0. 主要判断
- 使用同一数据接口时，四款产品的复盘结论明显分化，个别结论方向相反。分化来自样本覆盖、基线对照、口径说明与归因颗粒度的差异。
- 四款产品在起号规划前均未澄清用户需求。平台、变现方式与出镜形式的选择都建立在未经确认的默认假设上。
- 分析停留在标题、标签与互动数据层面。受数据源限制，四款产品均未分析视频画面；「带货品类与粉丝客单价承受力错配」这类依赖领域经验的成因，四款产品均未识别。
- 通用办公评测与垂直领域评测的排名差异明显。杰富瑞通用办公评测中千问办公第一、WorkBuddy 并列末位；本次垂直领域实测中 WorkBuddy 第一、千问办公第三。
- 垂类场景中的 Agent 需兼顾执行效率、分析质量与交付可读性。本次产品在三者上的表现并不一致，需分别评估。
1. 研究设计
1.1 范围
| 场景 | 垂类场景：以创作者、商家与 MCN 的内容生产、流量增长与带货转化为例 |
|---|
| 实测案例 | 一个抖音美食类头部达人账号 |
|---|
| 数据源 | 四款产品统一使用第三方数据平台红狐数据（RedFoxHub）API |
|---|
1.2 测试变量
| 版本 / 套餐 | 模型 | 思考强度 |
|---|
| Kimi Work | Go 套餐 | K3 | 进阶 |
|---|
| WorkBuddy | v5.6.2，无套餐 | Hy4 preview | App 未显示 |
|---|
| 豆包工作 | 2.31.8（Mac），标准套餐 | 豆包 2.1 Turbo | 高推理模式 |
|---|
| 千问办公 | 个人免费版 | Qwen3.8-Max | App 未显示 |
|---|
两项任务使用相同的模型与思考强度。
1.3 测试任务
| 任务 | 内容 | 考察重点 |
|---|
| A 起号规划 | 为一名 10 年中餐厨师制定一年变现的起号方案，覆盖赛道、平台、变现、对标、人设、起号、内容策划、热点选题、文案、分镜、成本 12 个环节 | 是否澄清需求、方案是否贴合用户约束、依据是否可追溯 |
|---|
| B 账号复盘与决策 | 复盘代表账号，完成数据获取、内容演进、爆款归因、粉丝需求、问题诊断与 30 天决策 | 分析方法、归因颗粒度、诊断准确性、决策可验证性 |
|---|
每项任务使用相同提示词与一次统一追问；按 0–3 分锚点逐维度打分并加权，满分 100。
1.4 测试说明与局限
- 数据源不支持视频画面分析。红狐数据接口不提供视频画面，四款产品均未分析视觉；通过浏览器读取视频画面理论上可行，本次未测试。
- 「近期」时间窗口未统一定义。四款产品选出的 Top3 作品不同，归因环节的横向可比性受一定影响。
- 测试对象是「用同一份数据分析」的能力。数据接口由测试者统一提供，未测试自主获取数据。
- 单案例、单次运行。结论反映本次任务表现。
2. 产品概览
2.1 服务对象与产品出发点
| 核心服务对象 | 产品出发点 | 个人付费 |
|---|
| Kimi Work | 个人知识工作者 | 本地文件与长链路任务 | 免费 6 次/月；¥49 / 99 / 199 / 699 |
|---|
| 千问办公 | 企业组织 | 企业级 Agent 平台，连接企业数据与工作流、淘宝与 1688 等经营数据 | 个人版 ¥98/月（包月 ¥78）+ 企业版 |
|---|
| 豆包工作 | 飞书企业用户与个人 | 继承飞书账号、文档、权限与企业额度 | 豆包专业版 ¥68 / 200 / 500 |
|---|
| WorkBuddy | 个人、一人公司、自媒体与企业 | 以 100+ 领域专家组成「虚拟团队」 | 个人 ¥99/月 |
|---|
判断：千问办公与豆包工作的差异化能力（企业知识、组织协同、权限管理）依赖企业组织账号，个人创作者能用到的主要是内容生成与任务执行；WorkBuddy 与 Kimi Work 不设组织前置条件，与个人创作者的使用方式更接近。
2.2 与持续工作相关的产品能力
| Kimi Work | 看板 + 小组件 + 定时任务：小组件可连接本地数据或外部插件持续更新，看板最多容纳 20 个小组件，定时任务支持 Cron |
