作者 ｜ 李楠
郵箱 ｜ linan@pingwest.com

關于湯道生和姚順雨的對談，或許還有更值得琢磨的地方。

過去兩三年，外界討論AI，更多是在討論模型會不會說話、會不會推理、參數有多大、榜單排第幾。但現在，大家關心的問題變得越來越具體了。

Kimi Work把AI推向桌面工作流，OpenAI Codex在把Coding Agent做成開發者的任務控制臺，Meta Business Agent要幫商家處理客戶咨詢、線索篩選和銷售轉化，Google和微軟也在把AI agents放進搜索、辦公和企業協作里。

而這些動作指向同一個方向：AI不再只證明自己會回答問題，還要證明自己能不能進入桌面、瀏覽器、代碼倉庫、企業客服、交易平臺和業務系統，替人完成一段有結果的任務。

換句話說，生產力，正在成為AI競爭的第一敘事。而從這個視角出發，湯姚的對話，騰訊云AI產業應用大會的種種動態，呈現了更清晰的意義。

當AI下半場緩緩展開，騰訊云首次系統發布“效率智能體工具集”，同時升級WorkBuddy企業版等動作，實際上道出了騰訊自身的轉折——過去提到騰訊，外界最熟悉的標簽往往是游戲、文娛、社交。但到了AI時代，這個標簽在向“生產力”轉移。

過去二十多年積累的產品、場景和連接能力，正被騰訊組織成一種生產力生態，進而讓它在AI戰場上找回一種更主動的進攻節奏，以及新的身份和新的位置。

1

一個盯緊生產力的騰訊

騰訊這次發布的“效率智能體工具集”，覆蓋個人、職場、企業和行業等層級。

面向個人用戶，騰訊升級了QClaw、WorkBuddy、元寶、ima、騰訊文檔等AI工具；面向職場人群，Buddy家族覆蓋代碼研發、辦公、文檔處理和創意設計等高頻場景；面向企業客戶，騰訊發布WorkBuddy企業版、Agent Suite辦公智能體套件，并同步升級一系列企業級智能體平臺能力。

產品繁多，但主線不復雜。騰訊想把AI從一個“能回答問題的工具”，變成一個“能承接任務的工作入口”。

這里面，WorkBuddy可能是最關鍵的一個。湯姚對話點名了這個產品，其口碑也確實不錯。

騰訊給它的定位，是全能 AI 工作臺。一人指揮，全行業專家執行。你會發現這上面的專家密密麻麻，場景涉及內容創作、法律咨詢、投資分析、小微企業等方方面面。

（WorkBuddy上的專家團隊)

就個人體驗來說，過去一段時間，我幾乎每天都在用WorkBuddy。原本，我需要每天打開不同的網站，有的是科技領域垂類媒體，有的涵蓋科技資訊的財經平臺，然后從各家信息流中，篩選需要關注的行業信息。

但隨后，我開始給WorkBuddy設置自動化任務。把關心的主題告訴它，讓它每天早上自動查找并過濾過去24小時行業里最值得關注的動態。同時為避免遺漏一些更宏觀的大事要聞，還讓它從兩家權威官媒做掃描梳理。然后把生成的結果，放到Obsidian查看并存檔。

更進一步，過去要分析一家公司、一個主題、一個產業現象，還要想辦法查找券商、咨詢公司或研究機構報告?，F在，可以在WorkBuddy上調用專家團，讓他們直接調研和深入分析。

對我來說，這是AI生產力最直接的樣子。而現在，WorkBuddy企業版來了，把生產力從“個體”推向“團隊”。

企業版提供7×24小時運行的專家數字員工，支持員工、AI智能體和團隊成員在同一個項目空間里共享上下文、skills和產物；同時通過Agent Suite，把騰訊文檔、騰訊網盤、騰訊樂享等能力接入WorkBuddy。

這里真正要解決的問題是，個人提效不等于組織提效。一個員工用AI把日報、標書、數據分析做得更快，只是第一步。更難的是，他的經驗、模板和產物，能不能沉淀成企業可復用的資產。

