办公Agent实测：QwenWork与ChatGPT、Claude、扣子横向对比

最近在柒幻 AI 导航站里淘工具，本来只是想找一款能顺手处理 Excel 的小助手，结果翻到 QwenWork 这个办公 Agent 的时候，我停了一下。倒不是因为它产品上新，而是因为它被放在导航站"效率办公"分类的第一屏，简介里写着"一站式办公 Agent，支持文档问答、表格分析、会议纪要、日程管理"，下面的用户点评里有人赞它"长文档检索比想象中稳"，也有人骂"表格公式偶尔犯抽"。这两种声音同时出现，反而让我来了兴趣。作为一个既给团队做 AI 工具选型、也自己天天用 AI 处理杂事的人，我决定把它和现在主流的几款办公 Agent 拉到同一批任务里跑一遍，看看所谓"能力差异"到底差在哪，哪些是真差距，哪些只是宣传话术。

1. 柒幻导航站里的意外收获：QwenWork 是怎么被我翻出来的

1.1 导航站的价值不在"链接多"，而在"筛选密度"

先说一个很多人忽略的事实：AI 工具现在多到根本刷不完，但你真正缺的不是链接，而是有人帮你把"值得试的"和"凑数的"分开。柒幻这类导航站的价值就在这里——它每个分类下都有编辑筛选、更新时间和用户反馈，比搜索引擎直接给结果要省力得多。我自己的习惯是每周花二十分钟刷一遍导航站的更新列表，重点看"效率办公"和"Agent"两个分类，因为这两个方向的产品迭代最快，今天还能用的方案，下周可能就有更优解。

这次发现 QwenWork 就是这么来的。它在导航站里的标签是"办公 Agent + 通义系产品"，分类归属明确，点进去能看到产品定位、支持平台和收费模式。我顺手看了下它旁边的同类目产品，发现这个位置竞争很激烈，能排在第一屏的，要么是背靠大厂有稳定算力，要么是某个垂直场景做得特别深。这个筛选逻辑我比较认可，也直接决定了后面的评测样本怎么选。

1.2 QwenWork 的初印象：定位、门槛与上手成本

说实话，刚点进去时我对 QwenWork 的预期并不高，因为"办公 Agent"这个概念被太多产品玩坏了，有的只是套了个对话壳子的文档问答工具，有的连表格都解析不好。试用下来，我对它的初步判断是：它属于"整合型办公 Agent"，核心思路是把文档、表格、邮件、日程这些办公高频动作收进一个对话工作台里，而不是像某些产品那样只做一个单点功能。

上手门槛方面，QwenWork 不需要本地部署，网页端登录就能用，对个人用户比较友好。它支持直接上传 PDF、Word、Excel、PPT，也支持从链接导入内容。我特别关注的是它对中文长文本的处理，因为很多海外产品在中文场景下表现会打折扣，而 QwenWork 作为通义系产品，理论上在这方面有先天优势。这个点在后面测试里也确实反映出来了，但结果和我想象的不太一样——优势没那么绝对，短板倒是很典型。

1.3 为什么我想拿它和主流办公 Agent 对比

选型最怕的是"只看单一产品"而产生的幸存者偏差。你说 QwenWork 好用，那到底是它真的好，还是因为你没试过更好的？反过来也一样，你说 ChatGPT 强，但它在中文办公场景里可能连个小表格都搞不定。所以我决定做一次横向对比，把 QwenWork、ChatGPT、Claude、扣子 Coze 这四类主流的办公 Agent 放在同一批任务里跑，统一输入、统一评判标准。

这里先说清楚：我对比的不是"谁的大模型聪明"，而是"谁更适合办公场景落地"。大模型聪明是基础，但办公 Agent 的价值在于把聪明转化成可交付的结果——文档结论、处理好的表格、排好的日程、能直接用的周报。这之间的转化效率，才是能力差异的真相。

2. 评测设计：我用 5 个真实办公任务代替"跑分"

2.1 参测选手：QwenWork、ChatGPT、Claude、扣子

为了让对比有参考意义，我选了四款定位和用户群体差异明显的办公 Agent。先列个表格，说明它们的背景、产品形态和这次测试用的版本。

选这四款的理由：QwenWork 代表"大厂垂直办公整合"路线，ChatGPT 代表"通用对话 + 生态扩展"路线，Claude 代表"长文本推理优先"路线，扣子代表"用户自定义工作流"路线。这四种路线基本覆盖了当前办公 Agent 的主流玩法。

