杰富瑞实测八款AI Agent：千问办公夺冠，Harness比模型更关键

华尔街投行杰富瑞（Jefferies）近期对八款主流中美AI Agent进行了一次系统性实测，结果颠覆了“模型越强，Agent越强”的直觉。在总分排名中，阿里巴巴的千问办公以95分位居第一，尽管其背后模型Qwen 3.8 Max的智能分仅为56，在参测模型中排第四；而模型能力最强的Claude Opus 5（智能分61）对应的Anthropic产品Claude Cowork以94分屈居第二。OpenAI的Codex（基于GPT-5.6 Sol，智能分59）以92分位列第三。这一结果让杰富瑞得出核心结论：决定一个AI Agent好不好用，往往不是背后那个模型，Harness（管理机制）做得好足以弥补模型智能的差距。

所谓Harness，是指Agent中除模型外的所有组件，负责“管理”而非“思考”。杰富瑞将其拆解为六层：指令（定义任务与红线）、上下文（提供背景信息）、工具（可调用的外部能力）、边界（行动范围）、反馈（错误纠正与重新规划）以及治理（组织级管控）。这六层对应企业雇佣员工后的管理流程，模型如同聪明的新人，而Harness则是让新人发挥效能的管理体系。报告用控制变量实验证明：同一模型Claude Opus 4.6在不同Harness下，在Terminal-Bench 2.0基准上的得分从58.0%到76.4%不等，差距达18.4个百分点；Gemini 3 Pro同样仅换Harness，得分从56.0%到69.4%，差13.4个百分点。

本次实测覆盖美国三款（Claude Cowork、Codex、Gemini Spark）和中国五款（腾讯Workbuddy、阿里千问办公、字节豆包、月之暗面Kimi Work、MiniMax Code）产品，测试任务包括多文件检索、自主联网研究、控制浏览器、制作PPT和生成营销海报，每项任务按5个维度打分，满分100分。最终排名为：千问办公95分、Claude Cowork 94分、Codex 92分、Kimi Work 86分、豆包77分、MiniMax Code 71分，Workbuddy与Gemini Spark并列垫底（66分）。

值得注意的是，千问办公的“逆袭”并非偶然。杰富瑞将Agent能力拆分为模型（权重60%）和Harness（权重40%），反推出各产品的“隐含Harness分”，结果显示千问办公的Harness分最高，甚至超过美国产品。这印证了Harness优势足以抵消模型智能差距。

实测还揭示了中美Agent的能力差异：在营销海报任务上，美国产品普遍表现不佳，Claude Cowork和Gemini Spark均在此翻车，而中国产品如千问办公和豆包表现更好；在控制浏览器任务上，中国产品成为弱点，Workbuddy和MiniMax Code在此栽跟头，美国产品则更稳定。速度方面，美国产品中Gemini Spark最快、Codex次之、Claude Cowork最慢；中国产品中Workbuddy最快，Kimi Work和千问办公偏慢。此外，Claude Cowork在PPT排版和配色上“品味”最佳，但杰富瑞认为这归功于模型能力而非Harness。

价格上，中国模型具有显著优势：千问办公背后的Qwen 3.8 Max API价格每百万token约1.1美元，而GPT-5.6 Sol为4.4美元、Opus 5为3.9美元。

报告特别分析了腾讯Workbuddy的“错位”现象：其6月月访问量约2100万，在中国同类Agent中排名第一，但隐含Harness分却在中国产品中垫底。杰富瑞给出三个原因：一是Workbuddy深度嵌入腾讯生态（腾讯文档、IMA、企业微信），入口优势明显；二是其采用模型无关路线，用户可切换Kimi K3、DeepSeek V4、GLM 5.2等开源模型；三是腾讯营销投入较大。报告判断，短期Workbuddy赢在入口和分发，长期来看2100万用户基础将沉淀海量真实使用数据，反哺Harness改进和模型训练。在中国市场现阶段，分发能力暂时跑在Harness工程前面，但决定Agent最终走多远的关键仍是Harness。

杰富瑞还对比了中美在Harness上的优劣势。中国优势包括：超级App集成（Agent直接嵌入企微、飞书、钉钉等平台，打通数据、分发、变现）；模型无关的Harness（如Workbuddy、字节Trae）；低token价格（出口管制倒逼高效MoE架构和推理优化，中国模型token价格平均比美国低70%到80%）；迭代速度快（用户量大、失败案例多，促进快速改进）。短板则有：模型差距仍在（弱模型更依赖Harness）；产品定价低（中小企业价格敏感、大型央国企偏爱定制项目）；出海难（中国Agent为本地生态优化，而美国Harness受益于全球标准化软件栈）；算力瓶颈（Agent工作流对推理算力消耗大，高端算力短缺可能影响服务稳定性）。

报告最后强调Harness的三大价值：粘性（客户的工作习惯、历史、连接器等沉淀在Harness中，换走成本高）；数据飞轮（每次运行产生trace数据，可反哺强化学习和Harness改进，形成正循环）；付费意愿（企业购买的是“Harness+模型”打包的完整产品，而非单纯“智能”）。因此，对AI公司而言，AI落地的关键在工程层而非模型层，把Harness做好比追最强模型更可能做出落地产品。