騰訊集團高級執行副總裁、云與智慧產業事業群CEO湯道生給過一個自己辦公中的使用場景。他會用WorkBuddy把日報里的數據整理成趨勢分析報告。過去這類需求可能要找研發同事排期，現在幾分鐘就能完成；如果想加一個指標，只需要提出新的需求。

這個例子說明，很多過去需要跨部門排期的小任務，正在被AI加速執行。

而企業里還有大量繁雜的需求和任務。它們情況更復雜，也更有代表性。

龍湖的實踐提供了一個樣本。產品經理用WorkBuddy讀取和整理大量言論，生成圖像測算相關的技術見解和PRD初稿；數據分析師把業務數據交給它，完成清洗、分析、可視化并一鍵導出；項目經理用它做風險篩選和業務分析；財務用它做發票識別與流程核查；法務則用它生成合同風險提示。

這些任務分散在產品、數據、項目、財務、法務等崗位里。WorkBuddy企業版要驗證的，正是AI數字員工能不能進入一家傳統大型企業的多個職能，變成“全崗位”的生產力工具。

這樣的例子還有很多。

上海醫藥用WorkBuddy提升內部文案撰寫效率，和仁科技基于WorkBuddy與CodeBuddy部署超百位“數字員工”，游族網絡把WorkBuddy與CodeBuddy、ClawPro組合使用，覆蓋會議紀要、文檔轉存、熱點洞察、用戶畫像等業務協同場景。

總的來看，騰訊快速地迭代自身的AI產品和能力，并把AI生產力橫向鋪開。

1

一個越轉越快的飛輪

順著WorkBuddy這個由頭，姚順雨問湯道生：“相對于傳統的產品研發，在Agent時代的研發和組織管理上，產品團隊發生什么變化？”

答復是：WorkBuddy的組織非常扁平化，小團隊三個人、五個人，圍繞某一個領域來做攻堅，并且做非常多的試驗——這樣的組織形態，才好支撐原生AI產品的研發。

組織形態的變化支撐了具體的AI產品上的迭代，不過騰訊AI的加速，首先來自模型能力的補齊。

過去一段時間，外界對騰訊AI的質疑，很多集中在模型側。姚順雨加入騰訊后，混元的研發方向發生了明顯調整。按照湯道生的說法，姚順雨推動模型和產品Co-Design，把混元從非常在意外部benchmark，轉向以產品用戶體驗作為北極星指標。

這件事的意義還在不斷放大。

大模型行業長期容易陷入榜單競爭。參數規模、上下文長度、推理分數、代碼能力，都可以成為被比較的指標。但真實產品里的用戶不是在做標準題。他可能只說一兩句話，描述很模糊，還會不斷追問。

姚順雨的判斷是，benchmark有價值，但真實世界的數據能暴露榜單沒有發現的問題。模型要變得好用，不能只看外部榜單，而要理解真實用戶怎么提問、怎么修改需求、在哪些地方失敗。

這正好落到騰訊的長處上。

騰訊有大量產品場景。元寶、WorkBuddy、CodeBuddy、騰訊文檔、騰訊會議、ima等產品，都會產生不同類型的真實任務。它們一方面需要模型支撐，另一方面也會把用戶反饋、失敗案例和評測標準反向提供給模型。

就像姚順雨所說，騰訊有很多產品和很多“好問題”。這些產品和問題本身，在某個契機之下，會成為模型進化的養料。

于是可以看到，現在騰訊已經形成了一個飛輪：模型能力提升，產品體驗變好；產品使用變多，真實場景數據和反饋增加；這些反饋再推動模型迭代。

Hy3 preview已經在CodeBuddy、WorkBuddy、元寶等產品中規模應用。WorkBuddy接入后，首次響應速度提升54%，任務平均完成時間縮短47%，任務成功率保持在99.99%。元寶大約80%的用戶也已經在用Hy3 preview。

這些數字的意義，不在于證明某個模型“更強”，而是說明模型改進已經直接傳導到應用體驗之上。

更深一層看，騰訊的產品研發方式也在被AI改寫。

回到前面關于組織的問題。湯道生把AI時代以前的產品開發形容為瀑布流：產品經理寫PRD，交互、視覺、前后端、測試一步步交付?，F在，AI能生成大量代碼，團隊成員的重點開始轉向描述目標、設計架構、前置評測和質量控制。

