騰訊 WorkBuddy 近日宣布開放合作生態，接入通達信、廣發證券、北大法寶等軟體夥伴，以及 Plaud、Rokid、影石、科大訊飛等硬體夥伴，構建 Agent OS 工作系統。

文章作者、來源：極客公園

不久前，Anthropic 發布了 Model Hardware Standard，試圖為 AI Agent 建立一套與硬體溝通的通用語言。接入此標準後，不同廠商、不同介面的設備，如顯微鏡和機械臂，均可被 Agent 發現、理解和調用。

這件事指向了 AI 行業正在發生的一次變化。過去一年，競爭主要圍繞模型的推理、生成和多模態能力展開；如今，Agent 開始走出聊天窗口，進入實驗室、工廠和企業現場。行業的問題隨之向下移動：模型已經足夠聰明之後，誰來連接工具、硬體、數據和任務？

9 月 2 日，騰訊 WorkBuddy 宣布向更多夥伴開放合作。通達信、廣發證券、北大法寶、騰訊 SSV 教師助手、微盟、北森、雲帳房、帆軟等應用與軟體夥伴加入生態；Plaud、Rokid、影石、優籃子、科大訊飛、安克、猛瑪、京造等硬體夥伴，亦共同構成 WorkBuddy 的生態版圖。

為何一款 AI 產品需要同時連接專業軟體、行業服務和多種硬體？這份清單所描繪的，其實是 Agent 即將面對的完整工作場景：專業軟體提供行業知識與業務操作，智能硬體提供聲音、圖像與移動中的現場資訊，而 Agent 則需將它們組織成一條可持續推進的任務鏈。

過去一年，AI 辦公產品已能撰寫、搜尋、總結，並處理越來越複雜的內容。但真實工作仍分散在不同軟體、不同裝置和不同帳號體系中。用戶獲得 AI 的建議後，往往仍需自行完成資訊搬運、工具切換和流程銜接。

因此，當 AI 開始參與複雜工作時，真正的競爭在於誰能為 Agent 建立一套工作系統：讓它記住上下文、理解任務狀態、調度應用與設備，並在可控的權限邊界內將用戶意圖轉化為結果。

WorkBuddy 此次開放合作，試圖给出的答案是，Agent OS。

答完題後，AI 還得學會把事情做完

以一名投資經理準備行業調研為例。他需要回顧此前的研究筆記和會議紀要，調取市場數據、公司公告和行業資訊；會議結束後，還要整理核心判斷、列出待驗證問題、分派後續任務，最終沉淀為一份研究報告。

其中每一步都有相應工具：會議內容可能留在錄音設備裡，市場資訊來自專業金融服務，資料散落在本地檔案和企業知識庫中，協作又發生在文件、郵件和即時通信軟體裡。AI 可以幫助生成一份摘要，卻未必知道用戶此前研究過什麼、這次討論解決了哪些問題、哪些結論還需要繼續驗證。

這正是 Agent 從「回答問題」走向「完成工作」時遇到的主要障礙。騰訊 WorkBuddy 開放生態負責人林佐露在發布會上也談到，「Agent 『能做事』這道坎已經跨過去了。真正的挑戰是，讓它在任何設備、任何系統、任何場景裡都不中斷。」

Agent 需要承擔複雜任務，並擁有連續的上下文。它必須記住用戶已執行的操作，理解任務進行到哪一步，判斷應調用哪項工具，並清楚哪些數據可讀取、哪些操作需確認。記憶、任務狀態、工具連接、身份權限、數據和產物，構成了 Agent 工作所需的基本環境。

早期的個人電腦也經歷過類似階段。在作業系統和統一介面成熟之前，軟體之間難以順暢交換資訊，用戶自己充當不同工具之間的連接器。如今，應用、裝置與 Agent 之間的割裂，讓這種摩擦以新的形式出現。

所謂的 Agent OS，正是解決這一層問題。傳統操作系統管理檔案、視窗和應用程式，而 Agent OS 還需要管理任務、記憶、工具和權限。模型提供理解與推理能力，這套系統則決定模型能看見多少工作現場，又能將任務推進多遠。

上線半年內，WorkBuddy 完成超過 50 個版本迭代，落地政務、教育、零售、金融、傳媒、出行等 50 多個行業。據騰訊 2026 年 Q1 財報披露，以日活躍賬戶數計，WorkBuddy 已成為中國最受歡迎的效率 AI 智能體服務；第三方機構易觀的數據顯示，6 月 PC 端單月訪問量超 2000 萬，保持市場第一。

