騰訊、字節正在加快爭奪電梯間：WorkBuddy、Trae打響的是一場模型調度戰？

辦公Agent的商戰正在以一種相當樸實的方式展開。

日前，華爾街見聞·全天候科技在北京朝陽區一處住宅小區的電梯里發現，字節旗下TRAE Work開始投放廣告。

“復雜工作，就用TRAE Work。”廣告旁邊附著二維碼，新用戶掃碼可以獲得4500積分。

就在不久前，這部電梯里的另一塊廣告屏上投放的還是騰訊WorkBuddy。

這正是近期辦公Agent競爭升溫的注腳。

過去幾個月，大廠幾乎已經完成一輪桌面辦公Agent的排兵布陣。阿里推出千問辦公，騰訊主推WorkBuddy，百度上線百度搭子（DuMate）；字節旗下既有正在與飛書進一步整合的豆包辦公，也有正向通用辦公場景擴張的TRAE Work。

幾款產品瞄準的任務越來越接近，但從模型層來看路線仍有明顯差異。

千問辦公以自有模型體系為能力錨點，豆包辦公背后同樣有字節自有模型和飛書工作流作為支撐；TRAE Work和WorkBuddy則更突出多模型聚合，希望把不同模型的能力裝進同一個桌面工作臺。

自有模型路線仍然要持續向訓練要能力，模型本身越強，Agent能夠處理的任務上限也越高；聚合路線面對的則是另一道題，即當手里同時有多個模型，什么時候該用誰？

這些問題暫時都沒有標準答案。

電梯里的暗戰

過去幾個月，大廠圍繞辦公Agent的競爭，更多發生在產品發布和組織調整層面。

其中，字節7月底對豆包、飛書和火山引擎的調整尤其受到關注。

此前，飛書作為字節獨立BU運行，負責人謝欣直接向字節CEO梁汝波匯報。此次調整后，飛書產品團隊與豆包產品團隊整合，謝欣改為向豆包負責人趙祺匯報；飛書GTM團隊則與火山引擎相關團隊進一步整合。

這次調整引發關注，還有一個原因是飛書本身的業務表現并不弱。

在這樣的背景下，飛書的產品和銷售體系依然被重新拆分和組合，字節圍繞AI辦公重新配置資源的意味也更加明顯。

調整完成后，由飛書團隊深度參與開發的豆包企業版已經開始在部分飛書客戶中內測。飛書原有的文檔、表格、會議和群聊等辦公能力，也成為豆包進一步進入企業工作流的基礎。

一時間，豆包辦公成為外界觀察字節下一步AI辦公布局的重點。但真正先和WorkBuddy打起來的卻是TRAE Work。

在北京朝陽區一處住宅小區的電梯里，已經可以看到TRAE Work的廣告。

圖源：攝于北京朝陽區

就在不久前，同一部電梯里的另一塊廣告屏上投放的還是騰訊WorkBuddy。如今WorkBuddy的廣告已經撤下，TRAE Work又出現在了旁邊的另一塊屏幕上。

圖源：網絡

這場發生在電梯里的碰面，也讓字節內部另一條辦公Agent路線重新進入視野。

TRAE最初從AI編程工具切入。今年6月，TRAE SOLO正式升級為TRAE Work，產品邊界也從代碼生成進一步擴展至研究、寫作、數據分析、方案制定和跨團隊協作等通用辦公場景。

從SOLO到Work，TRAE想覆蓋的已經不只是編程任務，這套產品定位正在被推向更廣泛的辦公人群。

TRAE向通用辦公擴張也并非從零開始。易觀統計顯示，今年6月WorkBuddy桌面端月訪問量達到2097萬次；同期TRAE IDE國內版月訪問量達到1279萬次，排名第二。6月升級后的TRAE Work已經與TRAE IDE實現賬號互通和項目資源流轉。

豆包辦公獲得了字節這一輪組織調整的大部分聲量，真正先在線下和WorkBuddy爭奪用戶的卻是TRAE Work。

TRAE Work要面臨的競爭壓力正在進一步加大。

對外，TRAE Work要和WorkBuddy搶用戶；對內，它還要回答和豆包辦公如何共存。

模型池里的微妙邊界

如果繼續往模型層看，辦公Agent的競爭又出現了另一處分化。

一條路線是押注自有模型。

千問辦公目前更以千問模型作為能力錨點。阿里官方將其定義為“基于千問系列大模型”，模型選擇器目前提供基礎、高級、經濟以及Qwen3.8-Max等不同檔位；

豆包辦公的路徑也是依托字節自有的Seed模型。

對這類產品而言，模型能力持續訓練和迭代仍然直接決定著Agent能力的上限。

TRAE Work和WorkBuddy走的是另一條路，那就是多模型聚合路線。

WorkBuddy支持多模型切換，內置包括混元、GLM、MiniMax、Kimi、DeepSeek等模型，并提供Auto模式，根據任務自動選擇模型。TRAE Work目前也內置各種模型和提供Auto模式。

