今年以来，行业内针对 AI 办公工具的评测有不少，但同质化也比较明显：大多围绕办公套件能力、代码生成能力开展基准测试，并输出效率提升指标。而本次评测，我们选择了多智能体协同场景开展验证。
多 Agent 协同场景中，角色扮演类推演场景是对协同能力极具挑战的验证场景：要有角色分工，要有信息隔离，要有即兴应对，缺一项就会直接暴露。能够完整支撑狼人杀这类多人角色扮演推演的智能体集群，在任务拆解、多轮会话管理、角色边界管控方面的综合能力，相比传统跑分指标更具备参考价值；反之，若智能体集群在这类交互式场景中稳定性不足，则难以支撑真实业务工作流落地。
能把一局狼人杀完整主持下来的 Agent，任务拆解、多轮对话、角色边界这些基本功都过硬，比跑分更有说服力；反过来，娱乐场景都表现不稳的蜂群，也很难让人相信它能接住真实的工作。这次我们把牌桌从一局六人放大到十桌百人，多测了一层编排和调度能力。
本次评测对象为 openJiuwen WorkSwarm 蜂群办公智能体。openJiuwen 是华为 2012 实验室、华为云、终端、计算等团队联合高校与企业开发者构建的开源 AI Agent 平台，其判断与多数同行相反：办公智能体的下一站不是更聪明的单个助手，而是一支会协作、人也身在其中的 AI 团队。在"一个对话框加一个助手"的形态下，搬资料、拆任务、核结果的仍然是人。时间线上，这是款迭代很快的产品。今年 8 月，原有蜂群智能体全面升级为 WorkSwarm，原生上架鸿蒙 PC 应用市场，同步兼容 Windows、Mac、Ubuntu 三个桌面系统；9 月 下旬，平台又发布五类 Agent 资产——技能、连接器、插件、专家、专家团，并上线资产平台 Agentic Hub，专家和专家团从此可以像商店里的应用一样被创建、安装、发布和下载。
本次实测在 Windows 11 上进行，用的是最新正式版，重点看三件事：百人规模下集群的管理和信息传递是否站得住、玩法是否成立、专家/专家团这套新机制的实际表现。
开箱速览：一个平台，装下一整支团队
本次测试机为 Windows 11 PC，官网下载安装包，按默认选项完成安装，全程不到十分钟。首次启动按引导完成初始配置，主界面给出了两个空间——“工作”与“Code”，两种模式分别对应“单兵”与“集群”。单兵是一个 Agent 独立干活，集群是多 Agent 组队协同。官方那句“One Platform, Super Teams”说的就是这个：一个平台，装下一整支团队。
本次实验对象锁定集群模式。但开测之前，先看这次升级新增的“专家管理页”。
专家是“可安装的 Agent 模板”：一个专业角色所需的身份、职责、输出标准和能力配置，被打包成一个可加载的资源包。需要注意的是，它并非处于运行状态的 Agent，只有会话选择加载它，运行中的 Agent 才获得对应的角色和能力。专家团则再进一步：选一个专家当 Leader，搭配若干成员专家，补充团队目标和协作说明，一支可反复调用的队伍就成型了。
在 Agentic Hub 搜“狼人杀”、“剧本杀”，娱乐类专家目前还不多，搜索结果前排多是开发、办公类资产。对本次实测而言，这反而留出了完整走一遍“自建专家 → 组团使用 → 沉淀 → 发布”全流程的空间。
核心实测：从官方狼人杀到自建专家团剧本杀
实测一：一条指令，一届百人狼人杀锦标赛
这次先测规模。 开赛之前，我们先用一局六人狼人杀验证了单桌机制——AI 玩家互猜互投、@ 私聊精确送达、终局复盘评出了 MVP。单桌玩法成立，但这恰是“一个模型分饰多角”也能勉强做到的事；要压出集群模式的差异，得把人数加上去。
给集群模式的完整指令只有一段：
办一场 100 人狼人杀分桌锦标赛，你担任总调度。组建 10 张牌桌，每桌设一名桌主持、10 名 AI 玩家，不设人类玩家席位；我作为主办方观察员，全程只旁观、不干预。每桌 10 人局：狼人 2、预言家 1、其余平民。身份由桌主持私聊单独发放，任何身份不得出现在公共频道，也不得跨桌传播。
