事,专业上下文则影响它在一项具体工作中该做什么、怎么做,以及怎样才算做好。
少了这一层,Agent 照样可能做出流畅、完整甚至漂亮的成果,却没回答真正的问题。财务数据可以算对,但比较的口径不合适;教学解释可以准确,却没碰到学生的理解障碍;营销方案可以面面俱到,却没回应产品最需要解决的购买顾虑。
机器能执行的步骤多了以后,最初的问题理解、资料选择或方法使用一旦出现偏差,后续分析和制作都可能顺着这个方向往下走。人最后面对的,就可能是一整套需要返工的成果。
所以,把专业要求放进任务的起点,让它们贯穿执行和检查过程,直接关系到 Agent 能不能减轻人的负担。
企业 AI 平台 Glean 公开过一个案例,正好能拿来看这件事:网络安全公司 Huntress 发现,通用 AI 做出来的演示文稿常常不合品牌规范,连 Logo 都会被改掉。团队于是搭了一个演示文稿 Agent,让它按公司配色和品牌要求来生成,员工返工的量就少了。
它还制作了产品更新 Agent,把研发每周发布的变化整理给销售、营销和支持团队,减少其他部门反复询问产品进展的消耗。
它把公司的成果标准带进制作过程,也将岗位之间的信息需求带入内容整理。通用能力因此有了明确的工作方向,也减少了成果生成之后再由人重新加工、解释和转交的劳动。
过去,熟悉 AI 的用户往往得自己完成这些准备:挑工具,补背景,写下规范,再把几个步骤的结果接起来。换个任务,可能又要重新配置一遍。
办公 Agent 要走向普及,产品就得承担其中反复发生的准备工作,让从业者能从熟悉的任务开始。
从职业入手是个顺理成章的选择。干同一行的人,资料来源、手头工具、干活步骤和对质量的要求往往差不多。先把这些共同点梳理清楚,再让用户往里填公司规范和具体任务背景,通用能力落到实际工作上就会顺畅不少。
“工作台”:Agent 智能按职业分发的一种方式
从这个角度看,豆包工作在 11 月 16 日上线的“工作台”,含义就更明确了。
首批覆盖创意设计、医疗、金融、教育等 21 个专业场景。每个工作台都预先配好相应的常用技能、插件和专业要求,给出常用任务的入口;用户自己也能新建、改动和分享工作台。
用户打开产品,先挑自己要做的那类工作,再用已经按这类工作组织好的能力。
拿金融投研来说,工作台把查信息、读材料、做比较分析和交付研究放在同一个环境里,还能按实际授权接入万得、同花顺、国泰海通等专业数据服务。
研究一家公司时,可以从财报和公告入手,对比不同报告期的关键指标,理清业务变化和待验证的问题,再帮着做出模型、报告、PPT 和分析表。有了新材料,还能接着补数据、更新分析。
这些环节都围着同一个研究问题转,专业要求得贯穿始终:数据从哪来,报告期是否一致,币种和单位有没有混着用,模型靠什么假设。Agent 多承担材料处理,研究员就能更早把精力放在解释变化、检验判断上。
教师工作台对应的则是另一套流程。
按年级、教材和教学目标准备教案与课件;针对一道题找相似练习;把空间关系、运动或光路做成可拖动、可调参数的 HTML 演示;依照作业里的实际步骤标出问题、归纳错因。
这些能力都贴着教师本来就在做的事:想好怎么讲,看出学生哪里没弄懂,再安排怎么练。生成、分析和编程能力,到这里就有了明确的教学用处。
创意设计场景把理解需求、规划方案、生成内容和后续修改串了起来,图片、视频和成套设计都涵盖在内。为同一场活动做多份物料时,品牌风格、产品外观、文字信息和视觉层级得保持一致;做出来的东西还要方便继续调整和复用。
这几个场景进一步说明,职业化得把专业要求落到资料、工具、执行步骤和交付标准上,让它们一起约束一项任务从头到尾的完成过程。
工作台的上线,是第三代办公产品也就是 Agent 办公这条路上的一次前序探索:把通用基础能力组织成贴合不同职业的工作方式,推动办公 Agent 走向职业化分发。
这里说的“分发”,指的是让完成一类工作所需的能力、工具和要求,以更好用的形式送到从业者手上。
这一步也给个人经验留出了空间。
同一个职业,在不同公司、不同团队里的干法并不一样。官方配置能给出一个起点,用户再把自己的要求存进去。
比如记者可以给采访整理存下几条长期规则:保留受访者原意,引语回查原文,不补造经历。营销团队可以补充品牌用语和内容风格,研究员可以留下常用的比较维度和输出格式。下回做同类任务,这些要求还能当起点用,也能分享给有相似需求的人。
职业化分发因此还能再往个人和团队走一步:产品给出常见任务的基础配置,从业者把它调成适合自己的方法。过去要反复口头交代的经验,有机会被存下来、复用和传播。
撑起这些工作方式的基础能力,也还在继续扩展。
10 月 29 日,豆包工作向团队和企业客户开放第三方模型服务,首批包括 Kimi K3.1 Pro、GLM 5.3、DeepSeek V4.1 Flash 等模型;11 月 12 日,又宣布面向个人用户接入了更多模型。不同工作对效果、速度和成本的要求不一样,多模型服务让这些任务有了更多选择。
从 11 月 3 日起,个人用户日常的简单问答不再消耗付费额度,持续使用的门槛也就降了下来。日常工作里既有简单询问,也有复杂任务,Agent 得接得住这种自然切换。
SuperCLUE 在 2026 年 10 月开展的办公智能体端到端测评中,豆包工作以 85.33 分排在八款产品综合榜第一,文档处理维度也领先。这为观察它的任务交付能力提供了一个参照。进入具体职业之后,还得继续接受专业标准和实际工作要求的检验。
办公 Agent 的竞争,就这样一步步深入到不同职业里:谁更懂任务,能接上必要的资料和工具,能少让用户解释、操作和收尾,谁就更容易融进日常工作。
把知识工作信息化的40年串起来看,脉络其实更清楚了。
Office那一代解决的是"做得出"——专业成果更容易制作;Slack、飞书、钉钉这一代解决的是"汇得拢"——不同人的知识更容易汇合;到了Claude Cowork、Codex和豆包工作这一代,机器开始参与工作过程本身。工作台则把使用第三代能力的门槛进一步压低,从业者可以从自己熟悉的一项工作入手。
机器替人盯住要求、接上步骤、处理重复操作,人的注意力就被腾了出来,更多花在提问、形成洞察、挑选方法和下判断上。说到底,这是用机器的注意力换回人的注意力。
办公室里的"狗屎工作"也因此有了减少的空间:那些只为证明自己忙碌而存在的填报、汇报和反复确认,会随着任务执行与检查方式的改变而收缩。不过组织得让工具省下的时间真正回到人手里,别又被新的材料和会议填满。
知识工作者的价值,终究在于贡献智识、洞察和方法。办公技术往前走,应该给这些贡献留出更多时间和空间。