摘要：

连续五天，豆包把“操作层、计算层、协作层、生态层”整条链路铺了一遍，密集程度堪称过节。

凤凰网科技 出品

作者｜Dale

编辑｜董雨晴

对许多人而言，AI帮自己操作电脑时，最麻烦的不仅仅是做不到，而是AI干活的时候自己的手不能乱点。

鼠标在屏幕上自己移动，窗口一个接一个弹出，有别的信息要处理也得等着。要是赶上盯盘、数据采集这种动辄几小时的长任务，人们干脆坐在旁边看着机器上班。要么就是任务在跑，人要出门，等任务跑完也没法下载，自动化到这一步，其实只自动了一半。

8月17日到21日，豆包用一天一个主题的节奏，连续放出五项工作任务更新：手机摇操电脑、虚拟桌面Windows系统下的GUI操作、本地/云电脑双模式、侧边栏工作台与妙搭、技能商店与连接器。五天之内把“操作层、计算层、协作层、生态层”整条链路铺了一遍，密集程度堪称过节。

这次功能迭代背后，AI Agent从能聊到能干的转向已经持续了一年半，OpenAI、Anthropic与国内大厂先后入场，国内办公软件之争也正从“人操作软件”移向“人委托任务”。豆包这波更新，是字节跳动在这条赛道上的一次集中落子。

虚拟桌面里，AI和人各干各的

8月18日上线的豆包虚拟桌面，是本周更新中技术含量最高的一项。在豆包PC端选择“工作任务”模式和“本地电脑”，授权“操作电脑”技能后，豆包会进入一个独立的虚拟桌面。它能在里面看屏幕、移动鼠标、点击按钮、敲键盘，像人一样操作软件，但这个桌面与用户的真实桌面相互隔离。人和AI可以同时使用同一台电脑，互不干扰。

这直接切中了前文所说的痛点。此前多数具备GUI操作能力的Agent直接在用户真实桌面上运行，鼠标被接管，屏幕被占用，人只能旁观。豆包的做法是在Windows系统内开出一块独立空间，AI在里面跑自己的任务，用户在外面照常工作。目前，体验该功能需将豆包PC端更新至2.24.7_win及以上版本，此外，Mac端暂只支持浏览器内的GUI操作。

从技术上拆解，虚拟桌面要解决三个问题，即看、规划、操作。看是视觉感知，模型需要实时识别屏幕上的图标、按钮、输入框并理解其含义，而且这套理解不依赖MCP、API或插件，纯靠GUI语义解析；规划是在理解界面后制定操作顺序；操作则是精准控制鼠标坐标和键盘输入。三层环环相扣，任何一环出错都会导致任务中断。用户可以在侧边栏实时观看操作过程，随时暂停或接管。

更早一天上线的还有手机遥控。手机端安装豆包App并登录同一账号后，可以在外面向电脑下发任务，这意味着用户在通勤路上可以让家里的电脑整理文件、查数据，到工位后结果可能已经有了。任务可支持在手机和电脑之间切换，不中断。

放到行业坐标里看，AI操作电脑并不是新概念。2025年1月，OpenAI发布基于CUA（Computer-Using Agent）模型的Operator，通过截图“观察”屏幕并用虚拟鼠标键盘操作，但200美元/月的Pro门槛将多数用户挡在门外；Anthropic的Computer Use则直接在用户桌面上移动鼠标、点击按钮。几条路线各有取舍：云端虚拟机隔离性好但脱离本地数据，端侧操作贴近真实环境却容易与用户争抢屏幕。豆包虚拟桌面选择了一条中间路线，在本地Windows环境内做隔离，既不脱离本机数据，又不占用用户的操作界面。

不过，用户目前还是需要一定程度降低预期。过去，隔离做得再好，GUI操作的稳定性仍是全行业的共同难题。不同软件的界面布局、弹窗逻辑、异常处理千差万别，模型在常见场景下可以流畅操作，遇到罕见弹窗或非标控件时出错概率仍然不低。从能用到可靠，依旧还有一定距离。

本地、云端与人机同屏，痛点有了缓冲带

如果说虚拟桌面解决的是“AI在哪里动手”，那么新上线的本地/云电脑双模式，解决的就是“AI在哪里干活”。

两种模式的分工很清晰，涉及本地软件和文件的任务走本地电脑，数据留在自己机器上，适合文件归类、文档排版、表格处理等场景；需要长时间运行、定时触发或不受设备限制的任务走云电脑，豆包为用户提供独立的云端环境，任务持久在线，不占用本机资源，手机和电脑随时可以查看进展。盯盘、数据采集、竞品监测这类动辄数小时甚至全天候的任务，交给云端后甚至可以关机走人。

这个设计回应了Computer Use领域一个长期矛盾：隐私与能力的拉扯。有独立厂商在行业指南中指出过，主流云端方案需要将屏幕截图上传服务器处理，Anthropic官方文档也提示过相关数据安全风险；端侧方案虽然隐私更好，但受限于本机性能和在线状态，必然存在任务执行的天花板。豆包的双模式没有试图用一种方案覆盖所有场景，而是把选择权交给用户，敏感任务留本地，重任务上云端。

