现代社会越来越依赖这样一类工作:运用知识、经验和判断,处理没有现成答案的问题。
研究员从复杂的事实和现象中发现值得追问的变化,教师找到帮助学生理解一个概念的方法,工程师在性能、成本与可靠性之间找到可行方案,医生结合病史、症状和检查结果作出临床判断……知识工作的核心,是为一项任务提供最重要的智识、洞察和方法。
随着产业分工加深、企业规模扩大,越来越多的专业人员进入现代组织。他们需要彼此配合,也需要让自己的判断被其他人理解、检验和采用。“组织”——无论是公司、政府还是医院和学校,也因此承担起双重任务:让专业知识发挥作用,让不同人的贡献能够汇合成共同的成果。
过去几十年,知识工作的信息化一直在回应这两种需要。
个人电脑和 Office 普及之后,计算、书写、修改和表达的成本大幅降低。协同办公软件兴起之后,知识与信息可以跨越部门、地域和时间流动,更大范围的专业协作成为日常。
然而,组织越复杂,协调专业分工所需的工作也越多。寻找资料、交代背景、统一口径、同步进展、等待确认,逐渐占据了知识工作者的一部分日常。有些环节帮助人们作出更好的判断,有些则在反复运转中失去了用途。一个人拥有专业知识,却未必能把大部分时间用于发挥这些知识。
办公工具的信息化因此始终面对同一个问题:怎样让人把更多精力用于最有价值的贡献?
Agent 的出现,让这个问题有了新的解法。
机器开始能够理解任务、调用工具、衔接步骤,承担一部分过去必须由人持续照看的过程。人与软件的分工,正在从逐项操作工具,走向委派任务、共同推进工作。
不过,知识工作有各自的专业方法。研究员怎样求证,教师怎样讲解,设计师怎样推敲,工程师如何构建,医生如何判断,往往没有唯一的标准答案,更不能被一套笼统的“通用智能能力”概括。机器要进入这些工作,需要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 真正进入更多知识工作者的日常,就需要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
如果以机器参与工作的深度来看,过去近 40 年的办公产品,大致经历了三个阶段。
第一代以 Office 为代表,帮助个人“制作”工作成果。
文字处理、电子表格和演示软件,让书写、计算、排版与修改变得容易。一个人可以处理更多信息,也能用更丰富的形式表达自己的分析与判断。
但工作怎样展开,主要由使用者自己安排。找哪些资料,采用什么方法,怎样解释结果,都需要人进行决定,再通过软件完成操作。
人承担主要的分析与判断,机器帮助完成计算、编辑和表达。
第二代以 Slack、飞书、钉钉、企业微信等为代表,把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,让专业知识能够在团队中流动。不同岗位可以围绕同一份资料讨论,跨地域的团队也能共同推进一个项目。组织获得了更大的协作范围,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,仍然主要由人承担。群里形成的决定,需要有人落实;共享空间里的资料,需要有人阅读;项目出现阻碍,需要有人协调。
这两代产品分别改善了个人操作和团队协作。而第三代办公产品,则开始让机器参与任务的推进,也就是 AI Agent 形态的办公产品。
面对一个目标,Agent 可以结合资料安排步骤,调用工具处理问题,生成成果,再根据要求继续检查和修改。一部分原本由人逐项操作、来回衔接的工作,开始可以交给机器连续完成。
Anthropic 为 Claude Cowork 展示的一类任务,是定期整理营销数据:从分析平台和团队资料中读取关键数据,与前一周比较,标出明显变化,再生成汇报文件。
Codex 可以通过代码清洗、合并数据,分析问题,把处理方法和结果保存为可以检查、重新运行的成果。反复发生的数据处理,由此能够形成可复用的方法。
这类产品围绕用户的目标,将资料、工具和多个执行步骤组织成一段工作过程。机器开始参与“接下来做什么、怎样做、做完之后如何继续”,由此区别于主要供人操作的 Office 工具,以及主要连接人与人的协同软件。
然而,这些任务背后的“专业问题”仍然需要人关注:指标变化意味着什么,分析假设是否成立,下一步应该采取什么行动。而在进入这些判断之前,人需要亲手完成的准备和操作,可以减少。
人与机器的分工正在改变:人开始有条件把一段完整的工作过程委派出去,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,也就成为第三代办公产品需要持续完善的能力。
什么是办公 Agent 需要的 context?
