WorkBuddy评测排第三：选AI办公助手，别只看总分，先看你每天交什么
总分咬在一起，分项差出一个身位
办公智能体的测评总榜出来了：WorkBuddy 83.99 分，排第三。第一名豆包工作 85.33 分，第二名 Kimi Work 84.57 分，前四名只差 2.65 分。同一份报告里，数据分析这一项的最高分和最低分，差 72 分。
一边是几乎分不出的总分，一边是差出一个身位的分项。选工具该看哪个，这才是真问题。
总分咬死，分项差 72 分
这份榜单是 SuperCLUE 的《2026年10月办公智能体端到端实战测评》，按文档处理、材料撰写、数据分析三个维度、13 项二级任务，测了 8 款产品，另从文件操作、约束遵循、内容质量、权限边界等 5 项能力考察。
总榜：豆包工作 85.33、Kimi Work 84.57、WorkBuddy 83.99、百度搭子 82.68、千问办公 78.38、商汤小浣熊 69.20、讯飞星火工作 69.12、纳米 Work 53.13，最高与最低差 32.20 分。
拆开看就变了样。文档处理：豆包 87.12 第一，比第二名高出近 5 分，百度搭子 82.93、WorkBuddy 82.45 紧随，均分 78.93、最大分差 14.63。数据分析：Kimi Work 88.00 第一，WorkBuddy 86.13 第二，豆包 81.50 第三；这一项均分只有 71.72、是三项最低，最大分差 72.00、是三项最大。材料撰写：均分 73.62、最大分差 47.75，报道只说头部接近、部分产品明显偏低，前三名的具体分数没披露。
先分堆，再选工具
排名给的是“平均人”的成绩，不是你的
总分是加权平均。加权的意思是，把三类活按某个比例揉成一个数——可你的活不是按这个比例发生的。一个每天写方案的公司和一个每天做表的公司，看同一个总分能得出同一个结论，其中一个必然选错。
这是排行榜的结构性局限，不是它的错。13 项任务是测评方设计的任务集，不是你公司的交付标准；加权方式也没细到每一项。它能告诉你谁整体上不掉队，告诉不了谁适合你。
先算清你的负载结构
我给自己的判断标准是三句话：每天交得最多的是什么？错了谁先发现？换工具的成本落在谁身上？
我这边的活很集中：每天出贴图文案、文章初稿、素材整理，再加几条定时任务跑采集和备稿。这是典型的“文档处理＋定时任务”型负载，落在文档处理、材料撰写两项上，数据分析几乎用不到。所以我挑工具看的是能不能稳定出成品，不是做表多快。
反过来，要干的活是几千条记录的清洗对账、门店数据去重，那就该盯数据分析那一项。10 月底我实测过四家 AI 处理四千多条门店数据，分野不在算得快，在谁先问口径——那次之后我更确信：数据类活的门槛在口径，不在分数。
所以选型的动作不是“看谁第一”，是“先把活分成三堆，看哪堆占大头，再只盯那一项的分”。
真活过一遍，比分数量级更可信
这份榜要带着限定语看
第一，它是主办方自有测试框架和任务集得出的榜单。Pandaily 报道这份榜单时明确加了一句：读者应把它当作一个公开排行榜，而不是对所有办公智能体的普适排名。这句我认。
第二，它是单期结果（2026年10月），产品版本迭代快。这类能力型结论按三个月重核一次，别拿几个月前的印象做今年的采购决定。
拿一周真活去试，比看榜单管用
我的做法：挑五到十个本周真发出去的交付物——不是演示稿，是真要交给人看的东西——丢进去跑一遍，记三列：花了多久、改了几次、错在哪一类。
三列记完，工具的性格就出来了：有的第一次就像样、改起来费劲，有的一稿糙、改两句就能用。这两种在榜单上可能只差一两分，在你手里差的是心情和返工。
边界：这套方法适合每周都有固定交付物的团队；一周只问三次零散问题的，榜单前几名随便挑一个都够用。
总分是评委的平均，分项才是你的日子。
你每天交得最多的是文档、表格还是材料？一句话说说，我帮你对一下该看哪一项。
觉得有用，点个赞，转给正在给公司选AI办公工具的朋友。
火柴人造物计划 · 用 AI 把自己做成能赚钱的产品
#火柴人做产品# #AI工具实测# #WorkBuddy#