为了最大化提升效率，让人能和AI一起跑，新版侧边栏工作台以多标签形式统一承载任务资源，对话与实际操作同屏进行，用户不必在多个窗口间来回切换。更重要的是“中途可以插话”：AI执行任务的过程中，用户可以随时调整方向、补充要求，不必等到任务结束再返工。局部编辑功能允许用户直接在网页或在线文档上“指哪改哪”，指定段落、格式、内容都可以单独修改。妙搭则把门槛进一步降低，用自然语言描述需求，就能搭建简单的办公应用或小工具。

从此次豆包工作任务打补丁式更新，我们也得正式一个情况，当前的AI产品还非常难实现“一句话下去，AI全自动完成”的理想化叙事，豆包的新功能背后，反应也是大多数真实工作需要人机反复拉锯。侧边栏提供透明度，局部编辑提供精细控制，妙搭提供轻量化扩展，他们共同构成了自动与手动之间的缓冲带。

以当前的豆包工作任务来说，这是在好用的情况下，最大化提高人们的工作效率。

更柔性的豆包，可能才是AI的未来

就在上新周的最后一天，豆包把技能商店、连接器和工作伙伴模块一起摆上台面。

技能商店里有上百个即插即用的技能，PPT制作、数据分析、海报设计、表格处理等专业能力被封装成独立模块，用户可以按需安装，也支持自建和上传。技能与GUI操作可以组合使用，装上某个技能后，豆包在执行任务时会调用对应的专业方法，而不是从零开始摸索，既节省token，也提升效率。

连接器板块解决的是“AI怎么碰外部世界”。授权后，豆包可以直接读写飞书文档和表格，甚至是打通钉钉、企业微信、腾讯会议、高德地图、天眼查等第三方服务。用户在各个App里的会员和数据不必搬家，AI在授权范围内跨应用操作。这会让豆包变成一种简约的智能化入口，而现存的互联网服务变成了豆包的手脚。

工作伙伴则是多Agent协作的落地形态。它的前身是飞书aily，2026年8月13日正式更名为豆包工作伙伴。用户可以随叫随到地组建一支“AI小队”，数据分析师处理数据、开发工程师写代码、UI设计师做界面，多个角色分工协作，完成调研员加分析师加撰稿人这类复杂任务链。

这些模块能力背后，是更早之前的组织线索。2026年7月30日，飞书产品团队与豆包产品团队整合，飞书的市场、销售和客服团队则进入火山引擎承接ToB商业化。此举加强了豆包、飞书和火山引擎在企业生产力场景中的协同。调整之后，飞书沉淀多年的企业知识、协作关系和权限体系，开始成为豆包进入办公场景的底层燃料；豆包负责理解目标和规划任务，Seed模型提供推理能力，火山引擎提供运行环境和商业交付。

几乎同一时间，所有大厂都在补齐同一条链路的不同环节。有人从办公系统一侧向上开放，让自己成为Agent可调用的执行环境；有人从Agent入口一侧向下整合，让AI产品进入企业的知识和协作体系。它们共同指向一个变化，办公的基本单位正在从功能变成可委托的任务。

但可委托的前提是可信任。能调用工具不等于能完成任务：一次真实办公任务往往包含多个相互依赖的步骤，资料范围理解错误会让后续分析失去基础，数据口径判断错误会让报告结论偏离业务。权限开放过快，一次模型误判就可能放大成真实业务操作；权限收得太紧，Agent又只能停留在生成草稿的辅助层。此外还有成本账，如果一项员工十分钟能完成的任务，Agent跑半小时还需要多次人工确认，节省的操作时间未必抵得过监督成本。这些问题不会因为一次功能更新而消失，它们需要在真实使用中被反复验证。

值得注意的是，本周更新中最活跃的想象空间反而来自非典型办公场景：养成类游戏自动日常、24小时抢票抢购、股票盯盘、竞品价格监测、全平台签到打卡、批量图片视频处理。

有人让豆包扮演起了自动挂机的角色，专门处理游戏里那些重复性高、枯燥乏味的任务。还有人睡觉前把“凌晨2点抢购”的任务设定好，就踏实去睡觉了，夜里豆包会按照页面、填好尺码再选地址提交。

这些玩法带着明显的草根气息，却透露出用户对Agent最朴素的期待，不是什么宏大的生产力革命，而是把那些重复、枯燥、不得不做的事真正甩出去。

五天五项更新，拼在一起看，豆包试图证明的不是某个单点功能的领先，而是一套“柔性组合”：GUI操作解决手脚问题，双模式解决计算位置问题，侧边栏和局部编辑解决人机协作问题，技能和连接器解决能力扩展问题，工作伙伴解决多角色协作问题。用户可以根据任务性质、隐私要求和风险偏好，自由搭配本地与云端、自动与手动、单个技能与多个Agent。

这套组合的弹性，比任何一项单独能力都更值得关注。但弹性也意味着复杂度，选择越多，用户越需要知道什么任务该交给谁、放到哪里跑、授权到什么程度。从能演示到能托付，中间隔着稳定性、安全性和经济性三道坎。据第三方数据显示，豆包在AI原生应用月活榜已位居前列。当AI长出手和脚，对交付的期待需要在更多实际场景落地中回答。