ARTICLE · 1362402
豆包工作这次,让我想起了 Office 当年的神来之笔.
从产品经理的视角来看,我判断接下来通用 Agent 产品之间的差距,会越来越多来自 UX。
现在使用 AI 的人大致有两类。
一类是深度的高级极客用户,他们愿意花时间配置工具、安装 Skill、研究各种玩法。另一类则是没有那么多时间或者兴趣折腾这些东西。
之前,受朋友邀请,我去他们公司做过一场 AI 培训,发现很多人连电脑的重度用户都算不上,更不用谈 AI。
你可能不相信,他们电脑里还装着各种杀毒软件,平时工作主要就是打开微信、飞书这些 IM 工具,再用用 Office,其他软件基本不怎么接触。

所以,很多我们觉得理所当然的操作,对他们来说其实都有门槛。
比如,我觉得安装 Skills、配置插件、做 HTML 版的 Slides、理解 Context 的限制,都是再平常不过的事情。但不好意思,他们连这些名词都没听过。
那次培训,让我意识到,Agent 的用户体验和底层技术同样重要。过去我们总是在讨论模型、Harness 等等,但其实,对于绝大多数的用户而言,最重要的仍然是使用门槛。

Agent 需要进一步产品化
最近大家应该也看到了,像 Muse 这样的产品还在进一步的做产品化,甚至开始淡化新建会话的概念。
因为从用户的角度来说,我只是想让 AI 帮我处理事情,为什么每次都要新建聊天?连新建会话这么简单的操作,其实都有继续优化的空间。
上周,豆包工作除了支持第三方模型、换回豆姐的 Logo 外,还上线了一个非常重要的功能,叫工作台。可能很多人都没注意到。

我当时发现之后特开心,因为之前就有同事跟我提过,希望能有类似的功能。
简单理解,工作台可以把某类工作经常用到的 Skills、插件和专业要求提前配置好,以后再做类似的任务,就不用每次都从头折腾了。
比如,最近又到了大学生准备毕业论文的时候。
其实,写论文本身就是非常典型的垂直场景。我相信,大部分大学生在写论文时,需要用到的 Skills、提示词以及 Agent 的配置,都有很多共通的地方。
当然,不同学校、不同专业对论文的要求可能不一样,但很多基础工作,比如文献检索、资料整理、论文格式检查等,其实都差不多。
社交媒体有很多人分享论文相关的 Skills、提示词和使用经验。大家折腾来折腾去,其实就是在解决同一个场景中 Agent 初始化配置的问题。

但如果这些常用的 Skills、工具和工作要求,产品已经提前帮我们预置好了,用户只需要补充自己学校和专业的具体要求,就可以直接开始工作。
这不就把使用门槛进一步降低了吗?
这是豆包工作的工作台想做的事。本质上还是缩短普通用户的上手时间。
目前它预置了 20 多个专业场景的工作台,包括金融投研、营销、写作、医生、老师、HR、剧情创作、求职等等。
下面截图是求职发展的工作台,圈红框的地方是这个工作台已经预置的 Skill 和插件。

在这个工作台中,我直接把亲戚家孩子的简历发给它,让它给出一些具体的求职建议。大家看下面截图具体的执行过程:

因为工作台已经提前配置好了相关的 Skills 和插件,所以接到任务之后,Agent 就可以根据具体需求,调用预置的 Skills 来完成分析,省去了自己寻找和配置工具的麻烦。
为了看看工作台到底有什么不同,我又做了次对比测试。
这次不使用职业发展工作台,直接在豆包工作中,选择同样的模型,输入完全相同的提示词和简历。豆包工作,首先建议我安装一个简历优化和职业发展的 Skill。
我选择没有安装,即便这样,它最后也能完成任务,给出求职分析报告。

大家看看生成的结果。

再对比一下,这是使用职业发展工作台生成的分析报告。

两份报告的差别非常明显。
职业发展工作台的分析明显更深入。它会先根据简历评估求职者目前的竞争力,再分析哪些岗位方向比较适合他,以及为什么适合。甚至给出了具体的求职节奏建议。

也就是说,像豆包工作这样的通用 Agent 本身已经具备完成任务的能力,但如果提前配置好相关的专业 Skills 和工作要求,就有机会让它按照更加专业的思路完成任务,最终给出更有针对性的结果。
我也可以根据自己的需求,编辑对应的工作台。

