智能体“踩坑”实测：WorkBuddy4分钟出稿，AutoClaw一小时交付

研究员｜卢杨

腾讯发布新模型混元Hy3，并宣布元宝已接入。

官方给出的核心卖点不再只是“聊天”，而是能够直接生成PPT、Word、Excel、PDF等文件，完成一整套任务流程，并着重强调“Agent能力显著提升”。

越来越多国产大模型，开始深挖自己Agent的任务能力。问题也随之而来：当模型开始“代替人干活”，用户究竟该如何衡量它的能力？

我们做了一组极轻量的实测。测试任务只有一句话：“将一份会议纪要压缩为约500字新闻稿，并输出为Word文档，写入指定目录。”

选取了市面上声量排名靠前的4款Agent，WorkBuddy、Dumate、Kimi Work以及AutoClaw。其中，智谱Autoclaw在上市之初号称“国内首个一键安装本地版OpenClaw”。

对于测试任务，前三款大致完成了任务，只有AutoClaw在反复执行后，效果不佳。不过，真正让我们关注的并非失败本身，而是代价。

任务结束，AutoClaw系统显示累计扣除662积分。按其会员体系折算，这相当于一次简单任务花掉了接近4元，而用户最终什么文件也没有拿到。作为一款要日常使用的Agent，这可不行。

01

Agent可不止要会“做”

这次Agent的执行并未表现为简单的线性流程，而是呈现出多轮任务调整和重复执行的特征。

Agent在进入任务后，没有立即开始生成新闻稿，而是优先执行了一段BOOTSTRAP配置流程，对自身身份、角色和风格进行设定。一部分积分首先被消耗在Agent运行时初始化，而非直接用于完成用户目标。

由于AutoClaw用户界面没有展示完整执行Trace，因此无法确认其内部是否采用Planner、Reflection或其他任务管理机制。但从可见行为来看，Agent至少执行了一段与当前任务无直接关系的初始化流程，这部分执行同样会带来额外的积分消耗。

可以推测，任务始终没有形成稳定、可收敛的执行路径。

从Agent执行来看，积分的消耗很可能不仅对应最终内容生成，也与规划、工具调用、状态维护、失败恢复等执行过程有关。当执行路径迟迟难以收敛时，这部分执行成本甚至可能超过最终内容生成本身。

也就是说，系统每一次的语义解释、状态初始化、结果确认和失败补偿解释，都会导致Token消耗的增加。

面对我们提出的“并未在特定路径下找到文件”的说法，Agent并未立即终止，而是多次解释当前状态，并继续尝试完成任务——这个过程之后虽然显示的只有几句来自Agent的自我辩白，但是这背后其实消耗了不少token。这种设计会直接放大任务中的token消耗，每一次循环都会重新进入新一轮推理，并引入新的上下文处理，因此持续增加Token消耗。

评价一个Agent的能力，已经不能只看它会不会做，更要看它会不会及时地停下来。

02

长链路任务对比

不过，一个失败任务并不能完全代表Agent能力。我们做了第二组测试。

这一次，我们提高任务复杂度，给Agent一个开放性指令：“帮我制作一份国内外常见Agent产品报告，形成一篇可视化文档，内容需要准确可查，我要向老板汇报。”

我们没有限定输出格式，希望Agent自主完成任务规划。结果显示，WorkBuddy、DuMate、AutoClaw均一次性交付；Kimi Work虽然最终完成，但耗时最长。

其中，WorkBuddy速度最快，用时约4～5分钟即生成了一份HTML格式的Agent报告，资料来源标注清晰，报告内使用的数据截至2026年7月，只不过内容略显单薄。

DuMate耗时23分钟，生成了一份PPTX格式文档并储存在电脑的workspace文件夹下，清晰地罗列出了从联网调研、SVG生成到后处理校验等各步骤用时。最让打工人开心的一点是：DuMate生成的PPTX文件支持人工细微调节——当对内容有细微调整需求时，可以直接自行修改，而无需重新撰写复杂的提示词与Agent重新“battle”一轮。

AutoClaw从接到任务到交付报告，实际耗时约1小时。其中前40分钟花在搜索工具适配和浏览器配置确认上，最终报告组装约20分钟完成，综合可按30分钟计算。但AutoClaw使用的数据时效性并不稳定，两次生成结果一次截止2025年6月，一次截止2026年7月。

Kimi Work耗时一个半小时，且中间崩溃了2-3次。最终Kimi Work也给出了一份PPTX格式文档，整体可编辑，但相比DuMate生成的报告，排版过于混乱。

随着大模型从“聊天助手”走向“任务执行者”，评价一个Agent产品的标准正在发生变化。

简单任务中，决定用户体验的，不只是模型能否完成指令，还包括它面对异常情况时是否具备及时止损能力。在复杂任务中，Agent之间的差距则更多体现在任务规划、工具调用、信息整合以及最终交付能力上。

未来Agent竞争的核心，可能不只是模型参数规模和能力排名，而是谁能够以更低的成本、更稳定的路径，把一个真实需求转化为可直接使用的结果。

编辑｜邱慧