當一些 AI 辦公產品仍在驗證單一場景時，WorkBuddy 已經累積了足夠多樣的真實任務類型，這是它試圖打造 OS 的前提——OS 從來不是為單一應用設計的。

從 Buddy 應用到智能硬體，一條工作鏈如何串聯起來

WorkBuddy 的開放生態，首先在於補齊 Agent 的「手」和「眼」。

通達信、廣發證券、北大法寶、微盟、北森、雲帳房、帆軟等應用與軟件夥伴，分別連接金融、法律、商家經營、人力資源、財稅和數據分析等專業場景。它們帶來的價值，除了應用入口，還有 Agent 完成專業任務時所需的行業知識、業務數據和可執行工具。

以金融投研為例。通達信將其 30 年的專業投研能力封裝進 WorkBuddy，用戶只需提出一句問題，即可在分鐘內輸出結構化、可追溯的研報級內容。該應用內置 26 個專家和 14 個 Skill，運行時透過 MCP 協議自主調度通達信的實時行情、財務數據和板塊資訊，調用過程中自動彈出標準化數據卡片。此外，當數據存在缺口時，系統會明確標註「待補」，而非自行填補。

這正是專業場景對 AI 的硬性約束。通用大模型可以生成一份看起來完整的分析，但在投研、法律、醫療這類領域，「看起來對」和「可追溯、可複核」是兩回事。

Buddy 應用可視為載入於 WorkBuddy 底座上的垂直工作模式。行業夥伴可將其知識、工具、流程與品牌形態接入其中，用戶則獲得更貼近職業需求的工作台。投資經理、教師、律師、內容創作者和商家，都可能擁有不同的 Buddy。

圖片來源：WorkBuddy

硬件夥伴的加入，讓工作流程進一步走出螢幕。Plaud、Rokid、影石、科大訊飛、優籃子等設備，可將語音、圖像、空間互動及移動辦公場景中的資訊傳遞給 Agent；安克、猛瑪、京造等夥伴，則補齊辦公與創作現場的終端入口。

硬體接入的邏輯，本質上是在為 Agent OS 寫「驅動程式」—— 硬體負責感知、喚起、顯示和互動（相當於 I/O 設備），WorkBuddy 負責理解、規劃和調度（相當於核心）。廠商無需自建 AI，也不必改變產品形態，一次接入即可打通硬體、App、PC、Web 多端，讓帳號、任務、記憶與產物在設備之間無縫流轉。

例如，用戶攜帶錄音設備或智慧眼鏡進入會議室，現場發言成為任務輸入；會議結束後，內容被轉寫並歸檔，待辦事項被提取，相關資料被調用，後續郵件與協作任務被推送到對應系統。當用戶從硬體切換至手機或 PC 時，任務、記憶與產出仍沿著同一條鏈路延續。

優籃子的聯名款鍵盤麥提供了另一種入口形態。它把麥克風和小鍵盤做在一起，按鍵喚醒、開口說話就能給 WorkBuddy 派活，全程不需要切換到軟體視窗。

圖片來源：優籃子公眾號

這個產品的經典場景是 Vibe Coding——開發者以語音描述需求，Agent 自動生成程式碼片段，雙手無需離開程式碼編輯器。對於內容創作者和日常辦公用戶來說，它同樣是一個「always-on」的語音入口：靈感來了直接說，臨時任務隨口下，碎片想法自動轉化為結構化的待辦事項或草稿。

對於硬體廠商而言，他們擁有一條更現實的 AI 路徑。從零搭建模型選擇、記憶管理、任務規劃、工具調用與權限控制，需要龐大的工程投入。如果硬體負責感知、喚起、顯示和交互，Agent 平台承擔理解、規劃和調度，廠商可以把精力留在自身擅長的產品體驗上。

WorkBuddy 想扮演的，正是這個中間層角色。用戶看到的是 Buddy 應用、專家、Skills、連接器和硬體，底層運行的是一套圍繞任務組織上下文和能力的調度系統。

合作伙伴接入越多，平台所能見到的工作上下文就越完整——這既是生態的價值，也是 Agent OS 能否成立的關鍵變數。

一套工作系統，如何從產品成長為生態？

任何一套 OS 的價值，都不只來自自身功能。它需要為開發者提供穩定的介面，為合作夥伴留出持續經營的空間，也需要讓用戶在不同應用和設備之間獲得一致的體驗。Agent OS 同樣遵循這套邏輯。

