办公AI智能体之战：从模型分销转向上下文工程

上半年，办公AI智能体（Agent）仍是大厂AI生产力试验中的普通一环。协同办公、编程、云端与桌面端产品百花齐放，但桌面智能体究竟该以何种形态落地，行业缺乏共识。

下半年，脉络逐渐清晰：Coding是手段，解决实际办公生产力才是目的。腾讯凭借WorkBuddy收敛产品形态，阿里整合出千问办公，字节跳动则主推豆包工作。各家切入点各有侧重——有的主打一句话生成成品网页，有的发力侧边栏协同编辑。但表面上比拼的是功能形态与模型分发，底层的核心竞争正在转向上下文工程与模型调度能力。

7月亮相的星辰超级智能体TeleAgent将焦点对准上下文工程。在IDC发布的《中国企业级通用Agent产品技术评估》中，TeleAgent在任务表现维度获得满分，成本效率维度同样居前。

从TeleAgent的产品演化可以看出，办公AI智能体的技术重心正经历关键跃迁：从初期的“模型分销”走向“模型深度调度”，从单次任务交付走向具备长期记忆的持续演进。

从模型分销到动态调度

传统办公智能体依赖模型路由（Model Router 1.0）交付能力，主要充当聚合或自营的渠道商：

• 聚合模式允许用户手动切换混元、DeepSeek、GLM、Kimi等模型；
• 自营模式则按任务复杂度将任务硬性划分为轻量档与旗舰档。

这种分销模式的痛点在于：渠道没有护城河，且无法平衡模型服务商调用压力与运行成本，难以保证交付质量的上限。

TeleAgent在服务端引入了动态调度机制（Model Router 2.0）。在供给侧，系统根据各服务商负载自动无缝切换，组建统一能力池；在用户端，根据任务强度按轻量、均衡、旗舰三档智能分流，优化资源与Token成本。底层自研的星辰Xing4.0模型原生支持256K长上下文，可扩展至512K，针对多步骤推理、规划与工具调用进行专项强化学习与闭环调优。

解决“失忆”：动态治理与长期记忆

长程办公任务常涉及跨文件与跨系统操作，上下文规模会迅速膨胀，导致多数智能体在后半程因窗口超限而“失忆”。

TeleAgent在运行框架（Harness层）中引入动态上下文治理：

1. 多级压缩：实时监控窗口水位。接近上限时，优先对历史工具调用输出轻量剪枝；若空间仍不足，专职压缩模型会对长对话进行摘要，最大化保留关键信息。
2. 提示词缓存：结合缓存命中技术降低重复前缀开销。

针对传统AI“跨窗口即遗忘”的缺陷，TeleAgent在桌面端搭载了autoDream长期记忆模块：每2小时自动提炼阶段日志，每24小时合并生成个人记忆档案。所有记忆在用户本地留存并可跨会话生效，智能体能够记住业务背景与个人习惯，且确保数据隐私自主可控。

工具层瘦身与按需加载

提升交付表现的另一关键在于系统提示词、工具预置与技能扩展。

TeleAgent通过前置问答引导用户建立角色、沟通方式与边界上下文，减少空对话框带来的摸索成本。

针对海量工具导致Token过度消耗的问题，TeleAgent即将上线ToolSearch动态加载功能。该机制不再全量挂载工具，而是默认仅向上下文输入精简的工具目录，进入具体执行环节后按需检索匹配，再动态挂载对应工具，大幅压缩推理开销。

评测数据显示，TeleAgent的Token总消耗较同类产品降低约37%，代码场景节省达57%，高频办公任务平均耗时缩短至同类的75%。

筑牢企业安全红线

能力决定上限，安全合规决定应用边界。在政企、金融等对数据极为敏感的场景中，TeleAgent实行“本地读取”策略：除必要的大语言模型推理数据以Token传输外，其余处理留在本地，服务端不留存文件与落盘日志，实现数据不出域。