国家工信安全中心《2026 Office Agent工作流测评报告》

2026年7月，国家工业信息安全发展研究中心人工智能所下设的“人工智能融合发展与安全应用实验室”发布《Office Agent工作流测评报告》。这是该机构连续第三年对办公类大模型工具做标准化实测——前两年只测PPT单点生成，今年把镜头拉到Word+Excel+PPT三件套联动的完整工作流，测的是“从原始数据到演示汇报”的全链路代差。

测了什么：4维20项，5款主流产品

报告选取百度文库、豆包、Kimi、MiniMax、千问五款代表性产品，按协作衔接、文本内容、视觉呈现、功能体验4个一级指标、20个二级指标打分，场景覆盖工作汇报、学术研究、教育教学、党建学习四类常规办公，外加一类敏感信息处理的特殊场景。

整体结论可以一句话收住：办公智能体已经跨过“能不能串起三件套”的门槛，但卡在“敢不敢直接信它产出的内容”这一步。

具体分数很说明问题——

• 协作衔接 87.92 分（最高）：多格式导入导出、长链任务自主执行、跨文件联动修改，大部分产品能一次性走完“数据整理→报告撰写→PPT制作”不出中断，仅个别产品跨文件数据一致性仍需加强。

• 文本内容 74.38 分，但Word内容真实性仅 65 分，PPT内容真实性仅 61.25 分——幻觉、杜撰数据、结论与原始语料对不上，是全线最大短板；Excel数据准确性相对好些，约 88.75 分。

• 视觉呈现 74.38 分：排版美化基本合格，Word排版美观度与Excel版式美观度均达76.25分，但PPT图表缺图例、缺数据标签的情况仍常见。

• 功能体验 67.22 分：系统稳定性反而最好（无崩溃卡顿），弱在AI标识覆盖率、多轮精细编辑、敏感信息兜底与辅助功能丰富度。

头部产品分化明显：百度文库以 85 分领跑独占第一梯队，MiniMax 80 分次之，其余多在 68–75 区间。

这份报告在回答什么问题

把视角抽出来看，它其实在回答一个2026年才变得紧迫的问题：当Agent能自己开Word、自己填Excel、自己排PPT时，我们该怎么衡量它“干得好不好”？

过去测办公AI，测的是“一句话出PPT漂不漂亮”；现在测的是“给它一堆原始数据和一个模糊指令，它能不能自己规划步骤、中途不崩、三份文件对得上、数字不瞎编”。标准从“生成质量”升级成了“工作流可靠性”。

报告里那个87.92分与61.25分的剪刀差，是整个44页最该被记住的数字：

• 高的是“手和脚”——多工具调度、格式互通、长链执行，工程层已经基本跑通；

• 低的是“脑子和责任心”——内容是否忠于源材料、专业判断是否站得住、敏感信息是否兜得住，这些恰恰最难用工程指标固化。

换句话说，2026年的Office Agent已经是个能跑全流程的实习生，但还不是能独立签字的交付者。

三个判断

第一，办公Agent的竞争焦点已从“生成漂亮”转向“跨文件保真”。 用户愿意容忍排版一般，但不愿在给领导的汇报PPT里出现虚构的“同比增长38%”。真实性二级指标被单列进评分体系，本身就是行业拐点的信号。

第二，测评口径在倒逼产品架构变化。 从PPT单点→三件套工作流→真实性/安全合规单列，标准逐年变厚，等于把“Agent办公≠高级改写”写进国家级测评语境。后续政企采购Office Agent，大概率会直接引用这套4维20项做POC打分，而不是只看Demo效果。

第三，短板不在模型底座 alone，而在“工作流里有没有校验节点”。 协作衔接能拿87分，说明多工具调用（类似MCP思路）已成熟；文本真实度掉到61分，说明“检索→引用→交叉验证→人工确认”这类环节还没被做成默认SOP。哪一步没固化进流程，哪一步就掉链子——排版美化容易固化所以74分，数据溯源难固化所以61分。

44页报告，核心一句话：2026年的Office Agent已经会跑全流程，但还做不到“跑完不用复核”。从“工具”到“同事”，差的那十几分，就是领域知识校验、引用溯源和人机确认节点要填的坑。

本文基于国家工业信息安全发展研究中心人工智能所《Office Agent工作流测评报告》撰写，详细内容请查阅原文。