即便選擇聚合路線，兩款產品目前拿到的牌也并不完全相同。

從當前產品提供的模型選擇來看，WorkBuddy的默認模型池中沒有阿里的千問和字節Seed；TRAE Work目前可見的模型選擇中則沒有騰訊混元，卻內置了千問的3.7版本。

這個差異暫時還不足以說明大模型廠商之間已經形成固定陣營，Seed等模型同樣可以通過API進入第三方Agent。

從模型池的邊界可以嗅得騰訊和字節的競爭硝煙：一方面，WorkBuddy和TRAE Work希望接入更多模型，把自己做成通用工作臺；另一方面，騰訊和字節又分別擁有混元和Seed，自家的基礎模型本身也在爭奪調用量和用戶使用。

這也留下了一個新的問題：當辦公Agent開始承接越來越多真實任務，它會不會成為新的模型分發渠道？桌面入口之爭背后是否還會進一步演變成模型調用量之爭？

路由成了下一道題？

當一個Agent手里同時擁有多個模型，如何調度就成為聚合路線繞不開的問題。

這背后首先是模型能力正在進一步分化。

隨著模型持續迭代，各家模型在代碼、復雜推理、長文本、搜索、響應速度和調用成本上的長板開始變得更加鮮明。

這種差異到了Agent場景會被進一步放大。一項復雜任務往往需要連續調用模型數十次，不同環節使用什么模型會直接影響任務完成效果、耗時和成本。

路由雖然藏在后臺，對用戶體驗的影響卻越來越直接。

理想狀態下，用戶只需要提出任務，后臺自動完成模型選擇：簡單的信息提取交給速度更快、價格更低的模型，復雜推理和代碼任務再調用能力更強的模型。

對于個人用戶，這最終體現為等待時間和積分消耗；到了企業場景，則進一步變成算力開支。

如何在任務效果和算力成本之間找到平衡，也就成為路由最直接的用戶價值。

如果WorkBuddy、TRAE Work這類聚合型Agent最終積累起足夠多的用戶，路由還可能形成另一價值——數據飛輪。

每一次真實任務都會留下關于模型表現的反饋：什么任務交給哪個模型成功率更高，需要多久、消耗多少Token，又在哪些情況下容易失敗。

在符合隱私、授權和數據治理要求的前提下，這些反饋可以反過來優化路由策略。

與此同時，這還可能改變模型廠商與Agent平臺之間的關系。

過去，大模型廠商更多爭奪用戶和開發者主動調用。隨著越來越多任務由Agent完成，用戶可能逐漸把模型選擇交給后臺。

對模型廠商來說，進入路由層也就意味著進入更多真實任務。如果某個模型在代碼、搜索、推理等特定任務上形成明顯優勢，就可能獲得更多調用。

模型之間的競爭也可能從爭奪用戶主動選擇，進一步延伸至爭奪路由系統的選擇。

用戶需要路由管理模型選擇和算力開支，模型廠商則需要借助這一層觸達更多真實任務，路由層由此站到了模型供給和用戶需求之間。

資本市場也已經開始關注聚合平臺的價值。今年5月，全球最大的模型聚合平臺OpenRouter完成1.13億美元B輪融資，投后估值達到13億美元。

但這套商業價值能否真正跑通還取決于路由能否足夠準確。

目前，行業對此尚未形成統一答案。騰訊內部不同研究團隊的探索已經體現出這種分歧。

騰訊混元與中國科學院大學研究者提出的DecoR，更關注單次請求，將Query拆成技能、知識和難度等能力需求，再結合歷史表現尋找更匹配的模型。

騰訊微信團隊與上海交大的另一項研究則把時間尺度拉長，認為當前一步表現更好的模型未必能帶來整段任務的最優結果，模型切換還會影響緩存復用和累計成本。

一個關注“這一次請求應該交給誰”，另一個開始考慮“一連串模型選擇最后會產生什么結果”。

究竟應該什么時候切換模型、多久切換一次，目前仍然沒有標準答案。

但對于聚合型Agent來說，商業問題已經相當具體。誰能夠更準確地把真實任務分配給合適的模型，同時把算力成本降下來，誰就更有機會把多模型真正變成產品能力。