这次，Agent离独立完成工作更近了。
最近，阿里的动作不少。
8月3日，旗下企业级Agent产品千问办公正式开启公测，个人和企业用户都可以通过官网体验。
目前网页版和独立PC客户端已经开放，钉钉PC端和手机端的内置入口也将在近期上线。
千问办公由QoderWork、MuleRun、悟空三款产品整合而来，将云端Agent、桌面端Agent和企业协同Agent放进了同一个产品里。
在日常使用中，它可以处理资料调研、文档表格制作、数据分析、网页开发和多模态内容生产等任务。
与普通通用Agent相比，千问办公更有望进入企业原有的协作环境，在获得授权之后调用企业数据，并参与实际的工作流程。
目前，千问办公已经开始与钉钉深度打通，也能通过多种IM，比如飞书，微信等通信链接方式进行对接Agent。
同一天，阿里还发布了新一代旗舰模型Qwen3.8-Max，并率先接入千问办公。
该模型的总参数规模达到2.4万亿，激活参数为95B，最高支持100万Token上下文，在编程、办公、科研和长周期任务等能力上进行了提升。
模型能力决定了Agent能够处理多复杂的任务，产品本身的工程能力，则决定了这些任务最后能否被稳定执行，并交付成可以直接使用的结果。
01
把B站视频变成学习工作台
千问办公比较有辨识度的一项能力，是可以把网页开发和部署一起完成。
用户不需要自己配置服务器、域名和数据库，只要说清楚需求，再提供对应的资料或Skill，它就能继续完成页面设计、功能开发、测试和上线。
平时在B站看课程、访谈或者产品测评时，视频里的有效信息往往散落在不同时间段。
想回顾某个观点，需要反复拖动进度条；想整理笔记，还要在播放器、文档和大模型之间来回切换。
这次让千问办公搭建了一个视频学习工作台。
试验地址：https://a6jgr8g8.qwenwork.host
用户只需要粘贴B站视频链接，页面就会自动解析视频标题、作者、播放数据、简介、章节和字幕，并将原本普通的视频页面重新整理成适合学习和回顾的界面。
工作台的左侧保留了视频播放器，下面集中展示视频的元数据、章节信息和重点片段。
右侧则提供字幕、对话和笔记三个区域，字幕按照时间顺序排列，每句话都带有对应时间戳，点击之后可以直接跳转到视频中的相关位置。
接入DeepSeek之后，工具还可以基于整段字幕提取视频里的重点内容，将关键资讯、观点、数据和风险提示用不同的标签标出来。
对话区域允许用户围绕视频继续提问，例如让模型总结核心观点、解释某个概念，或者整理视频中的产品信息。由于对话时会带上完整字幕内容，回答主要围绕当前视频展开，不需要用户再手动复制脚本。
笔记功能则和字幕、对话结果连接在一起。
用户可以摘录某一句字幕，将对话中的内容保存为笔记，也可以自己补充新的想法。
不同视频的笔记会分别保存，之后重新打开页面时仍然可以继续查看，还能导出为Markdown文件。
在正式开发页面之前，模型先研究了B站字幕的获取方式。常用的播放器接口虽然能够返回视频信息，但不少视频的字幕需要登录Cookie才能获取，并不适合直接做成一个公开分享的网页。
继续测试后，它找到了另一条无需登录也能读取字幕列表的接口，并打通了从视频链接、基础信息、字幕轨道到带时间戳字幕内容的完整链路。确定字幕能够稳定获取以后，才开始搭建网页和后端服务。
页面开发完成后，千问办公逐一测试了解析、字幕加载、翻译、视频问答、重点提取和笔记保存等功能。
所有功能在本地通过后，网页被部署到了线上，并且使用指定视频完整跑了一遍流程。
虽然目前只是第一版，但已经将视频解析、模型分析和个人知识整理连接成了一条可以实际使用的流程。
目前可以改进的地方也比较明显。比如可以进行多选字幕提问以及做笔记，数据库存储历史记录、以及多平台机制等等，让它更接近一个可以长期使用的学习工具。
02
一次完成26家公司的调研和选题分析
日常做行业调研时，最费时间的往往是批量收集资料、补全信息，再把结果整理成能直接使用的文档。
第二个任务让千问办公并使用浏览器能力调研YC最新一期S26批次中Consumer、Healthcare和Education三个赛道的全部产品。
在链接器里找到「浏览器」选择安装就好了，打开该插件的文件夹目录，并且在对应浏览器开启开启「开发者模式」，这里演示在chrome://extensions。
之后要拿到每家公司的产品简介和创始人信息，能查到额外联网资料的也一并收进来，最后要求输出一份新粗野风格的HTML报告和一份Excel表格，报告里还要写清楚哪些产品适合当作选题去创作，并且给出理由。
模型先导航到YC官网的创业公司目录页面，确认当前批次一共上线了179家公司，其中Consumer赛道8家，Healthcare赛道17家，Education赛道1家，正好是要找的目标范围。
