桌面Agent现在只是过渡态？腾讯Marvis负责人：基模能力上涨，会吞噬边界

Marvis

出品｜搜狐科技

作者｜张 莹

千问办公、豆包办公的推出，把办公Agent领域的竞争赛事推向高潮。

近日，腾讯应用宝团队宣布Marvis的全新版本将于9月24日上线，定位于AI管家，可以帮用户整理文件、清理C盘、管理开机项……

而这些事情，腾讯的Workbuddy、千问办公、豆包办公也能做到。我们好奇的是，在一众办公Agent中，腾讯Marvis存在的必要性是什么？它和AI办公产品有何不同？未来的AI管家会是什么形态？

腾讯应用宝跨端业务及Marvis负责人蔡建涛指出，Marvis不把自己定义为办公AI，终局也不是生产力工具，而是让每个硬件都有一个硬件AI。

蔡建涛还提到，桌面Agent现在有点像对话类产品的早期阶段，“惊喜很多，天花板很高，但地板也挺低。”

在他看来，桌面Agent未来有两个趋势，一是基模能力继续上涨，能力上涨会吞噬边界；二是基模正在内化Agent。今天的桌面Agent可能只是过渡态，明年或后年还会有新变化。

技术路线上，他更倾向MCP等边界清晰的授权，认为GUI未来3-5年未必是好方式，成本太贵，也不符合大模型理解语言的方式。

能清C盘、点外卖的AI管家

Marvis于5月20日全量上线，至今已有四个月。

蔡建涛透露，目前每天约四五万用户通过Marvis安装软件，清理C盘、管理开机自启也是高频使用场景。用户的用法让他更确定一件事：既然大家把它当“管家”，那就按AI管家的角色做下去。

近日，腾讯应用宝团队宣布Marvis的全新版本将于9月24日上线。新版最直观的变化，是侧边栏多了“管家团队”入口，目前有电脑管家、文件管家、浏览器管家、软件管家四个核心角色。未来还将上线生活服务管家，可以点外卖、喝奶茶、洗空调。

过去Agent产品常被吐槽“看起来很厉害，但不知道能干什么”，用户面对空对话框无从下手。管家团队相当于把能力清单摊开：电脑哪里有问题、点哪里能优化，一目了然。

沟通会上还演示了Mac开机启动项过多的场景：一堆软件争相自启，每次开机弹个不停。交给Marvis后，它会逐项调整，遇到需要确认的地方再弹系统窗口。

但问题是，整理文件、清理C盘、管理开机项，很多Agent都能做到。即使在腾讯内部，Workbuddy也能做这些事，Marvis为什么能单独存在？

产品经理举例说，让Agent找一份五年前的文件，靠写代码遍历所有Agent都能做到，但可能找一小时，Token先耗光了。Marvis的差异在于本地知识库索引构建能力，找文件更快，也更省Token。一句话：别人能干，Marvis要干得更快、更稳、更准、更全。

另一方面，Marvis不认为自己是办公AI。蔡建涛指出，Marvis的终局不是生产力工具，而是让每个硬件都有一个硬件AI。

在他的设想里，将来PC上装了Marvis，用户可以通过语音或其他方式和电脑交互，硬件使用门槛会大幅降低。也许三岁小孩都能像用对话产品一样自然地用电脑。

他回忆到，“硬件AI助手”这条路，三四个月前看还很难。硬件厂商会算成本账，做这样一个产品要投很多钱、很多人。但如今经济环境下，强强联合、双赢成为更现实的选择。早期看起来难的路，走着走着反而容易了。

他也坦言Marvis有商业化规划。AI产品收费的关键，不是先设一个付费墙，而是做到某个点，让用户觉得“这个功能收点钱也合理”。

“今天的桌面Agent可能只是过渡态”

8月25日，豆包办公发布，8月3日，阿里巴巴旗下千问办公也开启公测。

腾讯此前也将在“龙虾”热爆火后不同团队打造的智能体进行整合，把腾讯电脑管家团队推出的QClaw与腾讯云旗下CodeBuddy团队研发的WorkBuddy并入同一体系。