|---|
| 千问办公 | 用户画像与 Agent 长短期记忆可查看、可修改；任务监控面板与待办清单 |
|---|
| 豆包工作 | 飞书文档交付；200+ 技能与连接器 |
|---|
| WorkBuddy | 专家与专家团队自动调用；可视化网页交付 |
|---|
2.3 外部参照：通用办公评测与垂直领域评测
| 千问办公 | Kimi Work | 豆包 | WorkBuddy |
|---|
| 杰富瑞通用办公实测得分（2026.8） | 95 | 86 | 77 | 66 |
|---|
| 本次垂直领域实测排名（两项总分合计） | 3 | 2 | 4 | 1 |
|---|
| 维度 | 杰富瑞通用办公评测 | 本次垂直领域评测 |
|---|
| 任务类型 | 5 项跨行业通用办公任务：多文件年报总结、联网数据比较、浏览器操作、数据制作 PPT、参考图生成海报 | 2 项同一垂直领域的连续任务：起号规划、账号复盘与决策 |
|---|
| 评估重点 | 按每项任务的完成质量打分 | 分析方法是否严谨、结论是否符合领域事实、方案是否贴合用户约束 |
|---|
| 所需知识 | 通用知识与工具操作 | 领域知识：平台分发机制、变现路径、内容与画面规律 |
|---|
判断：通用办公评测衡量任务执行能力，垂直领域评测衡量领域分析方法与领域知识；通用评测得分高，不能推出在垂直领域的表现好，两类能力需要分别评估。
3. 需求侧：垂类场景的核心任务
| 任务 | 触发场景 | 用户期望 | 现有做法的不足 |
|---|
| 账号定位与起号 | 新账号、转型 | 结合自身条件选对平台、赛道、变现路径与人设 | 方案通用，缺少对个人约束（时间、预算、设备、表达能力）的适配 |
|---|
| 选题与内容生产 | 日常更新 | 选题命中用户需求，文案与画面可直接执行 | 追热点、套公式，与账号人设脱节 |
|---|
| 爆款归因 | 出现高表现内容 | 知道为什么火、能否复制 | 缺少账号基线与同期对照，难以区分内容、画面与流量扶持 |
|---|
| 经营复盘与决策 | 周期复盘、数据下滑 | 从数据得出可验证的下一步决策 | 数据口径不透明，结论难以核实 |
|---|
| 选品与带货 | 商业化 | 货品与粉丝需求、承受力匹配 | 带货对内容与粉丝的影响缺少量化评估 |
|---|
4. 实测结果
4.1 总分
| Kimi Work | WorkBuddy | 豆包工作 | 千问办公 |
|---|
| A 起号规划 | 83 | 86 | 58 | 54 |
|---|
| B 账号复盘与决策 | 78 | 91 | 55 | 73 |
|---|
| 耗时（A / B） | 10 / 12 min | 20 / 约 60 min | 17 / 7 min | 13 / 20 min |
|---|
4.2 用户旅程能力矩阵
● 表现好｜◐ 一般｜○ 不足｜— 未测试
| 用户旅程 | Kimi Work | WorkBuddy | 豆包工作 | 千问办公 |
|---|
| ① 提出需求：是否先澄清 | ○ | ○ | ○ | ○ |
|---|
| ② 等待结果：效率与过程透明 | ● | ○ | ◐ | ● |
|---|
| ③ 读懂结果：呈现方式 | ◐ | ● | ○ | ◐ |
|---|
| ④ 判断可信：方法与依据 | ◐ | ● | ○ | ○ |
|---|
| ⑤ 拿去执行：可操作性 | ● | ● | ◐ | ◐ |
|---|
| ⑥ 复盘迭代：持续跟进 | — | — | — | — |
|---|
5. 用户旅程分析
① 提出需求：四款产品均未先澄清需求
起号规划的提示词未提供平台偏好、变现偏好、出镜意愿与收入目标，四款产品均未追问，直接输出方案。
判断：这些选择取决于用户个人条件，未经澄清的方案无法判断是否适用于用户本人。
② 等待结果：Kimi Work 合计耗时最短，千问办公提供进度可视化
- Kimi Work 两项任务耗时 10 / 12 分钟，合计 22 分钟，为四款中最短。
- WorkBuddy 调用专家与多轮检索，任务 B 耗时约 1 小时，是 Kimi Work 的 5 倍。