2.2 五项评测任务与打分口径

我设计了五个任务，覆盖办公场景的高频动作。每个任务都用一个真实场景来考察，而不是抽象地问"你能做什么"。

打分口径统一为：完全达标 5 分，部分达标 3 分，不达标 1 分。我会给出每个产品的得分和典型翻车案例，避免只给分数不给证据。

2.3 评测环境的统一控制

横向对比最怕环境不一致导致的误判，所以我做了几个硬性要求：同一份测试文件在每个产品里都上传一次，用完全相同的提问词，每个任务都新建一个会话，避免上下文串味。为了保证公平，我没有使用任何产品的"自定义指令"功能，全部采用默认设置。

另外我要强调一点：这次测试的样本量不大，每个任务我只测了 3 到 5 轮，结论反映的是"这批产品在典型场景下的常见表现"，不是严格的统计学结论。但即便如此，测试中暴露出的差异已经足够说明问题了——如果一个差异在多次尝试中反复出现，那它大概率是产品设计层面的，而非偶然波动。

3. 文档和表格场景实测：差距最大的两个"硬骨头"

3.1 长文档理解：从 80 页研报里抽关键结论

长文档理解是我最看重的办公能力，因为日常工作中太多信息藏在长文本里——研报、合同、招股书、技术文档。这次测试的文件是一份中文行业研报，约 80 页，包含行业趋势、市场规模、竞争格局、风险提示几个部分。我要求每个 Agent"提取前三大市场趋势，对应数据来源，并总结风险提示"。

结果很有意思。QwenWork 在中文长文本上的表现确实不错，它能够快速定位到研报的核心章节，给出有数据支撑的结论，结构化的输出格式也很清晰。Claude 的长上下文能力在纯文本理解上有优势，但面对中文学术化表述时偶尔会有过度概括的问题。ChatGPT 在同样的任务上也能完成，但输出偏向模板化，有时会把研报里的次要信息当重点。

最让我意外的是风险提示部分。QwenWork 能把研报里散落在不同章节的风险描述汇总到一起，这是其他三款产品没有做到的。我查了下，这应该跟它对文档结构的解析能力有关——它不是简单地把全文塞进上下文，而是对文档做了分块和索引。这种处理方式在长文档场景里更稳，代价是它对文档中极细节的信息（比如某个表格角落的备注）可能抓取不到。

3.2 表格数据处理：数据清洗与汇总实测

表格处理是办公场景的另一个高频刚需，也是这次测试中差异最大的环节。我构造了一份典型的"脏数据"表格：包含合并单元格、空行、数值格式不统一（有文本数字、有千分位、有百分比）、分类名称写法不一致（"销售额"和"销售金额"混用）。要求是完成清洗并按季度汇总。

QwenWork 在这项任务上的表现中规中矩，它能识别出主要的脏数据问题，清洗思路正确，但在处理"分类名称归一化"时不够彻底——有一处"销售金额"没有被合并到"销售额"分类里。Claude 对表格结构的理解更细腻，它能把合并单元格的逻辑关系读出来，清洗方案直接可复用。ChatGPT 面对复杂表格时稳定性稍差，有一轮甚至漏掉了两个空行导致汇总数据整体错位。扣子则因为需要用户先配置工作流，在这个单次任务上反而显得笨重。

这里有个关键观察：表格处理的成败往往不取决于模型"读得懂不懂"，而取决于产品"有没有把表格解析成模型友好结构"。同样是 Excel 文件，有的产品会先转成结构化数据再交给模型，有的直接把二进制或乱序文本丢进去，效果自然天差地别。

3.3 结果汇总：谁在文档场景更稳

为了直观展示，我把两项任务的得分整理成表格。

从这个结果可以得出两个结论。第一，没有全能选手：长文档场景 QwenWork 占优，复杂表格场景 Claude 占优，通用对话 ChatGPT 更均衡。第二，办公 Agent 的真实差距不在"能不能干"，而在"稳定不稳定"——一个任务跑五次，五次都对，才是真正能用的产品。基于这个标准，QwenWork 在长文档上做到了，在表格上还有明显进步空间。

4. 日程、邮件与多步执行：办公 Agent 的"含金量"在工具调用

4.1 多步任务编排：从"给方案"到"干完活"

单轮对话能力只是基础，办公 Agent 真正的分水岭是"多步任务执行"。我设计了一个典型任务：给一段客户拜访记录，要求"整理成周报，按客户重要程度排序，提取下周待办事项并写入表格"。