今年，办公智能体无疑是大厂们竞争的焦点。

蔡建涛分析，大家先选办公作为切入点，是因为办公最好理解、最容易看到成果，文档生成、PPT制作、文档workflow，相对好切，比游戏助手难度低。

“中国市场做产品，大家殊途同归，都想赢者通吃，但会选自己擅长的切片切入。”蔡建涛表示，以电脑的时长分布为例，办公类距离“占据绝对主导地位”还差得很远，大概占 30%，但剩下还有教育、金融、游戏，以及浏览器上延展的各种需求，选哪个切入点都有机会。

他也表示，Marvis未来会补一些办公外延需求，但不会重投，仍聚焦硬件设备的AI管家。原因是用户需求会外溢，很少有人坚持“游戏助手只能做游戏”“问天气必须另开一个产品”。即使是在Agent产品中，对话类任务占比也有15%左右。

据易观分析数据，国内17款主流桌面端AI办公智能体月访问量已从3月的2000万次飙升至6月的6000万次；QuestMobile数据显示，2026年7月国内AI效率办公赛道整体月活达1.02亿，PC客户端月活同比增长340.6%。

蔡建涛提到桌面Agent有两个趋势，一是基模能力继续上涨，能力上涨会吞噬边界；二是基模正在内化Agent。Agent本质是脚手架，用来补足基模缺陷，比如连接物理世界，但基模很容易把这些能力延展过去。

他判断，因此今天的Agent可能只是过渡态，明年或后年还会有新变化。

他用对话类产品类比，桌面Agent现在有点像早期阶段，惊喜很多，天花板很高，但地板也挺低。回头看头部对话产品这一两年的规模增长，就能看到天花板。

“未来3-5年，GUI未必是好方式”

桌面Agent在“跨应用操作”这个核心能力上，正面临一个根本性的路线选择：是让AI像人一样“看屏幕、点屏幕”，还是让应用主动开放接口给AI调用？

此前，一代豆包手机基于GUI Agent（图形界面智能体），实现了让AI像真人一样读取屏幕、识别按钮、模拟点击操作功能，不久后便遭遇了App生态的集体封杀。

近日，豆包方面表示，图形界面智能体仍是一项快速发展的前沿能力，豆包手机助手期望与合作伙伴共同构建开放、规范的手机AI应用生态。

为此，豆包手机助手推出屏幕自动化操作声明协议（SAEP，Screen Automation Execution Protocol），并自9月14日起启动为期30天的规则公示。协议显示，应用在公示期内不会被GUI智能体操作，除非主动声明接受。不过公示期满后，对未回复邮件或未接入SAEP拒绝被操作的应用，根据应用风险层级逐步放开，默许视为可操作。

Marvis走了另一条路，遵循“默认不同意”。

对于GUI的适用场景，蔡建涛认为，GUI 比较合适的是游戏这类渲染型场景。“比如海外用户量很大的三消单机游戏，开发者同意，AI基于画面识别计算下一步消除哪个最合适，这种模式容易做出用户规模。”

而点单这类交易型场景，最便捷的方式一定是小程序/MCP。他指出，最理想的还是MCP这类后台方案，“对开发者更友好：愿意授权什么、不愿意授权什么，边界清晰。GUI反而不明确，不想让AI看到的内容，MCP可以不给，但GUI会让开发者觉得不可控。”

在蔡建涛看来，大趋势是企业会提供CLI、MCP、API、SDK等方式，只有少数软件服务需要GUI。普通交易型软件，如电商、教育、金融，最理想还是开发者提供MCP或类似服务；渲染型如游戏，会有画面识别和GUI工具。两者会长期并行。

他表示，“未来3-5年，GUI未必是好方式，成本太贵：截画面、解析、送到云端判断下一步点哪里，并不符合大模型理解语言的方式。”

运营编辑 | 曹倩 审核｜孟莎莎