一个专业人员接到任务时,往往已经知道许多没有写在任务描述里的事情。
财务分析师看到利润增长,会结合收入结构、成本变化、非经常性损益和现金流,判断增长来自哪里、能否持续;教师知道,学生答错一道题,可能是计算失误,也可能是没有理解概念,两种情况需要不同的辅导方法。
这些判断影响着下一步该查什么、怎样分析、采用什么办法。专业知识由此成为工作的组织方式,而不只是随时可以查阅的资料。
机器要接过这些人的一部分工作,也需要获得相应的背景和方法。通用的检索、分析、生成能力,要在具体任务中找到自己的用途。
比如,一次新品推广,从了解市场和用户,到制定方案、制作物料,再到投放后的复盘,看起来包含许多不同工作,实际始终围绕同一个问题:怎样让合适的人理解并选择这款产品。前期发现的购买顾虑,应该影响后续内容;预算和渠道的限制,也应该贯穿方案与执行。
豆包工作新近发布的增长营销能力工作台,就覆盖了这段过程。用户可以结合自有资料和已授权的数据服务,开展品类与用户洞察,形成营销方案,制作海报和不同平台的内容,再继续修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。用户交付一个目标和必要条件,机器参与资料处理、分析与制作,并根据反馈继续工作。
这也是豆包工作与 Claude Cowork、Codex 所代表的第三代办公产品的共同之处:让机器围绕任务采取行动,承担一部分过去必须由人逐项组织、亲手操作的过程。
这些过程越连贯,专业要求就越需要被理解和保留。营销方案中的目标人群,不能到了制作物料时就被遗忘;分析采用的口径,也不能在生成图表时悄然改变。
这就是职业和专业分工所形成的“上下文”(context)为什么重要。它包括专业知识框架、从业经验与方法,也包括组织的工作规范,以及一项具体任务所处的条件。
它帮助从业者界定问题: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:什么材料足以支持结论,不同口径能否比较,一种分析方法在什么条件下才适用;最后,它还提供判断成果的标准: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 可以做哪些事,专业上下文则影响它在一项具体工作中应该做什么、怎样做,以及怎样才算做好。
缺少这一层,Agent 仍然可能做出流畅、完整甚至漂亮的成果,却没有回答真正的问题。财务数据可以算对,但比较的口径不适合;教学解释可以准确,但没有触及学生的理解障碍;营销方案可以面面俱到,却没有回应产品最需要解决的购买顾虑。
机器能够执行更多步骤之后,最初的问题理解、资料选择或方法使用出现偏差,后续分析和制作都可能沿着这个方向继续。人最后面对的,就可能是一整套需要返工的成果。
因此,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 能否减少人的负担。
企业 AI 平台 Glean 公布过一个案例,提供了具体观察它的角度:网络安全公司 Huntress 发现,通用 AI 生成的演示文稿经常不符合品牌规范,甚至改动 Logo。团队随后搭建了使用公司配色和品牌要求的演示文稿 Agent,减少员工重新调整的劳动。
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入制作过程,也将岗位之间的信息需求带入内容整理。通用能力因此获得了明确的工作方向,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 的用户往往需要自己完成这些准备:选择工具,补充背景,写下规范,再把几个步骤的结果接起来。换一个任务,可能又要重新配置一遍。
办公 Agent 走向普及,需要产品承担其中反复发生的准备工作,让从业者能够从熟悉的任务开始。
职业是一个自然的起点。相近职业的人,往往拥有共同的资料来源、常用工具、工作步骤和质量要求。先把这些共性组织好,再允许用户补充公司规范和任务背景,通用能力才更容易进入具体工作。
“工作台”:一种 Agent 智能的职业化分发方式
这么看,豆包工作 11 月 16 日推出的“工作台”,就有了更清楚的意义。
此次上线首批覆盖创意设计、医疗、金融、教育等 21 个专业场景。每个工作台提前配置对应的常用技能、插件和专业要求,提供常用任务入口;用户也可以创建、修改和分享自己的工作台。
