Agent集体进化！腾讯谷歌们加码，AI打工人要普及了？

AI Agent 正在占领你的“工位”：从问答工具到数字同事的蜕变

最近X首页上有些微妙的变化，Agent 相关的内容明显多起来了。但和以前那种「某某模型能答对多少题」的画风不同，大家似乎正集体转向一个更务实的问题：哪个 Agent 能真正帮我把手头的事干完？

这股转向，不只是风向标的问题，而是实在的落地需求在推着它往前走。刚刚过去的5月，几件标志性事件接踵而至，让这个趋势变得格外清晰。

5月20日，腾讯推出了「马维斯」（Marvis），其最新的定位是「操作系统层级 AI 助手」。这个产品横跨 Windows、macOS、安卓三端，内置了6个7×24小时在线的专项 Agent。它们各司其职，覆盖文件、浏览器、应用、搜索和计算机操控等领域，开箱即用。紧接着，OpenAI 在5月21日宣布 ChatGPT 以 add-in 形式嵌入 Microsoft PowerPoint，免费用户和 Business 订阅者都能在侧边栏直接用自然语言生成或修改 PPT。而在同一周，Google 在 I/O 2026 上发布了 Gemini Spark，一个能够在 Google Cloud 专属虚拟机上 24 小时持续运行的个人 Agent，它可以读取你的邮件、修改你的文档、通过 Chrome 操作网页，你甚至不用一直盯着它。

（图源：雷科技制图）

这不难理解，为什么风向转得这么快。在经历过大量 AI 工具的信息轰炸后，大多数普通人已经不那么关心一个模型能答对多少数学题，反而更在意：哪个 Agent 能帮我搞定手头的活儿？

当 AI 真正开始“打工”

先说 ChatGPT for PowerPoint。加入 add-in 后，PowerPoint 右侧会多出一个侧边栏。你告诉它「做一份面向投资人的产品演示，从上周的 Outlook 里找项目进展」，它就会自己去拉取数据、生成内容并排好版，全程不需要你离开 PowerPoint。它能连接 Gmail、Outlook、SharePoint，这意味着它在尝试帮你整合信息，而不仅仅是生成内容。

实际体验下来，生成一份结构完整的初稿速度很快，很适合开会前临时需要一份 PPT 的场景。当然，OpenAI 也坦言，复杂的模板处理或字体排版目前还不太支持。

（图源：雷科技制图）

说实话，这类 AI 工具插件并不少见，它们还是在某个具体的场景里提供帮助，而且目前都不算特别成熟。但腾讯推出的马维斯则不同。它更像一个网状式的 Agent 智能体集合，由主 Agent 统筹任务，下面调度 File、Computer、App、Browser、Search 等专项 Agent 并行执行，把系统、文件、应用、算力、甚至跨端操作都纳进同一个中间层。你告诉它「帮我找上周 PM 发给我的那份 Agent 架构图 PPT，文件名忘了，保存在桌面上」，它会去扫描文件内容、做语义理解，而不是在文件夹里做简单的关键词搜索。

（图源：雷科技制图）

实际测试了几个场景，比如让它准备一份复盘会上的材料。马维斯的回答是先制定会前准备表，再给出一个 90 分钟的议程，顺序非常符合实际工作流。它还会把会前动作拆分成可分配的任务：运营去拉线索质量数据、产品来汇总客户反馈、销售整理卖点问题，每项都有负责人和预期产出。尤其聪明的一点是，它会自动把「卖点不清楚」这类模糊要求，转化为「整理客户原话和具体场景」，非常实用。

再比如，我们上传了一份 Word 经营简报和一张 Excel 明细表，要求它找出销售额、毛利、地区排名并指出明显异常。结果，它调用了 File Agent，将两份文件做了跨表串联，给出了销售额 2,357,512、毛利 836,257，并指出华南地区最高。它还识别出了重复客户电话、空负责人、零数量售后单和异常大单等问题。

当然，等待时间是个不容忽视的问题。简单的开场问答大约需要 30 秒，不是瞬时响应；文件分析从提交到最终结果约需 6 分钟，且中间过程的颗粒度还不够细，你能看到 File Agent 在处理，但不知道它读到了哪一步，还需要多久。不过，对于「手上有材料、开会前想快速扫一遍」的场景，6 分钟还是可以接受的。

（图源：雷科技制图）

马维斯能成功出圈，很大程度上与其设计有关。在侧边栏可以找到一个名为「办公室」的页面，打开是一个白色 3D 办公室场景，Marvis、App Agent、Browser Agent 像几个员工坐在各自的工位上，右侧则显示今日任务完成数、Token 消耗和进行中的任务。它用有趣的动画，直观地展现了 Agent 之间如何协作、分配任务的过程。和那些枯燥乏味的工具相比，「AI 牛马」的形象实在深入人心。

