（本文作者为 光子星球，钛媒体经授权发布）
Related articles
文 | 光子星球
今年上半年，办公 Agent 还只是大厂发布 AI 生产力产品中一个不起眼的存在。
协同办公、Coding、云端与桌面 Agent 产品，单拎出来都有亮眼之处，但桌面 Agent 到底应该长成什么样子，所有人的脑子里并没有统一答案。
AI 生产力之战，在此之前还没找到战场。
进入下半年，线索变得清晰起来，对于普通人来说，Coding 是过程，生产力才是目的。因此在 WorkBuddy 飞速狂奔之后，阿里与字节收拢了内部的多产品赛马机制，整合为一条主线，在字节的名字是豆包工作，而阿里换了数版 logo 后，才有千问办公现在的图标。
回过头看，OpenClaw 与 Coding 都只是 AI 改变生产力过程中的一个过渡态而已。即便 WorkBuddy 目前仍在高速增长，也只是腾讯收敛了 AI 办公的产品形态，各家因为各自禀赋和理解不同，进入了新的发散期。
找到了战场，战事尚未开启。
WorkBuddy 解决了办公 Agent 产品形态的问题，千问办公解决一句话直接出网页成品文件，而豆包工作提供了侧边编辑的新思路，三家各有侧重，从能力层面而言，都通过模型路由的形态完成能力交付。但办公 Agent 之战表面上比拼功能与模型路由的分发能力，水面之下其实是上下文工程。
7 月 WAIC 上，TeleAgent（星辰超级智能体） 悄然问世，在过去这段时间里它闷声只干一件事情，就是将战事的“ 靶心” 定位到上下文工程，并围绕能力交付打磨产品。
9 月 15 日，IDC 发布 《中国企业级通用 Agent 产品技术评估》 报告中，TeleAgent 综合成绩位居前三甲，其中“ 任务表现” 维度获得 5 分满分，成本效率获得评测最高分。
评分反映了 TeleAgent 在产品能力上的特征，具体到产品本身，能够看到办公 Agent 的重心正在发生新的变化。从此前的模型分销走向模型调度，从聚焦解决任务的能力，到能力的持续、自主进化。
从分销路由到调度路由
办公 AI 的能力，需要借助 Model Router（模型路由） 实现。
1.0 阶段，模型路由的特点是分销模型能力的渠道，WorkBuddy 走聚合模式，千问办公与豆包工作走上了自营模式。
WorkBuddy 内置腾讯旗下的混元系列模型，同时接入了 DeepSeek、GLM、Kimi、MiniMax 等主流大模型供用户自由切换。这与腾讯一直以来奉行的“ 连接” 一脉相承。用户按照工作类型的情况，自主选择模型，WorkBuddy 完成模型分发。
聚合模式让 WorkBuddy 集成外部模型，提供更好效果交付能力。而千问办公与豆包工作则是阿里与字节输出模型能力的载体。
千问办公一度曾接入了智谱 GLM-5.3 与 DeepSeek V4 Pro，三天之后撤下了外部旗舰。而豆包工作自 8 月 25 日上线以来，目前只提供豆包 2.1 Pro/Turbo 两个自家模型，默认 Auto 档由系统按任务复杂度自动调度，未公开接入第三方模型。
接入的模型与能力交付划上了等号，将任务分割为简单任务走轻量档、复杂任务走旗舰档。路由的作用是引导任务、交付能力的形态，以及量化用户支付成本。为任务交付成本提供下限，不一定能确保任务交付质量的上限。
如果能力交付止步于路由，那么办公 Agent 与模型分销渠道无异。分销渠道没有护城河，模型一次迭代随时能抹平溢价。日前，智谱等三家模型厂商” 在天猫兜售 Token，尝试用直营方式拿回一部分渠道。
Model Router1.0 虽打通了模型能力的输出通道，但能力与场景适配的问题却悬而未决。
TeleAgent 在模型 API 服务端集成了多模型动态路由能力，将 Model Router1.0 迭代为拥有智能模型调度的 2.0 版本，在模型供给与用户两端做了更精细化的处理。
模型供给侧，单纯分销分销模型，忽略了不同模型服务商承载能力有限的现实，使得用户在使用时既不经济，也不稳定。