这个任务看起来简单，实际包含四步：解析拜访记录、分类汇总、生成周报、提取待办并格式化。QwenWork 的表现让我有点惊喜，它能把四步串起来执行，中间不需要我二次干预，最后输出的周报结构完整，待办事项也准确地按优先级排好了。这背后依赖的是它对任务流程的拆解能力——它会把大任务拆成子步骤，然后逐步完成，而不是试图一步到位。

ChatGPT 在这个任务上也能完成，但它的多步执行更多依赖外部插件的配合，如果插件没装全，链路就会断。Claude 更擅长"告诉我怎么做"，而不是"我直接帮你做完"，在多步执行上偏保守。扣子在这项任务上因为支持可视化流程编排，理论上最强，但实际使用中发现它更适合"预设场景的重复执行"，遇到一次性的灵活任务时，配置成本反而高。

4.2 工具调用的边界与权限设计

多步执行的背后是工具调用能力。办公 Agent 要真正"干活"，必须能调用搜索、日历、邮件、网盘、表格等外部工具。这次对比中，我发现工具调用的边界设计直接决定了产品的可用性。

QwenWork 将工具调用整合进了工作台，文档上传、表格处理、日程查看都在同一界面上，用户感知不到"工具切换"的过程，体验比较顺滑。但它目前的外部系统接入深度有限，比如日历只能读不能写，邮件能生成草稿但不能直接发送。ChatGPT 的工具生态最丰富，但需要用户自己挑选和配置，对小白用户有门槛。Claude 的工具调用更克制，它宁可保守也不越界，这在企业场景里是优点，但在效率场景里反而是短板。

权限设计上，各家思路也不同。QwenWork 对文档的读取范围有明确提示，这让我放心不少。ChatGPT 的工具权限依赖用户授权，灵活但容易误操作。我的建议是：如果你是个人使用，选授权灵活的；如果是企业环境，选权限边界清晰的。

4.3 对话记忆与上下文管理差异

办公场景中，对话往往不是一次性问答，而是"今天聊了一版需求，明天要继续迭代"。这种情况下，Agent 的记忆能力直接决定工作连续性。我做了个测试：在前一轮对话中确定了周报的格式模板，然后新开话题问别的，再绕回来要求按照之前的模板生成周报。

QwenWork 的会话内记忆表现稳定，同一会话内它能记住前文的格式约束。但跨会话记忆我就没有测到明显效果——它不会自动记住你上次用过的模板。ChatGPT 的自定义指令功能可以一定程度弥补这个问题，但需要用户主动配置。Claude 的记忆策略比较谨慎，它更依赖当前对话的上下文，不太会主动"回忆"。扣子则把记忆做成了可配置的知识库，适合有固定规范的团队。

我的体会是：现阶段别太指望 Agent 能像人一样记住你的所有偏好，最好的做法是把常用格式、常用术语整理成模板，在上传文件时一并告诉 Agent，而不是指望它自己"记住"。

5. 真实踩坑：一次 Excel 公式生成事故的完整排查链路

5.1 现象：QwenWork 生成了错误的 VLOOKUP

再稳的产品也会翻车，关键是翻车后能不能快速定位原因。我在测试 T3 公式生成时遇到一个典型问题：我给 QwenWork 一份销售明细表，要求它在汇总表中用 VLOOKUP 关联出每个客户的销售额。它生成的公式长这样：

=VLOOKUP(A2, '销售明细表'!A:B, 2, FALSE)

表面上没问题，但放到 Excel 里一执行就报错。我反复检查了表名和单元格引用，都没错，后来才发现问题出在明细表里客户列存在重复项——同一个客户有多条销售记录，VLOOKUP 只能返回第一条，导致汇总结果严重偏低。这是 VLOOKUP 的天然缺陷，但 QwenWork 在生成公式时没有提醒我这个前提。

5.2 排查过程：从上下文截断到模型幻觉

这个问题的排查过程值得复盘。第一次报错后，我还原了提问场景：原始文件是一个 2 万行的明细表，QwenWork 在解析时只读取了前几千行。这个叫上下文截断，很多长表格工具都有这个问题。由于模型只看到了部分数据，它无法发现"客户列有重复"这个全局特征，自然也就不会建议用 SUMIF 或数据透视表来代替 VLOOKUP。