所以,工作台这个功能本身并不复杂,思路其实非常简单。说白了,就是把不同职业和场景需要的 Skills、插件和专业要求提前配置好,省去用户自己从零折腾的麻烦。
我觉得,这相当于提前帮用户完成了面向职业场景的 Agent 初始化。
开箱即用的 Agent 交互设计
再举个例子。假设我是金融行业的从业者,平时经常需要用 AI 分析上市公司的财报。
如果直接打开通用 Agent,我可能需要告诉它,我想分析哪家公司的哪些财务指标,按照什么口径计算,最后生成什么样的研究报告。
但仅仅交代这些要求,很多时候还不够。
毕竟真正做金融研究,还需要查阅专业数据、比较不同报告期的财务指标,甚至完成估值建模。如果最后还要整理成 PPT,可能又涉及其他工具和技能。
这些东西都需要根据实际任务进行配置,才能取得比较好的效果。
但现在,作为一个不太懂 AI 的普通用户,我不用再自己研究应该安装哪些 Skills、连接什么数据服务,或者怎么把这些工具组合起来。
直接进入金融投研工作台,常用的专业能力就已经提前配置好了,包括财报分析、行情数据查询、估值建模、研究报告生成等。
如果有相应的数据服务授权,还可以接入万得、同花顺等专业数据源。

接下来,我只需要在工作台中表达自己的任务需求就行。不过这里也提醒一句,大家用 AI 分析的投资或者医疗建议,一定要注意甄别核对。无论是哪个 AI,都不要盲信。

从产品经理的角度来看,这些配置工作,本来就不应该让普通用户自己去折腾。
什么 Skills、插件、MCP,本质上都是产品为了完成任务所需要的技术能力。用户只关心自己想做什么,至于背后需要调用哪些工具、怎么组合,应该尽可能由产品来解决。
过去很多 Agent 产品,其实是把这些复杂的配置工作扔给了用户......
可能有读者会说,既然工作台就是预置 Skills 和插件,那为什么不直接把所有 Skills 都装进通用 Agent,还非得按职业和场景划分?这不是又增加了用户的选择成本吗?
理论上,我们确实可以给通用 Agent 安装大量的 Skills,比如金融分析、教学、写作、设计等等。
但 Skills 装得越多,Agent 在执行任务时,就越需要判断应该调用哪个。如果不同 Skills 的适用范围比较模糊,或者存在重叠,就可能出现调用不准确的问题。
另外,虽然现在的 Skills 普遍采用按需加载机制,不会在初始化时把所有内容都塞进 Context,但大量 Skills 的名称和描述,依然会增加模型选择工具的复杂度。
所以,按照职业或者任务类型,提前把相关的 Skills、插件和专业要求组织到一起,是目前比较合理,也比较优雅的产品设计。
而且,工作台是按照职业和工作场景划分的。对于绝大多数用户来说,日常工作相对固定,真正需要用到的工作台可能也就那么几个。
比如金融分析师,平时大部分时间都在处理金融研究相关的任务,根本不需要频繁切换工作台。
我建议,大家可以在官方预置的工作台基础上,继续加入自己的工作流程、常用工具和专业要求。

过去我在使用 Agent 的时候,经常会担心它有没有调用我预期的 Skill。
因为我的 Agent 里装了大量 Skills,但装了不代表 Agent 就一定能准确调用。尤其是不同 Skills 的功能存在重叠时,Agent 可能根本没意识到应该使用哪个。
工作台其实可以解决这个问题,毕竟它按照场景隔离 Skill 和插件。

毫不夸张的说,这一定是通用 Agent 产品化最值得探索的方向。
Agent 底层可以共享读取文件、分析数据、生成文档、Computer Use 等通用能力。
但面向具体职业时,产品应该提前组织好相应的工具和工作方法,尽可能减少用户自己配置的麻烦。
写在最后
通用 Agent 一定会成为下一代 Office,这个判断我坚信不疑。
只不过,目前整个产品形态还非常年轻,真正面向普通用户的通用办公 Agent,也就经历了不到一年的快速迭代。我觉得在产品化方面,还有太多值得探索的空间。
其实豆包工作工作台的这个功能,让我想起当年 Office 里的模板。

现在看来,模板已经是再平常不过的能力了。但我觉得,它绝对是 Office 能够走向大众用户,非常重要的产品设计。
大家想想,如果每次做 PPT,都要从空白页面开始设计排版、调整字体和配色。每次做 Excel,都要自己设计表格结构、设置公式,那使用门槛得有多高?
从这个角度来看,我甚至觉得,工作台有点像 Agent 时代的模板。这个设计本身并不复杂,甚至简单得有点不起眼。
但恰恰是优秀的产品设计应该做的事情。毕竟,AI 的能力已经这么强了,凭什么还要让用户先配置一通,才能把它用好?
另外,豆包工作已经支持第三方模型了。

上周我专门做了次对比测试。在使用同样的模型、输入相同提示词的情况下,豆包工作完成任务的时间和 Token 消耗,差不多都只有 DeepSeek Harness 的一半。
再叠加最近部分任务免积分的优惠,整体性价比确实高出不少。
大家有空可以试试。
















































