无论深度如何，从在 PowerPoint 里帮你一键出稿，到在你的电脑上帮你调文件、开会议、扫异常，这些产品都指向同一个方向：AI 正在从一个回答问题的工具，变成一位坐在工位上处理杂活的同事。唯一的区别是这个同事具体是干杂活，还是干更专精的活。

「AI 工位」之战：腾讯、OpenAI、Google 为何全力押注

这一轮对「AI 工位」的热抢，很大程度上是从 OpenClaw 烧起来的。

OpenClaw 的前身是 Clawdbot，由奥地利独立开发者 Peter Steinberger 在 2025 年 11 月打造，是一个开源的、可以跑在本地的项目。起初并未引起太多关注，直到 2026 年 1 月，几个视频开始流传，例如「AI 自主买车」和「30 分钟完成代码迁移」，开发者圈子瞬间被引爆。Clawdbot 两次因商标问题改名，最终定名 OpenClaw，从第一个版本到 GitHub Stars 突破 25 万，只用了大约 60 天，这个速度甚至比 React 十年的积累还快。它的创始人随后在 2 月加入了 OpenAI，继续深耕 Agent 方向。

OpenClaw 之所以能爆，不只是因为它新，而是它第一次让普通用户真切地体验到「AI 在帮我干活」的感觉，而不仅仅是「AI 在帮我回答问题」。它能读取本地文件、操作应用程序、调用浏览器、执行多步骤任务，通过一套名为 ClawHub 的技能注册表将 LLM 与真实工具连接起来。这套架构证明了一件事：把 AI 变成一个真正在电脑上干活的角色，技术上可行，而且用户非常愿意为此买单。

（图源：雷科技制图）

OpenAI 最初推出 Codex 时，它只是一个纯粹的 AI 代码工具，帮助开发者写代码、修 bug、提 PR。但从 2025 年 5 月到现在，Codex 悄然进化成了另一个东西——它能操作电脑、运行内置浏览器、处理图片、跨工具执行任务，还加入了「Goal Mode」，即你只需说出一个目标和成功标准，它便会持续运行直到任务完成。

这个变化并非 OpenAI 一开始就规划好的产品路线。一个足够能干的 Agent，只要在某一个场景里证明了自己，就会自然地往相邻任务扩张。编程之后是代码调试，调试之后是项目管理，项目管理之后是操作浏览器、处理文件、理解上下文……

这也解释了为什么腾讯要从操作系统层面切入，Google 要把 Gemini Spark 做成 24 小时不间断的持续 Agent，微软要在 PowerPoint 里推进 Agent Mode，而不是继续升级那个已经够用的聊天窗口。Gemini Spark 内置了对 Gmail、Google Docs、Sheets、Slides 的原生调用权限。本质上，他们都在抢同一个位置——「AI 工位」。

（图源：雷科技制图）

「AI 工位」最核心的根本不是一台装了 AI 软件的电脑，也不是桌面上多出一个聊天框。更准确地说，它代表了一种新的工作关系：当人把目标、材料、权限和验收标准交给 AI，AI 就在文件、应用、浏览器、系统和云服务之间调度动作，人则从执行者转变为管理者、审核者和最终拍板的人。当然，这其实就是把 AI 当「牛马」用。

加速迭代的 AI 办公，最终受益的是普通人

AI 工位对普通人的意义，并不是让每个人突然拥有一个高大上的智能办公室，而是把「我亲自操作软件」变成「我分配一件工作」。你不再需要记住材料放在哪个文件夹、哪个应用负责哪一步、输出结果要复制到哪里，而是将目标说清楚，让 AI 去查找、阅读、整理、调用工具，最后把结果交还给你。就像你在使用马维斯时，可以看到哪个 Agent 被调用，哪个 Agent 又跑去「摸鱼」了。

这也是为什么它会比单点工具更适合普通人，也更成为大厂们想要抢占的入口。一个 PPT 插件再好，本质上只是帮你做一份 PPT；一个真正成熟的 AI 工位，在完成 PPT 之余，还会顺便帮你准备好汇报所需的其他内容。这就是插件与 AI 工位的本质区别。

（图源：雷科技制图）

当然，就目前而言，普通人最先感受到的可能是 AI 工位的副作用。AI 要替你干活，就必须看到更多文件、拿到更多权限、理解更多上下文。以前你丢给聊天机器人一句话，错了大不了重问，但现在你把一串任务交给 Agent，错的可能是文件、数据、日程、格式，甚至是一次对外发送。所以，在 AI 工位真正普及之前，用户需要学会的不是更复杂的提示词，而是更清楚地定义目标、限制边界并检查结果。

但至少，AI 工位正在试图把我们从“打工的牛马”状态中解放出来，这也许才是它真正能够爆火的核心原因。