AI 把 Word、Excel、PPT 一次干完：PilotDeck 2.0 开源，办公自动化的验收标准变了

10 月 14 日，清华 THUNLP、面壁智能、OpenBMB 与 AI9Stars 联合宣布开源 Agent 工作台 PilotDeck 2.0。这个由四家机构联合推出的项目把自己定义为模型无关的「智能体操作系统」：不绑定固定模型，开发者按需选择服务商与部署方式，代码 AGPL-3.0 开源，桌面端安装包覆盖 macOS、Windows、Linux，开发者也可以用一行命令或 Docker Compose 部署。官方对它的期待写在标语里：把自然语言指令变成完成的作品。

它与对话式 AI 产品的分野在一处关键细节：交付物。过去 AI 办公的典型流程是「生成一段文字，人来复制、排版、校对、导出」，智能体停在草稿这一步；PilotDeck 2.0 的 Word、Excel、PPT 技能把校验、渲染、比对、交付做进了链路——第三方开发者核验代码后确认，这套文档技能基于 python-docx、exceljs、jszip 实现，能对文档执行验证、渲染、比较和交付指令。换句话说，它交回来的不是「一段内容」，而是一个可以打开、可以直接用的文件。

这个差别看似微小，实则是验收标准的更换。评价办公智能体，过去的问题是「写得好不好」——这是主观题，永远可以挑剔；现在的问题是「文件能不能直接交出去」——这是客观题，能就是能，不能就是不能。验收标准客观化，意味着办公自动化第一次有了可量化、可验收、可写进采购合同的口径。AI 从灵感工具变成生产力工位，的分水岭就在这里。

办公任务的真实形态是什么？不是「帮我写一句标语」，而是「把这三个月的销售数据整理成报表，配上图表，写一份分析，做成汇报用的幻灯片」。这种任务要跑几十分钟甚至几小时，中间要几十上百次读写文件、调用工具。长任务的难点也在这里：上下文越滚越大，中途任何一步格式错误都会让前面的工作前功尽弃，人一离开任务就断线——这也是过去智能体演示惊艳、上线即哑火的根本原因。

PilotDeck 2.0 把「长任务稳定续跑」作为头号卖点，官方给的证据是一组极限测试：系统持续处理 2000 条交互消息仍保持稳定运行，官方还举了一个极端案例——在一个三维仿真项目里，系统自动完成情报收集、内容交叉验证、三维地图构建、地点标记与事件展示，累计交互消息达到 2000 条后仍在稳定工作。实际测试中，35B-A3B 级的轻量模型也能执行小时级任务。工作台层面的配套设计同样务实：任务执行中可切换模式与模型，可从当前对话创建分支让不同方案并行推进，历史对话支持搜索。

需要冷静看待的是：2000 条压测是官方自报口径，尚未见到独立第三方复测。但这个卖点的出现本身就是信号——行业竞争的焦点已经从「能不能做一件事」卷到「能不能持续做成一件事」。演示时代比拼的是单次回答的质量，交付时代比拼的是链条的可靠性；后者才是企业采购真正在意的东西，也是办公智能体从玩具变成工具的必经之路。

PilotDeck 2.0 的另一张牌是智能路由：任务进来先分类，难的调用强模型，简单的交给轻量模型。官方给出一组很能说明问题的数据：用「强主模型 + 轻量子模型」的组合——主力用旗舰模型处理关键步骤，子任务交给便宜的模型——在七项任务的官方测试中以约六分之一的成本（3.15 美元对 18.36 美元）取得 70.6 分，反而高于旗舰单模型全程包办的 69.1 分；在社媒任务测试中，启用智能路由后费用降低超过 75%。

这组数字的普适意义值得单独说：企业 AI 成本的大头，往往不是模型单价太贵，而是「所有任务都用同一个贵模型」的粗放用法。就像公司里最贵的顾问不应该被安排去复印材料，旗舰模型也不该被用来做格式转换和简单汇总。把任务分级、按级路由，同一个预算能多干几倍的活——这不是模型能力的进步，是用法的进步，而且不需要换任何模型就能落地。

这套思路对管理者应该似曾相识：这不就是企业管理的常识吗？高薪岗位的时间要花在判断与决策上，重复劳动交给流程或初级岗位。模型编排只是把这条管理学常识自动化了。区别在于，路由规则一旦写进系统，就永远不疲劳、不徇私、不抱怨——比任何铁腕的运营总监执行得都彻底。

评测成绩是这次发布里口径最微妙的部分。按官方与多数中文报道的口径：在 WorkbuddyBench 办公测试中，PilotDeck 与 Claude Code、WorkBuddy 同处约 80 分档；当底座更换为 35B-A3B 级轻量模型后，PilotDeck 以 79.4 分位列三者第一。而第三方英文媒体核验时引用的数字是 79.1 分，对照 WorkBuddy 74.7 分、Claude Code 77.3 分。两处口径有出入，但方向一致：轻量底座加一个好的工作台，办公任务不输旗舰模型的裸奔。