人们打开产品,可以先选择自己要开展的工作,再使用为这类工作组织好的能力。
以金融投研为例,工作台将查询信息、阅读材料、比较分析与研究交付放在同一工作环境中,并可按实际授权连接万得、同花顺、国泰海通等专业数据服务。
围绕一家公司的研究,可以从财报和公告切入,比较不同报告期的关键指标,梳理业务变化与待验证的问题,再辅助形成模型、报告、PPT 和分析表。有新材料时,也可以继续补充数据、更新分析。
这些环节围绕同一个研究问题展开,专业要求则需要贯穿其中:数据来自哪里,报告期是否一致,币种与单位有没有混用,模型依赖什么假设。Agent 承担更多材料处理,研究员才能更早把精力放到解释变化、检验判断上。
教师工作台对应的是另一套过程。
根据年级、教材和教学目标准备教案与课件;围绕一道题寻找相似练习;把空间关系、运动或光路转成可拖动、可调参数的 HTML 演示;根据作业中的实际步骤标注问题、整理错因。
这些能力贴近教师原本就在做的事情:准备怎么讲,观察学生哪里没懂,再安排怎样练习。生成、分析和编程能力,由此获得了明确的教学用途。
创意设计场景则把需求理解、方案规划、内容生成和后续修改衔接起来,覆盖图片、视频以及成套设计。围绕同一活动制作多份物料时,品牌风格、产品外观、文字信息和视觉层级需要保持一致;成果也需要便于继续调整和复用。
这些场景进一步说明,职业化需要将专业要求落实到资料、工具、执行步骤和交付标准之中,让它们共同约束一项任务的完成过程。
工作台的上线,是第三代办公产品,即 Agent 办公的路径的前序探索:将通用基础能力组织成适合不同职业的工作方式,推动办公 Agent 走向职业化分发。
这里的“分发”,是让完成一类工作所需的能力、工具和要求,以更容易使用的形式抵达从业者。
这一步也为个人经验留下了位置。
同一种职业,在不同公司、不同团队中有不同的工作方法。官方配置可以提供起点,用户再把自己的要求保留下来。
例如,记者可以为采访整理保存几条长期规则: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,研究员可以保留常用的比较维度与输出格式。下一次开展同类任务时,这些要求能够继续作为起点,也可以分享给有相似需求的人。
职业化分发由此可以进一步走向个人和团队:产品提供常见任务的基础配置,从业者再将它调整成适合自己的方法。过去需要反复口头交代的经验,有机会被保存、复用和传播。
支撑这些工作方式的基础能力,也在继续扩展。
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也接入了更多模型。不同工作对于效果、速度和成本有不同要求,多模型服务为这些任务提供了更多选择。
11 月 3 日起,个人用户的日常简单问答不再消耗付费额度,则降低了持续使用的门槛。日常工作中既有简单询问,也有复杂任务,Agent 需要承接这种自然的切换。
在 SuperCLUE 于 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 分位列八款产品综合榜第一,并在文档处理维度领先。这为观察其任务交付能力提供了一个参考。进入具体职业之后,还需要继续接受专业标准和实际工作要求的检验。
办公 Agent 的竞争,由此逐渐深入到不同职业之中:谁更理解任务,能接上必要的资料和工具,能减少用户解释、操作与收尾的负担,谁就更容易成为日常工作的一部分。
在这个角度上回看知识工作信息化的 40 年,不难觉察一条更清晰的脉络:
Office 一代,让专业的成果更容易制作;Slack、飞书和钉钉一代,让不同人的知识更容易汇合;到了 Claude Cowork、Codex 和豆包工作的这代,开始让机器参与工作过程,而工作台进一步降低了使用第三代能力的门槛,让从业者可以从自己熟悉的一项工作开始。
它以机器的注意力,释放了人类的注意力。机器记住要求、衔接步骤、处理重复操作,人把更多精力用于提出问题、形成洞察、选择方法和作出判断。
这也为减少办公室里的“狗屎工作”提供了条件。那些只为证明忙碌而存在的填报、汇报和反复确认,可以随着任务执行与检查方式的变化而减少。组织需要让工具省下的时间真正回到人手里,避免它再次被新的材料和会议占满。
知识工作者的价值,终究在于贡献智识、洞察和方法。办公技术的进步,应该让这些贡献获得更多时间和空间。