TeleAgent 的智能调度机制支持模型提供商自动无缝切换，在保障最优调用效果的同时，增强系统的整体稳定性能将不同模型服务商放在一个能力池中，根据当前压力调度，给用户分发当下速度更快，效果更好的服务商。
用户端，智能调度机制根据任务强度分层，精准优化资源消耗与积分成本。
轻量档面向翻译、总结、格式化、简单问答场景；均衡档面向文件操作、办公自动化、系统运维、PTT/文档生成场景；旗舰档面向代码编写/调试、深度推理、研究报告、方案设计等场景。
此外，自研星辰大模型 Xing4.0 针对 TeleAgent 框架做了系统性专项适配与优化。
在模型架构层面，采用 mHC+MLA+MTP 的设计，原生支持 256K 长上下文，且可扩展为 512K 上下文，可高效处理多步骤规划、工具调用与复杂推理链路执行。
同时，依托生产运行中真实业务数据分析 （涵盖意图理解、任务拆解、工具调用执行等环节），常态化开展多专家强化学习训练与 MOPD 多专家能力融合调优，形成“ 数据分析→ 问题定位→ 定向调优→ 效果验证” 的闭环迭代机制，推动模型在 TeleAgent 实际场景中的任务完成率与执行稳定性持续提升。
看得懂、记得住
上限依赖于上下文与长期记忆能力，二者构成了 TeleAgent 这款产品的长板。
办公任务普遍是长程的跨文件与跨系统的深度任务，上下文规模随着任务复杂度和沉淀物料的增加而迅速膨胀，多数 Agent 走到后半程会因上下文限制“ 失忆”。
为了能让“ 容器” 装得下足够多的上下文，大致有两条解决方案。一种是不考虑成本，直接扩充容器的上下文容量。而更多厂商选择引导用户控制上下文规模，比如将上下文限制在一定范围内，类似于规定容量上限。
TeleAgent 对两个环节做了针对性的技术优化。简单来说，删去无效的历史信息，筛选有价值的信息，从而在有限容量下，容纳更多上下文。
针对上下文持续膨胀的难题，TeleAgent 在 Harness 层引入动态上下文治理：实时预判窗口水位，溢出前主动分级压缩；并按任务阶段动态分配预算，把窗口留给最关键的信息，保障长链路任务稳定运行。
上下文过多，会破坏命中率，TeleAgent 采用了多级处理手段提升上下文的管理效率。
具体来说，系统根据所选模型自动计算上下文长度预算，进行精细化控制。当内容接近上限时，优先对历史中久远的工具输出进行轻量剪枝。如果剪枝后仍很大，系统启动第二套压缩方案。由专职压缩模型深度压缩整段对话，在尽可能保留关键信息的前提下缩减 Token 用量。
整个过程实时检测上下文溢出状态，触发上限后自动压缩并继续执行任务，全程无需用户干预。此外，系统还结合提示词缓存命中技术，减少重复前缀的 Token 计费，降低成本。
当具备上下文管理能力后，模型越用越好用的前提是有与之匹配的记忆能力。
传统 AI 对话普遍存在“ 阅后即焚” 的特点，记忆只存在于当前对话窗口之内，当开启新窗口时，系统记忆会归零。这么做有一个难处，当对话框上下文过长，如果不做管理，会显著影响效率。
于是，TeleAgent 在桌面端开发了 autoDream（长期记忆能力）。
AutoDream 会每 2 小时自动总结近期对话，生成当天日志；每 24 小时将对话记录与既有记忆合并，更新个人记忆档案。这些记忆跨会话皆能生效，Agent 能记住用户的项目背景、工作习惯和偏好，无需每次重新交代背景信息。
与市面上多数产品不同，AutoDream 的记忆能力限定在用户与跨会话级。所有记忆数据均保存在用户本地，用户可随时开启、关闭或清除记忆数据，充分保障隐私安全。
此外，TeleAgent 的技术团队还在建设多端记忆同步能力，未来用户记忆将在得到用户授权的情况下，随账号跨设备共享。
优化提示词、工具层、能力层
把相同模型，放进不同上下文之中，交付差异巨大。除了上下文处理与长短期记忆之外，提示词、内置工具、内置技能也是影响结果交付的变量。
系统提示词方面 TeleAgent 做了不少新的设置，这一点从新用户引导便能感受到。
新用户首次登录办公 Agent 大多是一个对话框，用户需要自己构建上下文。TeleAgent 设置了四个主动引导用户建立上下文的前置动作，第一步明确称呼与行业，第二步明确沟通方式，第三步框定工作范围，最后交互风格。系统会根据回答情况，形成初始上下文，用户完成引导就能直接做事。