更有价值的是独立核验这条线。有第三方开发者逐行读了代码，确认 Word、Excel、PPT 三类技能真实存在且实现完整——校验、渲染、比对、交付的链路是实的；但也指出了两点保留：技能代码 7 月中旬入库、8 月下旬之后未再更新，仓库里没有 2.0 的版本标签，基准成绩与 2000 条消息压测均为官方自报、未经独立复核。这份核验报告本身就是开源的价值——闭源产品你只能听厂商说，开源项目你可以自己看。

给读者的读法建议：官方成绩当「能力上限的参考」，自己的业务样本当「决策的依据」。具体做法很简单：下载项目，把你部门真实的三类文档任务——一张月度报表、一份会议纪要、一个汇报幻灯片——丢进去各跑一遍，看交付质量与你的预期差多少。半小时的实测，比读十篇评测都有用；这也是开源办公智能体对企业的隐藏福利：评测权第一次真正握在用户手里。

PilotDeck 2.0 采用 AGPL-3.0 许可，这是所有开源许可里对企业约束最强的一档：不仅分发软件要开源，通过网络提供服务也同样触发开源义务。通俗地说，如果你在它基础上做了修改，并把修改后的能力作为网络服务对外提供，修改部分也需要向用户开源。这一条把「拿开源项目包一层卖 SaaS」这条路基本堵死了。

但企业不必过度紧张，边界其实清晰。企业内部使用——员工用它处理内部文档、部署在内网为自己服务——通常不触发对外开源义务，风险可控；真正要谨慎的是二开之后对外提供服务、或将其集成进对外售卖的产品。多数企业的正确姿势是「用而不改」：优先通过配置和提示词适配业务，不做代码级修改；确需修改，就把修改模块与原项目隔离部署。拿不准的，让法务出一页纸意见，比事后补救便宜得多。

把视野放大一点：这一轮 AI 开源浪潮里，模型侧有 Muse Model License 这类有限商业条款，应用侧有 AGPL-3.0 这类强传染许可，许可条款的复杂度已经不低于一份商业合同。建议企业把「许可审查」固化为 AI 采购流程的标准环节，和审供应商资质一样逐条过。开源不等于免费，免费不等于无约束——这三个概念的分辨，正在成为数字化管理者的基本功。

判断标准可以用一句话概括：格式固定、规则清晰、结果可校验的活先被接管。具体到日常，第一批通常是这些——周报月报的汇总与排版、数据表的整理清洗与核对、合同关键信息的抽取归档、会议纪要的整理与跟进清单生成、跨系统的数据搬运与填表。这些工作的共同点是：有明确的输入输出格式，出错可以被机器校验出来，且不涉及临场判断。

边界同样清楚。需要临场判断的谈判、需要跨部门协调的推诿与扯皮、需要承担签字责任的决策，仍然归人。智能体交回的是「初稿即终稿」的文件，人负责判断、拍板与签字。把这句话展开说：办公智能体替代的不是「岗位」，而是岗位说明书里的「条目」——一个行政专员的工作里，可能有六成是可自动化的文档生产，剩下四成是协调与判断；自动化拿走六成，人的时间被重新投向那四成。

对管理者，这提示了一个具体的动作：把部门的岗位职责表拿出来，逐条标注「此项是否格式固定、结果是否可校验」。标注完你会发现，自动化不是一次性的项目，而是一张有优先级的清单——先啃格式最固定、频率最高、出错代价最小的条目，两三个月就能看到真实的工时节省。这张清单，比任何 AI 战略规划书都值钱。

PilotDeck 2.0 在部署形态上给了企业三条路：桌面端安装包、一行命令安装、Docker Compose 自建。三条路的共同底座是「模型无关」——不绑定固定模型服务商，用户按需填写接口地址与密钥，也可以接入本地模型和私有模型。官方明确把这一点作为对企业的承诺：根据部署方案，内部资料或敏感文件可以留在本地或内网，为对数据出域敏感的企业提供自主可控的选择。

入口设计也值得注意：工作台支持接入飞书、微信、企业微信、QQ 等 IM 渠道，用户创建机器人后，在聊天窗口发任务、收进度、拿结果。这个设计对落地率的影响被普遍低估了——企业软件推广最大的成本从来不是采购，而是「让员工改变习惯」；把入口放在员工每天已经开着的聊天窗口里，培训成本趋近于零，这比功能列表上多十个功能都管用。

对企业落地的组合建议由此清晰：内网模型（或混合路由）负责数据边界，工作台负责任务编排与交付，IM 入口负责使用习惯。三者拼在一起，恰好是「敏感资料不出内网」与「员工零学习成本」的交集。当然，企业级的权限体系、调用审计与降级预案仍需要业务系统层补齐——这又是那句话：系统是河床，智能体是河水。

五件事，按顺序做：