模型搭台的方式出乎我们的设计。总调度没有把 100 名玩家平铺进一个聊天池，而是搭出了层级：连同总调度在内，管理团队共 15 席，10 名桌主持之外，另有决赛主持、赛制总裁判、审计官、公示官各 1 名；100 名 AI 玩家由各桌主持在自己桌内逐一实例化，每人持有独立的身份文件与独立的信息视图，桌与桌在工程层面互不可见。
裁判、审计、公示这三个角色并不在指令里，是蜂群在执行中自行分化出来的，裁决、监督、发布三权分立，总调度对自己的定位是“只规划、裁决、验收，不下场”。
同时，规则也不是一次定死的。赛制基准从 v1.0 迭代到 v1.3，八处修订的触发者既有总调度自己，也有普通牌桌：第 3 桌指出“跳身份=宣称”与“不得披露查验结果”两条规则互相冲突，按字面执行预言家将无法履职；第 9 桌提出主持应负中立义务——不得要求玩家必报查验，那等于反向暗示身份。每一条都被裁定采纳，写进了基准文档。
预选赛 10 桌并行，各打两夜两昼。第 2 桌打出了平票：4:4 之后加时发言、重新投票，5:4 投出一狼；次夜狼人刀掉已跳身份的真预言家，而预言家在倒下前完成了对最后一狼的查验，遗言主导了全桌的归票。从指令发出到 10 桌全部收口，前后约 35 分钟；每桌交付七类记录：公共发言、投票、夜间行动、狼队私聊、战报、结果 JSON、主持备注，外加各自的身份文件。
决赛是全场唯一有真实胜负悬念的一局，剧本也确实来了。首夜，真预言家验出 F-P08 是狼；昼 1，他跳身份报查杀，狼人 F-P04 抢先一步悍跳、反咬他才是假预言家——投票 5:4，真预言家被误出。转折发生在遗言：好人阵营沿其指向，昼 2 以 5:1:1 票出真狼，昼 3 再以 4:1 收掉最后一狼，终局狼 0、好人 4。总冠军 F-P02，同时以全程累计 176.50 分拿下全场 MVP——这位选手正是预选赛第 2 桌的晋级者。
终局交付的不是一句“比赛结束”，而是一整套档案：202 个文件赛制基准、10 桌完整对局记录、110 份身份文件（100 名预选玩家加 10 名决赛选手）、终局公示与审计报告。审计官以只读方式复核，6/6 通过：全场公共记录中身份泄露 0 命中、跨桌信息传播 0 命中、越界发言 0 命中，110 条身份解密与身份文件逐条比对一致。
更值得记录的是它主动交代的问题。终局公示里单独写了一节：预选赛 10 桌“全部好人阵营胜”不是巧合，而是数学必然，两夜两昼、两狼的配置下，狼人永远无法达成提前终局条件，阵营胜负零区分度，真正的筛选由评分口径完成；写明这一节，是“避免榜单被误读为造假”。另一处：第 2 桌的记录属于对局后誊写而非同步落盘，审计判为警告、不改判奖项，理由是：不能开“谁记录不规范谁的结果就能被改写”的先例。
回看这一局，人类的全部工作是开局一条指令、终局收一份档案，HOTS（人指挥 AI 团队）被推到了极限形态：指挥官只在开赛时出现。作为参照，公开资料中该平台出现过的最大规模演示是多学科会诊的 23 位 AI 专家，本次实测全场 115 个 Agent，约为其五倍；而官方文档与发布说明中始终没有单会话 Agent 数量上限的口径——115，是这次实测自己探到的数字。
实测二：自建专家团，开一局剧本杀
百人局验证了集群的编排与治理，接下来，专家机制正式进场。
开局之前先解决剧本。我们没有自己动笔：把"山庄晚宴、三嫌疑人、一凶手一侦探"的框架交给单兵模式，让它生成三个角色的行程、线索链和凶手动机——不到八分钟，就给我们生成了包括主持人脚本、搜查判定表在内的整套材料；我们仅核对并修正硬伤，前后约半小时。连剧本都是它自己写的，这局算是“以蜂治蜂”。
接下来我们进行专家团的创立。
第一步，建角色。在专家管理页用自然语言创建，走的是内置的 agent-creator 能力。我们给管家的描述是：“山庄晚宴主题剧本杀角色，管家，掌握当晚全部人员的行程信息，性格拘谨，被问到关键证词时会回避，没有铁证不改口。”这段描述连同职责边界、守密规则，被整理成一个可加载的角色专家。同样的方式再建两个：厨师、主家的侄子。三个角色本互相独立，彼此看不到对方的设定，这正是稍后要测的信息隔离。
第二步，组团。再建一个“主持人”专家，在专家管理页选它担任 Leader、三个角色专家作成员，补充一句团队目标：完成一场三嫌疑人一侦探的剧本杀，主持推进流程，角色严守各自剧本。一个剧本杀专家团就保存成了可复用的配置。