- 千问办公提供任务监控面板与待办清单，用户可在执行中核对进度与遗漏项。
③ 读懂结果：WorkBuddy 的可视化网页最易读
- WorkBuddy 交付可视化网页，按层级呈现结论，关键数字突出。
- Kimi Work 为调研报告式文档，篇幅长，交付文件路径不统一。
- 豆包工作以纯文本交付。
- 千问办公拆分为方案、口播、分镜多份文档，分类清晰。
④ 判断可信：WorkBuddy 的校验、对照与自我修正最充分
| 方法 | 表现 |
|---|
| 样本与校验 | WorkBuddy、千问办公拉取 146 条作品；WorkBuddy 另做双库交叉校验，并确认近期作品数据已沉淀完、下滑与采集时间无关。Kimi Work 72 条，豆包工作 50 条 |
|---|
| 基线与对照 | WorkBuddy 做同账号同期受控对照（含养生词作品的平均点赞比不含的低 45%）；豆包工作初稿即给出基线倍数；Kimi Work、千问办公在追问后补充 |
|---|
| 归因颗粒度 | 豆包工作以分享率与点赞率的差异倒推触发的分发机制，颗粒度最细，这与其依托字节生态、对抖音分发机制的理解更具体有关；WorkBuddy 从菜品类型推断画面因素 |
|---|
| 追问后的修正 | WorkBuddy 以四重基准重算 Top3，修正为「仅处于全样本 75–80 分位」，指出账号损失的是高表现作品的比例；并以同文案两次发布相差 23 倍的反例，说明单一要素无法解释爆款，随之修改了自己的决策指标 |
|---|
| 口径说明 | 千问办公统计「7 月带货占 70%」，未说明「带货」的判定口径；WorkBuddy 按品牌与官方活动标签统计，得出「商单内容平均点赞是自然内容的 3.9 倍」。两者结论相反 |
|---|
| 事实准确 | 豆包工作的粉丝历史与联系方式提取有误；千问办公包含缺乏依据的平台机制判断，前后表述矛盾 |
|---|
| 依据标注 | Kimi Work 在追问后主动承认一处把推断写成了事实；WorkBuddy 列出信源冲突与幸存者偏差 |
|---|
对照实际成因（结合一线运营经验判断）：该账号下滑是多因素叠加：视觉表现力原为内容设计的首要考量，风格调整后老粉难以维系；私域承接不足；带货品类单一，高客单价产品短期高频出现，高估了老粉的承受力；数据下滑后急于转型，忽视人设与画面。WorkBuddy 抓到画面与表达改版，Kimi Work 抓到转型错位，千问办公抓到带货影响与人设断裂；四款产品均未识别「客单价承受力」这一环。
判断：口径未说明、事实错误和单一要素归因，用户很难自行发现；基线对照、口径说明和主动修正决定了结论能否被采信。
⑤ 拿去执行：WorkBuddy 与 Kimi Work 的方案符合用户约束
- WorkBuddy 按「单部手机」设计三机位成批拍摄的分镜，并附 30 天执行台账。
- Kimi Work 给出每周 13.5 小时的时间拆分与带止损线的里程碑。
- 千问办公安排起号期日更 10 天，超出「每周 15 小时」的时间预算；豆包工作在开号时即承诺每周两场直播。
判断：千问办公与豆包工作的部分安排超出用户的时间与能力约束，照做难以持续。
⑥ 复盘迭代：本次未测试
本案例按日更新、按日复盘，持续跟进能力影响长期使用。Kimi Work 的看板 + 小组件 + 定时任务、千问办公的长期记忆都提供了这类能力，本次未测试。
6. Agent 产品在垂类场景中的共性启示
| 能力观察 | 通用启示 |
|---|
| 执行效率、分析质量与可读性表现不一 | 同时评估完成速度、分析依据和交付质量 |
| 追问后能主动纠错并修正结论 | 标明事实与推断，支持结论回溯和修正 |
| 领域知识与分析方法影响归因颗粒度 | 结合垂类知识、业务约束和对照方法 |
| 交付形态与文件组织影响阅读体验 | 突出关键结论、执行步骤与依据入口 |
| 持续跟进能力本次未测试 | 结合看板、记忆与定时任务验证持续复盘 |
7. Agent 产品在垂类场景中的改进方向
| 方向 | 实测依据 | 可承接的产品能力 | 对应判断 |
|---|