金融、法律、財稅、教育和內容創作各自擁有不同的知識、數據與工作流程，硬體也承擔著不同的感知與互動任務。一家公司很難單獨覆蓋如此複雜的工作場景。WorkBuddy 此次開放的意義，在於嘗試將記憶、任務、工具調用、身份權限和產物管理等公共能力交給平台，再由夥伴補充行業知識、專業軟體與終端入口。

這也解釋了 WorkBuddy 為何要從一款產品走向生態。單一 Agent 能看到的上下文，通常受限於一個應用；接入的行業和工具越多，它才越有機會理解一項工作如何發生。

開放平台的技術架構也印證了這一點。除了硬體和 Buddy 應用，平台同步開放了 Skill（技能）、Expert（專家）、Connector（連接器）三大模組。開發者可以把一套行業方法或工作流寫成 Skill，把領域知識與判斷方式封裝為 Expert，透過 Connector 把自有 API 或工具接入。

這種接入是雙向的：外部 AI 能力進入 Buddy 市場服務用戶，硬體夥伴也能透過平台獲取授權，把 WorkBuddy 的生態能力帶進自己的設備。平台的支付能力與分發通路正在加速建設——OS 的歷史反覆證明，經濟系統的設計比技術架構更能決定生態的長期走向。開發者能不能賺到錢、夥伴能不能獲得持續回報，直接決定了這套開放體系是活的生態還是一次性的合作展示。

將視角再拉高一步，可以看到，在最新季度財報中，騰訊把 AI 布局概括為智能、應用和基礎設施三個層面：混元構成模型能力，WorkBuddy、CodeBuddy 等產品承接真實任務，算力和雲基礎設施則支撐模型訓練與應用推理。騰訊管理層同時將 WorkBuddy 描述為一個靈活的 Agent 工作空間，可以根據任務調度不同模型與 Skills。

這一定位意味著，WorkBuddy 在騰訊體系中的作用，並不只是將混元包裝成一個辦公產品。它更像模型、工具和用戶任務之間的連接層：向下承接混元及其他模型的能力，向上連接具體的生產力場景，再通過真實任務檢驗模型和 Agent 工程是否可用。

最近發布的 Hy4 Preview 讓這條鏈路變得更加具體。騰訊將其定位於代碼、辦公與科研等生產力任務，並同步接入 WorkBuddy、CodeBuddy、元寶 和 ima。Hy4 Preview 還與 WorkBuddy 等產品進行協同設計，重點優化跨文件協作、數據分析，以及從信息處理到文檔、表格和演示文稿交付的完整流程。

過去，大模型的研發與產品落地經常是兩條相對獨立的鏈路：模型團隊在基準測試中提升能力，產品團隊再尋找合適的使用場景。WorkBuddy 與混元的關係，呈現出另一種路徑。模型先進入真實生產力任務，產品端的評估、工具調用結果與場景反饋再回饋至研發環節，協助模型與 Agent 工程持續迭代。

這構成了騰訊希望建立的數據飛輪。模型能力提升後，WorkBuddy 可處理更複雜、更長鏈路的任務；任務類型增加，又會暴露出模型在規劃、工具調用和結果交付中的真實問題；應用、硬體、Skills 與專家持續接入，則進一步提升平台的上下文密度。產品、模型與生態在這一過程中相互推動。

數據飛輪也需要明確邊界。對於企業用戶來說，任務記憶如何保存、業務數據如何隔離、關鍵操作如何授權和留痕，都會決定平台能進入多深的工作流。WorkBuddy 在獲得更多上下文的同時，也要承擔更重的治理責任。缺少這層可信基礎，生態規模越大，潛在風險也會隨之增加。

從這個角度看，開放生態本身就是 Agent OS 成立的條件。騰訊內部已擁有混元、會議、文檔、郵箱、企業微信和雲服務，外部夥伴則帶來專業知識、行業軟體和硬體入口。如果這些能力能夠圍繞任務被統一調用，WorkBuddy 才可能從騰訊內部的 AI 辦公產品，成長為面向更多行業與開發者的工作平台。

OS 無法依靠一次發布完成。開放生態能否讓 Agent 在每個用戶的工作流中累積出足夠密度的上下文，讓模型有真實信號可以優化，讓夥伴有持續回報願意留下來——這是比技術架構更根本的問題。

WorkBuddy 可率先提出 Agent OS 的方向，但這套系統是否真正成立，最終仍取決於它能否將騰訊的模型、產品與連接能力轉化為一種可持續的生態秩序。