AI会操作电脑了?一进专业工程软件,多软件任务只成功3.6%

清华大学、智曼公司、北京大学、浙江大学等机构联合建立EngiWorld，用1,301项任务检验Agent能否跨26款专业工程软件完成设计闭环。七个前沿模型中最强者EngiScore仅44.3，多软件任务的尝试成功率只有3.6%，由此暴露真实工程自动化的距离。

通用电脑Agent已经能填表、搜索和操作办公软件，但CAD、仿真、制造、建筑、电路和三维可视化要求对象尺寸、物理约束和文件依赖一路保持正确。一个按钮点对了，不代表导出的零件可装配；一张截图像完成，也不代表模型内部参数符合规范。

图：多个专业软件界面串成完整的成功设计工作流。

EngiWorld覆盖CAD、CAE、CAM、BIM、EDA和3D可视化六个领域，共26个平台、1,301项专家任务，同时包含图形界面和命令行。任务从选择正确软件一直延伸到开放式设计，重点是完整交付物而非单个点击。

基准建立统一的领域验证器，程序化检查最终文件和中间产物的几何有效性、物理可行性与规则符合度。对于有明确数值要求的设计，它按规格达到程度连续计分，而不是仅凭屏幕截图判成成功或失败。

图：基准总览覆盖六个工程领域、任务类型与图形命令行接口。

这种以产物为中心的评估能识别“界面操作看起来顺利、文件其实不可用”的情况。成功工作流图展示Agent跨多个专业界面完成步骤；失败图则保留模型在哪个软件、哪个依赖环节断掉的证据。

团队测试七个前沿模型，最强者的EngiScore为44.3；需要多款软件协作的尝试中，只有3.6%成功。数字来自EngiWorld定义的工程任务，不代表所有办公软件能力，也不能直接外推到经过企业定制的专用Agent。

图：左右对照显示跨软件流程中的失败位置和少量成功案例。

主要困难不只是识别菜单，还包括维护坐标、单位、材料、网格和文件版本等隐含状态。单软件中一次小误差，到了下游仿真或制造步骤可能变成无法打开或违反规则的交付物。

落地前，企业可以把现有设计规范、检查脚本和样例文件接入类似验证器，让Agent每完成一个阶段就验收，而不是到流程末尾才发现前置错误。跨软件传递还应记录文件哈希、单位和参数变更，方便人工追责与回滚。

下一步应增加真实团队协作、许可证限制和长时间任务，并测量人工接管次数、修复成本与最终产物可复用性。EngiWorld提供的价值不是宣布Agent已经能做工程，而是把“做完”定义成机器可检查的交付标准。对于企业采购，这类可复现验收也比一段顺利演示更能衡量节省了多少工程时间。

https://arxiv.org/abs/2609.37686

https://engiworld.github.io