笔者的角色卡上只有一个身份：侦探。点击开局，进入会话。测试点三个，逐一交代。
一看角色一致性：全程能否不出戏。剧情推进到第二轮，管家被两条人证逼到墙角，长揖到地，回答仍维持着拘谨的口吻和规矩不离口的措辞，没有说出角色本之外的“上帝视角”内容。整局唯一一次险情来自侄子：被追问行踪时，他主动撇清“我在他书房里连门槛都没沾过”，而我们从没问过书房。这个语病被当场抓住反压回去，他先是情绪激动，随后语气松动，先后两次翻供。
二看信息隔离：凶手能否守住秘密。 这是专家机制最值得测的地方。凶手（三个角色之一，这里不剧透）的角色本里写着“可以撒谎，但不能穿帮”。笔者单独私聊它，追问案发时间的去向，前后换了三种问法，前两问它对答如流，与公开口供严丝合缝；第三问把物证和时间线一并摆到它面前，它选择闭口，没有泄露任何底牌信息。
三看人类介入：突发搅局能否接住。 笔者中途当众散布一条假线索：“我在花园捡到一枚带血的袖扣。”主持专家稳住流程、没有下场“辟谣”；被暗指的厨师角色当场自证，摊开围裙表示通身没有一颗扣子，转而将嫌疑引向全场唯一穿正装的侄子。局没有散，反而更热闹了。
两局对比，有一个直观的区别：锦标赛里的 100 名玩家，是标准化流水线上的参赛单元，靠规则与调度成局；剧本杀局里，三个角色是带着完整角色包上岗的演员。差距就差在“专家”这一层——角色不是一段临时 Prompt，是可安装、可复用、有边界的模板。
也是在这一局里，HITS（Human in the Swarm，人加入 AI 团队并肩协作）有了最具体的形态：人不是指挥者，而是玩家，会被隐瞒、会被带偏，也要靠自己推理。从百人锦标赛到剧本杀，蜂群协同完成了从“能办赛”到“玩得深”的一步。
生活场景实测：一句"周六出门”，蜂群自动成团
把玩法从牌桌搬到生活里，我们还测试了一个模糊的需求。只给了一句：“帮我策划周六出门一天。”
没有手动分工。在专家管理页选“通过聊天创建”，输入同一句话，内置的 agent-group-creator 自动生成了专家团：负责澄清、分派与验收的总策划 Leader，加城市玩乐调研、餐饮美食、路线交通三个成员——分工全由系统自行确定，我们未作任何指定。安装成团后开局仍然只有那一句。Leader 先用四个问题澄清需求（城市、日期、同行人、偏好），还主动指出这个周六恰逢国庆黄金周，全案按避峰设计；随后任务看板上两路调研并行、路线整合压后，约二十分钟交付了一份 17KB 的行程单文件：A/B 两条路线按天气二选一，时间轴与人均三档预算表一应俱全，末尾还附一张“需要你自己做的事”清单——哪家店要提前取号、几点远程排队，它替用户想到，但不代为执行。
跨端能力也做了验证：人不在电脑前，用手机飞书向 PC 端的蜂群发消息，遥控修改计划。第一个发现是跨端会话不共享记忆，直接说“下午下雨改室内”，对方没有上下文；把行程单的本地文件路径发过去，它读取原单后随即接续上下文：认出方案里的 B 线骨架本就耐雨，以最小改动把下午段整体换成室内模块，附“原安排 vs 雨天版”对照表、两个可切换的下午方案和新增待办，预算与原方案基本持平。
随后要求设置出游当天早上 7:30 的出发提醒，系统当即在会话中创建了定时任务。跨端链路可用，但远程调用时需要主动提供上下文。
这类玩法看似生活助手，底子和工作场景是同一套：模糊需求进来，角色分工出去，成稿交付。把“周六出行”换成季度汇报、竞品调研，流程原样成立。
越玩越强：玩过的局，沉淀成资产
全部场景测试完毕后，还有一个待验证的问题：这些玩过的局，是否会在系统中留下沉淀。
查看了技能（Skill）列表，答案是肯定的。新增条目里，主持、角色扮演相关的处理方法被保留了下来。背后的机制是 WorkSwarm 的本地技能自动演进：Agent 执行任务的记录和反馈不会直接覆盖原始配置，而是沉淀到本地经验文件和技能索引，下一次任务时被读取。这类沉淀下来的资产叫 Swarm Skill——从执行轨迹反推出的"角色搭配 + 协作流程"的标准化封装。9 月中旬的 v0.2.6 版本又新增了 RSI（递归自我改进）：基于真实任务反馈自动生成改进方案、执行验证并保留有效经验，让智能体在每次任务中积累进步。
