華爾街投行傑富瑞（Jefferies）近期對八款主流中美AI Agent進行了一次系統性實測，結果顛覆了“模型越強，Agent越強”的直覺。在總分排名中，阿里巴巴的千問辦公以95分位居第一，儘管其背後模型Qwen 3.8 Max的智慧分僅為56，在參測模型中排第四；而模型能力最強的Claude Opus 5（智慧分61）對應的Anthropic產品Claude Cowork以94分屈居第二。OpenAI的Codex（基於GPT-5.6 Sol，智慧分59）以92分位列第三。這一結果讓傑富瑞得出核心結論：決定一個AI Agent好不好用，往往不是背後那個模型，Harness（管理機制）做得好足以彌補模型智慧的差距。

所謂Harness，是指Agent中除模型外的所有元件，負責“管理”而非“思考”。傑富瑞將其拆解為六層：指令（定義任務與紅線）、上下文（提供背景資訊）、工具（可呼叫的外部能力）、邊界（行動範圍）、反饋（錯誤糾正與重新規劃）以及治理（組織級管控）。這六層對應企業僱傭員工後的管理流程，模型如同聰明的新人，而Harness則是讓新人發揮效能的管理體系。報告用控制變數實驗證明：同一模型Claude Opus 4.6在不同Harness下，在Terminal-Bench 2.0基準上的得分從58.0%到76.4%不等，差距達18.4個百分點；Gemini 3 Pro同樣僅換Harness，得分從56.0%到69.4%，差13.4個百分點。

本次實測覆蓋美國三款（Claude Cowork、Codex、Gemini Spark）和中國五款（騰訊Workbuddy、阿里千問辦公、位元組豆包、月之暗面Kimi Work、MiniMax Code）產品，測試任務包括多檔案檢索、自主聯網研究、控制瀏覽器、製作PPT和生成營銷海報，每項任務按5個維度打分，滿分100分。最終排名為：千問辦公95分、Claude Cowork 94分、Codex 92分、Kimi Work 86分、豆包77分、MiniMax Code 71分，Workbuddy與Gemini Spark並列墊底（66分）。

值得注意的是，千問辦公的“逆襲”並非偶然。傑富瑞將Agent能力拆分為模型（權重60%）和Harness（權重40%），反推出各產品的“隱含Harness分”，結果顯示千問辦公的Harness分最高，甚至超過美國產品。這印證了Harness優勢足以抵消模型智慧差距。

實測還揭示了中美Agent的能力差異：在營銷海報任務上，美國產品普遍表現不佳，Claude Cowork和Gemini Spark均在此翻車，而中國產品如千問辦公和豆包表現更好；在控制瀏覽器任務上，中國產品成為弱點，Workbuddy和MiniMax Code在此栽跟頭，美國產品則更穩定。速度方面，美國產品中Gemini Spark最快、Codex次之、Claude Cowork最慢；中國產品中Workbuddy最快，Kimi Work和千問辦公偏慢。此外，Claude Cowork在PPT排版和配色上“品味”最佳，但傑富瑞認為這歸功於模型能力而非Harness。

價格上，中國模型具有顯著優勢：千問辦公背後的Qwen 3.8 Max API價格每百萬token約1.1美元，而GPT-5.6 Sol為4.4美元、Opus 5為3.9美元。

報告特別分析了騰訊Workbuddy的“錯位”現象：其6月月訪問量約2100萬，在中國同類Agent中排名第一，但隱含Harness分卻在中國產品中墊底。傑富瑞給出三個原因：一是Workbuddy深度嵌入騰訊生態（騰訊文件、IMA、企業微信），入口優勢明顯；二是其採用模型無關路線，使用者可切換Kimi K3、DeepSeek V4、GLM 5.2等開源模型；三是騰訊營銷投入較大。報告判斷，短期Workbuddy贏在入口和分發，長期來看2100萬用戶基礎將沉澱海量真實使用資料，反哺Harness改進和模型訓練。在中國市場現階段，分發能力暫時跑在Harness工程前面，但決定Agent最終走多遠的關鍵仍是Harness。

傑富瑞還對比了中美在Harness上的優劣勢。中國優勢包括：超級App整合（Agent直接嵌入企微、飛書、釘釘等平台，打通資料、分發、變現）；模型無關的Harness（如Workbuddy、位元組Trae）；低token價格（出口管制倒逼高效MoE架構和推理最佳化，中國模型token價格平均比美國低70%到80%）；迭代速度快（使用者量大、失敗案例多，促進快速改進）。短板則有：模型差距仍在（弱模型更依賴Harness）；產品定價低（中小企業價格敏感、大型央國企偏愛定製專案）；出海難（中國Agent為本地生態最佳化，而美國Harness受益於全球標準化軟體棧）；算力瓶頸（Agent工作流對推理算力消耗大，高階算力短缺可能影響服務穩定性）。

報告最後強調Harness的三大價值：粘性（客戶的工作習慣、歷史、聯結器等沉澱在Harness中，換走成本高）；資料飛輪（每次執行產生trace資料，可反哺強化學習和Harness改進，形成正迴圈）；付費意願（企業購買的是“Harness+模型”打包的完整產品，而非單純“智慧”）。因此，對AI公司而言，AI落地的關鍵在工程層而非模型層，把Harness做好比追最強模型更可能做出落地產品。