接下来没有选择逐个点击查看这种笨办法，它找到了页面背后的Algolia检索接口，直接批量把二十六家公司的结构化数据一次性拉了下来。
拿到基础数据之后，又逐一访问了每家公司的详情页，把创始人的姓名、职位、背景信息补齐。对几家值得深挖的公司，还额外做了联网搜索。
报告生成之后，和大多数通用Agent一样，自己打开浏览器，把渲染出来的网页截了图，一屏一屏地检查，首屏的视觉效果、卡片区的排版、最后思考部分的黑底板块，逐一确认没有问题才算完成。
最终交付的两份文件里，HTML报告包含趋势速览、26张公司卡片，还有一个专门的思考板块，把26个产品按照适合创作的程度分成不同等级，每一个推荐都配了具体的角度和理由。
Excel表格则拆成了总览、全量数据、选题推荐三张工作表，方便直接拿去用在实际的内容生产流程里。
整份报告读下来，选题理由具体，时效性判断也在理，比如提到这一期Demo Day正在八月进行，中文深度报道几乎空白，属于内容首发的窗口期。
这种把调研、分析、落地建议全部接续完成的能力，比单纯抓一堆数据要有价值得多，也更贴近一个办公日常需要的东西。
前两个测试分别验证了单点技能和综合调研能力，最后一个场景想看的是多模态生产链条到底走得有多顺，毕竟这也是效率类产品最容易掉链子的地方。
03
在一个Agent里完成20秒电商宣传片
千问办公另一个卖点，是把文档、图片、视频、音频的生成能力全都收进了Agent内部；
文案、配图、出片这些环节不用来回切换工具了，基本上都有对应的Skill可以调用，并且都配置好了，只需要跟「千问办公」说出对应的需求就行。
虽然官方没有公布背后具体调用了哪些模型，但猜测调用的都是当下比较能打的选择，产品刚上线不久，随着后续迭代，稳定性和效果大概率还会继续往上走。
这次给的任务是给一款虚构的电商产品做一条二十秒的竖屏宣传片，产品是一款磁吸折叠随身小风扇；
要求支持手持、桌面摆放、磁吸固定这几种使用方式，机身可折叠，三档风力，USB-C充电；
还给了完整的分镜脚本，画面、字幕、配音都写清楚了，唯一的硬性要求是产品在每个镜头里的颜色、造型、结构必须保持一致。
中途生成的音频效果
往常在Agent里做这样一个电商视频，通常要挑生图接口，再挑视频接口，两边还得对比一下效果；
接着处理画面一致性，处理首尾帧的衔接，最后再进剪辑软件烧字幕、混音、导出，整套流程涉及不少工具的添加和人工判断。
这次交给千问办公之后，模型先锁定了产品和角色的设定，生成了产品主视觉图、四种形态的展示图，还有一张人物设定图，确认过一致性之后，才开始以这几张图作为参考去生成后续的分镜关键帧。
考虑到写实人脸在生成模型里容易出问题，模型主动选择了露手、过肩、下巴以下这类商业广告常用的构图方式来规避风险。
五张关键帧陆续生成完成后，模型逐一质检，发现画面右下角有生成留下的水印，于是统一做了裁剪处理，确认干净之后才进入视频生成阶段。
视频这一步用图生视频的方式生成了五段四秒的片段。声音则进行同步处理的，背景音乐用了专门的音乐生成模型，解说配音用语音合成完成。
所有素材备齐之后进入合成阶段，字幕分段烧录，片段拼接，片尾标题动画加进去，最后叠上解说和背景音乐完成混音渲染。
成片出来之后模型没有直接结束任务，而是抽帧检查了字幕和标题有没有错位，又单独听了一遍最后几秒的品牌名发音，确认没有问题才把成片交出来。
最终拿到的二十秒的竖屏视频，分辨率和帧率都符合标准，设定图、关键帧、成片这几个阶段的一致性保持得相当稳定，中途出现的水印、乱码这些问题也都被自己发现并且处理掉了。
这些需求分别对应个人效率、内容生产、创意生产这几种典型场景，覆盖面并不算窄。
千问办公相较同类Agent产品，比较突出的一点是它产出的成果可以直接部署使用，用户不用再操心服务器、域名、数据库这些技术门槛。
处理复杂调研任务的时候，Qwen3.8-Max模型也表现出主动寻找更高效取数方式的意识，没有死板地按照最笨的办法一步步执行。
多模态内容生产则在同一个Agent里完成，中途不用来回切换工具。
目前来看，千问办公更像是一套正在补齐企业能力的通用Agent产品。
现阶段个人用户已经可以直接使用它完成调研、开发、数据整理和内容生产等任务；网页端负责云端运行，桌面端则更适合处理本地文件和电脑里的软件。
https://qwenwork.cn
这也是千问办公与普通效率工具相比更值得关注的一点。
阿里云近几个季度在AI相关业务上的投入力度不小，Token需求也在持续放大，千问办公背后连着这样一套云端算力和模型迭代的体系，后续的更新速度值得期待。
对于经常要处理办公、内容、创意这几类任务的人来说，千问办公目前展现出来的水平，值得花时间去好好了解一番。
相关文章