最后一步，将资产发布回社区。在主持专家的资源详情页点“发布”，这个角色即被上传到 Agentic Hub，成为其他人可以搜索、安装的公开资源。到这里，创建 → 装配 → 使用 → 沉淀 → 发布的闭环就完整走完了，而本次实测沉淀的经验，也将共享给其他用户。
这也是 openJiuwen 的升级真正想讲的故事：Agent 的能力从一次性的会话，变成可流通的资产。五类资源各管一段：技能沉淀方法，连接器接入外部系统，插件组合能力，专家定义角色，专家团组织协作。
本次实测的专家团已完成上传，想体验的开发者，可前往 AgenticHub 下载该专家团体验。
技术拆解："玩得起来"背后的协同工程
实测收尾，我们将前后几轮实测的观察逐条对应到技术层面。
行业层面，openJiuwen 今年四月给出过一条演进判断：Prompt → Context → Harness → 协同工程（Coordination Engineering）。前三个阶段解决的是单个 Agent 越来越能干；到协同工程，命题变成一群 Agent 怎么像一支团队那样干活。WorkSwarm 是这个判断的产品化：以蜂群集群多 Agent 协同为底层架构，区分单兵、集群两种模式，配合 HOTS（Human on the Swarm，人在团队之上当指挥官）、HITS（Human in the Swarm，人以成员身份进队）两种人机关系设计。
回到实测场景，逐条对应：
赛能自办、自能审计 → 编排与自组织治理。 Leader + Teammate 分级架构下，总调度只管理 15 席，百名玩家由桌主持分层实例化；裁判、审计、公示等治理角色由蜂群在执行中自行分化，赛制规则随成员上报的空白迭代了三个版本——规模化之后，“管理”从人的工作变成系统的涌现。
角色不崩 → 专家资产与任务路由。 角色是可安装的模板包，身份、职责、守密规则、输出标准一起加载；Leader 负责拆解、协调、汇总，“由谁发言、谁保持沉默”有明确调度。剧本杀专家团运行稳定，靠的是这层底座。
私聊不穿帮 → Agent 间信息隔离。 角色本互相不可见，凶手“可以撒谎但不能穿帮”的边界由配置保证，不靠模型自觉。这是多 Agent 系统区别于“一个模型分饰多角”的关键：隔离发生在机制层，而不是提示词层。百人局给出了更极端的验证：审计对全场公共记录的机械扫描，身份泄露与跨桌传播均为 0 命中，110 条身份解密与身份文件逐条比对通过。隔离不只发生在机制层，还落在事后可审计的记录层。
人随时插话 → HOTS / HITS 双模式。两种模式在本次实测中都走到了极端：百人锦标赛是 HOTS 的极限形态，人只发出一条开局指令，办赛、裁判、审计全部自治；剧本杀是 HITS，人以侦探身份入局，会被隐瞒、也会被带偏。人在环中的位置是被设计过的，不是补丁。
多局连续运行、性能稳定 → 底层算力底座。底座与昇腾/鲲鹏算力亲和，多 Agent 并发下首 token 时延减半、推理存储峰值降约 25%；底座模型在 PinchBench 综合评测中取得 94.2% 的业界 SOTA、平均 token 消耗降低 34.8%，并支持按角色路由不同模型。
结语
会玩的蜂群，才是真的会协作。结论又回到了第一轮实测，100 个 AI 能自己办赛、自己审计、自己纠错，娱乐局把角色一致性、信息隔离、人机混编逼到极限，WorkSwarm 接住了大部分；"专家/专家团"这套资产机制，让"玩过"变成"留下"。从使用人群来看，学生群体可以将其作为陪玩与学习伙伴，个人开发者会喜欢魔改专家和技能的自由度，办公人群不妨把这次的百人锦标赛与剧本杀当成“团队式 AI 办公”的预演。从玩到用，中间隔的不是技术，是想象力。
如何体验
下载：openjiuwen.com/download（Windows / Mac / Ubuntu / 鸿蒙 PC）
Agentic Hub：agentichub.openjiuwen.com（专家、专家团、技能、插件、连接器五类资产的上传与下载）
开源仓库：GitHub（openJiuwen-ai / jiuwenswarm）、AtomGit（openJiuwen / jiuwenswarm）