系统提示词本质上是解决识别需求问题，TeleAgent 靠前置引导与环境适配，给出了体面的解法。到了工具层与技能层，风格上类似曾国藩的“ 结硬寨，打呆仗”。
工具层是结硬寨，优化预置工具。在处理相同任务的情况下，TeleAgent 的 Token 开销更低。
光子星球了解到，基于国内一家办公 Agent 公开数据集测评的结果显示，TeleAgent 在办公、代码、网页生成三个领域的综合执行效果与性价比都有更优的表现。
综合得分方面，TeleAgent 的 Token 总消耗比同类产品低 37%，高消耗的代码场景省 57%，四个核心办公场景平均耗时仅为同类产品的 75%。落到白领的高频痛点上，Excel 多表清洗、周报合并、PPT 成稿、深度调研，效果与耗时全面领先。
技能层因循了“ 打呆仗”，由官方预置与 UGC 上传，双管齐下构建能力池。预置技能覆盖 Office 高价值场景，针对 Windows 环境的典型问题做了大量填坑，内部评测集的定量指标牵引着多轮迭代。
TeleAgent 上线至今不足两个月，技能广场已汇聚超 5 万个 Skill。技能广场已形成核心技能打底、技能广场扩容、用户自主创建，三条管线持续扩充产品的能力覆盖面。
我们注意到，TeleAgent 的技能层，甚至覆盖到了市面产品尚未覆盖到的央国企场景，特别是涉及到高度合规要求的合同审查、党建学习、智慧客服等，都为预置能力。
随着智能体能力的增强，接入的工具和技能数量急剧增加，俨然 Token 吞金兽。原因是传统模式下，智能体不会考虑具体工作场景，会把工具箱里的工具全搬出来。
光子星球获悉，TeleAgent 将在近日上线 ToolSearch 动态工具加载功能，能实现工具按需加载，进一步压缩 Token 消耗。
ToolSearch 的运作原理是给系统卸下工具箱，给智能体一本工具目录。在初始状态下，绝大多数工具会被标记为延迟加载，进入到上下文处理过程中，AI 只会加载能力清单。
进入任务执行环节时，AI 会搜索 ToolSearch，匹配对应的工具，找到数个精准工具后，系统才会将这些工具加载到上下文中。
给能力加一把“ 安全锁”
能力决定 Agent 的上限，影响任务完成的效率；安全兜住 Agent 的下限，决定了产品到底能覆盖多广的场景。政企、金融、法务是考验办公 Agent 的试金石，这些行业的门槛上只会挂一个写着“ 合规” 的牌子。
TeleAgent 是首批通过信通院安全评测的智能体，围绕感知、推理、执行、记忆四层布防。
尤其是数据处理方面，TeleAgent 设置了一条“ 文件全程本地读取” 的红线。除大模型推理环节之外，其余环节均在本地完成。工作流程中所有涉及到的文件，都会以 Token 形式传输用于推理，服务端不落盘日志，用完即销毁，从根本上实现了数据不出域。
央企自研底座加上信创适配，让它先天就能跨过其他 Agent 迈不过的坎。政企市场按下限投票，已经说明了问题。
从长期来看，办公 Agent 长成工作搭子，需要有持续的生长能力。我们从 TeleAgent 过去两个月的迭代过程中，看到了一条扩展路径。
第一阶段是借助预置与 UGC 上传，完成技能广场的横向扩展，目前 5 万多个 Skill 构成了生长的萌芽点，供给侧的丰度决定场景的边界。第二阶段是承接用户更多工作之后，依靠长期记忆的工程能力，与岗位技能逐步沉淀为组织可复用资产，此时作为个人搭子的办公 Agent 将会逐渐长成组织员工的数字助理。
到这个时候，上下文工程将会从员工个人资产，泛化为组织资产，AI 随之成为企业持续成长的动能。
回到当下，不难看到，直到有人打出上下文与记忆工程这张明牌，办公 Agent 战事才算是打响了第一枪。
TeleAgent 用不足两个月证明，做基础设施的巨头，不需要扮演模型路由来让自己交付能力，直接从底层逻辑下手，就能实打实地兑付能力。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