进一步排查后，我确认这属于典型的"模型幻觉"变种——不是无中生有地编造信息，而是基于不完整的输入做出了看似合理的推理。这类问题的隐蔽性在于：公式语法完全正确，但逻辑与数据特征不匹配，放到真实数据上才暴露。

我把同样的需求给了其他三款产品。Claude 在公式生成前会先追问"客户列是否唯一"，说明它对数据假设更谨慎。ChatGPT 给出了公式的同时附上了一条警告。扣子则因为需要先配置数据源，反而天然规避了这个坑。对比下来，QwenWork 需要在"数据特征感知"上补课。

5.3 修复方案与预防策略

针对这个问题，我总结了一套操作流程，现在分享出来，大家可以照着用。

第一，涉及长表格时，先让 Agent 数据概览。我会先问"这个表有多少行、客户列有没有重复值、有没有空值"，确认全局特征后再让它生成公式。第二，让 Agent 给出多种方案。我会要求"分别用 VLOOKUP 和 SUMIFS 各写一个公式，说明适用场景"，这样能避免单一方案的盲区。第三，生成公式后主动验证。我会把公式回贴给 Agent，附上实际执行结果，让它二次检查。

=SUMIFS('销售明细表'!B:B, '销售明细表'!A:A, A2)

上面这个 SUMIFS 公式就是对 VLOOKUP 的修正，它会把同一客户的所有销售额累加，逻辑上更适合明细表场景。现在我遇到公式类需求时，默认要求 Agent 先解释数据特征，再选择公式类型，把"人肉验证"变成"人和 Agent 协作验证"，出错率大幅下降。

6. 选型建议：不同角色的办公 Agent 选择逻辑

6.1 个人知识工作者：按任务类型选

如果你是个人使用，选型逻辑其实很简单：看你最常处理什么内容。我的实测结论是，如果日常工作以中文文档为主，经常要看长报告、写纪要、整理资料，QwenWork 是性价比很高的选择，它的中文长文档理解能力在这次的对照组里排第一。如果你的工作涉及大量表格分析和复杂数据处理，Claude 的表格理解能力更值得依赖。

如果两种场景都存在，我的建议是用主备组合而不是指望一个产品通吃。日常文档处理用 QwenWork，遇到棘手的表格问题再切到 Claude，两个产品互补，比任何单一产品都稳。ChatGPT 更适合作为通用兜底——它的均衡性决定了它什么都能干，什么都到不了顶尖。扣子则适合有固定流程、愿意投入时间搭建工作流的用户，一旦搭好，重复劳动的效率提升非常明显。

6.2 团队与企业管理场景：数据安全优先

团队场景的选型逻辑和个人完全不一样。个人可以为了效率容忍一些数据风险，团队不行。在这次对比中，最让我顾虑的是各产品的数据存储位置和权限管理。企业选办公 Agent，首先应该确认数据和权限边界，再谈能力。

QwenWork 这类国内产品在企业合规性上更省心，数据本地化存储，权限管理清晰，适合对数据出境敏感的单位。Claude 和 ChatGPT 在数据保护政策上有企业版协议，但产品落地在中国的使用体验和合规路径仍需谨慎评估。扣子支持私有化部署方案，对于有技术团队的机构是可选方向，但运维成本不低。我的建议是：第一步先做数据合规评估，第二步做任务场景摸底，第三步才是功能评测。

6.3 我的最终结论与使用组合

跑了这一圈测试，我对办公 Agent 的认知有了明显变化。以前我觉得"模型能力决定一切"，现在我更倾向于认为"产品设计决定体验"。同样一个模型底座，有的产品能把它变成顺手的办公工具，有的产品只能让它停留在聊天阶段。QwenWork 让我印象深刻的地方，不是它的模型多强，而是它把文档、表格、日程这些办公场景的集成做得足够细致。

我的最终使用组合是：个人日常文档处理和工作流搭建用 QwenWork 作为主力，因为它的中文文档能力和工作台集成确实顺，复杂表格和公式验证时切到 Claude 做交叉检查，ChatGPT 留着做通用问答和创意发散。这个组合不是拍脑袋定的，是这轮测试里反复验证出来的结果。

最后说一个实操心得：不管选哪款产品，一定要建立自己的验证习惯。每季度把典型任务拿出来重新跑一遍，因为办公 Agent 的迭代速度太快，上季度不好用的产品，这季度可能已经脱胎换骨，反之亦然。工具的差异始终存在，但真正拉开效率差距的，从来都是使用工具的人有没有一套自己的方法和流程。