WorkBuddy、QClaw這類產品由更小、更扁平的團隊快速迭代。工程師不再只是寫代碼，而更像是驅動多個AI Agent完成任務的人。測試和評測也被前置，因為AI生成越多，越需要更早定義好結果。

這意味著，騰訊的AI加速不只是產品層面的，也是組織層面的。

當然，飛輪也有現實約束。算力仍然緊張。過去兩三年，騰訊優先服務內部產品，包括混元訓練、微信、會議、元寶等需求。對WorkBuddy、CodeBuddy這類Agent產品，騰訊當前仍處在投入期，并沒有給Buddy團隊設商業化目標。

這說明騰訊現階段更關心的是產品價值能不能被證明，而不是過早把Agent調用量轉化成收入指標。商業模式會出現，但在眼下，調用量更多是使用指標，而非商業化指標。

這意味著，騰訊的AI飛輪能夠在更少的束縛之下，更快地運轉。飛輪越轉越快，騰訊能輸出的AI生產力越來越強。

但飛輪本身還不是最重要的，飛輪背后的生態，才是騰訊在AI大潮中最重要的底牌。

1

AI要拼環境和context了

實際上，不只是騰訊，整個AI行業都越來越重視生產力。

大多在想辦法把AI塞進更多工作流，拆任務、調工具、接數據、交結果。而競爭焦點，也從誰的模型更聰明，轉向了誰的AI更可靠和更能干活。

這時候，大家選擇并不相同。

OpenAI重范式定義，不斷用ChatGPT、Deep Research、Operator、Codex等產品，把行業對AI能力邊界的想象往前推；Anthropic以Claude為核心，并通過Claude Code、MCP等產品與協議，切入開發者終端、代碼庫和工具連接層；DeepSeek看重模型效率，用訓練效率、推理成本和開源擴散，重塑行業對高性能模型供給成本的判斷。

騰訊則以“連接”為關鍵詞，構建出了一套連向各類場景的AI生態。

它不押注某個單點Agent，也不框定于辦公套件，而試圖把AI放回微信、企微、騰訊文檔等自家工具構成的高頻連接網絡里，把過去分散的產品能力，重新組織成AI生產力系統。

這時不妨再提一下姚順雨的判斷：環境和context很重要?！Ｐ驮絹碓缴瞄L把一個非常復雜的輸入變成輸出，很多時候你的競爭壁壘，就在于你有沒有最原始的輸入’。

模型仍然是底座，但模型要完成任務，需要入口、工具、上下文、數據、權限和安全機制。它要知道用戶在做什么，能調用哪些系統，能不能交付到原來的業務流程里。姚順雨把context看作AI下半場的關鍵，騰訊最不缺的就是context。

這有賴于騰訊過去二十多年搭出來的產品矩陣，以及相應的工程能力。

騰訊文檔等傳統互聯網產品，在WorkBuddy里成了Agent可以調用的能力單元。文檔可以承接人機協作，會議可以沉淀可復用的Context，網盤和知識庫可以提供資料與經驗，SkillHub和Connector則讓更多內外部能力接入任務鏈條。

而支撐這套系統運轉的，是騰訊在Infra和工程化上的長期積累。騰訊云圍繞Agent Runtime、Agent Memory和安全網關等搭起的底層能力，讓Agent可以跑得更久也更穩。

而未來，如果騰訊的Agent進一步打通IM、支付、小程序和企業系統，帶來的想象空間顯然會進一步膨脹。

過往積累的產品和場景，本身就是AI時代最稀缺的養料。只是過去缺一根主線，把它們串聯成可以兌現的價值。

現在這根線終于找到了。當模型驅動產品，產品反哺模型，場景提供context，context構建壁壘，騰訊AI的飛輪終于轉了起來。

這艘大船還不夠穩。但至少，它已經知道該往哪個方向劃，并且越劃越快。

點個“愛心”，再走 吧