| 任务开始前的条件与口径确认 | 四款产品均未在起号规划前澄清需求；「带货」口径未说明导致结论相反 | 在垂类任务启动时，以结构化问题确认用户条件与关键指标口径 | H2 |
|---|
| 复盘分析方法的内置 | WorkBuddy 以基线对照、同期受控对照、四重基准与反例校验拉开差距 | 将领域基线、同期对照、口径声明与分位数判断固化为复盘类任务的默认步骤 | H4 |
|---|
| 领域知识与数据源的补充 | 豆包工作依托抖音生态，对分发机制的归因颗粒度最细 | 建立「领域数据源 + 专业技能」的组合，补充场景知识与第三方数据插件 | — |
|---|
| 多模态信息纳入归因 | 实际成因中视觉表现力是首要因素，四款产品均未分析画面 | 结合模型的多模态理解与工具读取，将关键模态信息纳入归因 | H1 |
|---|
| 持续工作与复盘机制 | 本案例按日更新、按日复盘；四款产品本次交付均为一次性报告 | 结合看板、长期记忆与定时任务，持续更新领域数据与复盘结论 | H3 |
|---|
8. 待验证的判断
| # | 判断 | 验证方式 |
|---|
| H1 | 读取视频画面可提升内容类归因的准确度 | 在同一任务中加入画面分析，对照有无画面时的归因结果 |
|---|
| H2 | 分析前澄清需求与口径可减少方向性错误 | 设计含模糊需求与多口径字段的任务，对比澄清前后的结论 |
|---|
| H3 | 持续复盘机制能稳定更新并保持结论质量 | 搭建场景看板与定时任务，连续运行一周 |
|---|
| H4 | 结论可信度（口径、依据、事实）对持续使用的影响大于信息量 | 用户访谈与留存对比 |
|---|
资料来源
附录：评分细则
锚点标准
| 分值 | 标准 |
|---|
| 0 | 缺失、错误，或编造数据 |
| 1 | 有内容，但属于通用模板，换任何账号都适用 |
| 2 | 具体，并结合了本账号或本人的条件 |
| 3 | 具体、有依据（数据、案例或对标），且可以直接执行 |
计分规则
- 每个维度按 0–3 分锚点打分，得分 = Σ（该项得分 ÷ 3 × 权重），每项任务满分 100
- 一票否决：编造数据且未声明，该项计 0 分并单独列出
- 追问后才补上的内容，该项最多得 2 分
- 耗时、额度消耗、稳定性、专家调用与过程透明度单独记录，不计入总分
任务 A · 起号规划（14 个维度）
| 维度 | 权重 | Kimi Work | WorkBuddy | 豆包工作 | 千问办公 | 评分依据 |
|---|
| A0需求澄清 | 10 | 0 | 0 | 0 | 0 | 四款均未追问，直接出方案 |
|---|
| A1赛道选择 | 5 | 3 | 3 | 3 | 2 | 千问「专业厨师教家常菜」差异化弱 |
|---|
| A2平台选择 | 8 | 3 | 3 | 2 | 2 | 豆包引用存疑数据（探店均播 800 万）；千问以「算法不成熟」否掉视频号 |
|---|
| A3变现模式 | 8 | 3 | 2 | 2 | 1 | WorkBuddy 在冲突信源中选了乐观报价；千问漏中视频分成、报价线性外推 |
|---|
| A4对标账号 | 10 | 2 | 3 | 2 | 1 | Kimi 以头部为主；WorkBuddy 头部、腰部、自建库三层 + 拆解表；豆包把探店号列为对标，与自身「不做探店」矛盾；千问对标账号无法核实 |
|---|
| A5变现赛道分析 | 5 | 2 | 2 | 2 | 1 | 客单价、佣金与竞争格局的分析深度 |
|---|
| A6人设与定位 | 10 | 3 | 3 | 2 | 2 | Kimi 主动提出口音可作为粤菜正宗性背书；WorkBuddy「老陈，后厨十年」人设贯穿文案 |
|---|
| A7起号方式 | 8 | 3 | 3 | 2 | 2 | 豆包开号即承诺每周两场直播；千问起号期日更 10 天，与每周 15 小时冲突 |
|---|
| A830 天内容策划 | 8 | 3 | 3 | 2 | 2 | Kimi 给出每周 13.5 小时的时间拆分 |
|---|
| A9热点选题 | 6 | 2 | 3 | 2 | 2 | WorkBuddy 实时抓取抖音热榜并说明总榜美食内容仅 1 条；Kimi 为新闻检索，有出处 |
|---|
| A10文案创作 | 6 | 3 | 3 | 1 | 2 | 豆包「90% 的人都错了」式套路，人设弱 |
|---|
| A11分镜头脚本 | 6 | 3 | 3 | 2 | 2 | WorkBuddy 按单部手机三机位成批拍摄设计，可执行性最强 |
|---|
| A12成本预设 | 5 | 3 | 3 | 2 | 2 | 千问投流占预算 40%，对新号偏激进 |
|---|
| A13依据标注 | 5 | 3 | 3 | 1 | 3 | Kimi 主动承认一处把推断写成事实；WorkBuddy 指出幸存者偏差与 3 处信源冲突；豆包只给条数统计 |
|---|
| 总分 | 100 | 83 | 86 | 58 | 54 | |
|---|
任务 B · 账号复盘与决策（8 个维度）
| 维度 | 权重 | Kimi Work | WorkBuddy | 豆包工作 | 千问办公 | 评分依据 |
|---|
| B1数据获取 | 12 | 2 | 3 | 1 | 3 | WorkBuddy 与千问拉取 146 条，WorkBuddy 另做双库交叉校验；Kimi 72 条；豆包 50 条，且粉丝历史、联系方式提取有误 |
|---|
| B2账号演进 | 14 | 3 | 3 | 1 | 2 | Kimi 与 WorkBuddy 阶段划分有日期、有保留与舍弃；豆包的阶段叙事建立在错误数据上；千问按月切片，起号期靠反推 |
|---|
| B3基线意识 | 12 | 2 | 3 | 3 | 2 | WorkBuddy、豆包初稿主动做基线对比；Kimi、千问追问后才补（上限 2 分） |
|---|
| B4归因拆解 | 14 | 2 | 3 | 2 | 2 | 视觉表现力是该账号的首要因素（测试者确认）：WorkBuddy 唯一考虑画面；豆包以分享率与点赞率倒推分发机制，颗粒度最细 |
|---|
| B5评论洞察 | 16 | 2 | 2 | 1 | 2 | 四款都拿不到原始评论，满分不可得；豆包转为公开搜索 + 标题推断，粉丝画像属于猜测 |
|---|
| B6问题诊断 | 12 | 2 | 2 | 1 | 2 | 对照实际成因：四款均未触及「高估老粉客单价承受力」；豆包事实错误较多 |
|---|
| B7决策可执行 | 12 | 3 | 3 | 2 | 2 | 千问的决策建立在错误诊断上 |
|---|
| B8决策可验证 | 8 | 3 | 3 | 3 | 3 | 四款都给了指标与检查点 |
|---|
| 总分 | 100 | 78 | 91 | 55 | 73 | |
|---|
权重设置逻辑
决定方案是否适用于用户本人
A0 需求澄清 10 · A4 对标账号 10 · A6 人设与定位 10
起号方案先要贴合「这个人」：需求是否问清、对标是否真实可借鉴、人设是否由个人条件推导，直接决定整份方案能不能用，因此权重最高。
依赖平台机制与领域经验
A2 平台 8 · A3 变现模式 8 · A7 起号方式 8 · A8 内容策划 8 · B2 账号演进 14 · B4 归因拆解 14
通用模型最容易在这些环节给出看似合理、实则不符合平台规律的结论，也是垂类评测与通用评测拉开差距的地方，权重次高。
证据最稀缺、最贴近用户真实需求
B5 评论洞察 16
评论是粉丝需求与痛点的直接证据，但最难获取和提炼；复盘能否找到「粉丝真正要什么」，决定后续决策的方向，因此为全表最高权重。
结论可信的前提
B1 数据获取 12 · B3 基线意识 12 · B6 问题诊断 12
数据是否真实、有无基线对照、诊断是否准确，决定结论能否被采信；问题诊断由测试者按一线运营经验判定。
可执行与可验证
B7 决策可执行 12 · B8 决策可验证 8 · A11 分镜 6 · A12 成本 5
方案最终要落到执行：决策是否具体、是否给出验证方法，分镜能否用一部手机拍出，预算是否与动作一致。
基础产出
A1 赛道 5 · A5 变现赛道分析 5 · A9 热点选题 6 · A10 文案 6 · A13 依据标注 5
多数产品都能达到基本水平、区分度较低的环节，给予较低权重；依据标注另有「追问后补上最多 2 分」的规则约束。