作者 | 由仪

编辑 | 葛覃

模型越做越大，技术名词越来越复杂，WAIC的聚光灯却落在了一个听起来格外日常的名字上：百度搭子。

2026世界人工智能大会上，百度搭子入选十大“镇馆之宝”， 也是其中唯一的通用智能体产品。一个带着生活感，甚至有点松弛的名字，就这样站到了WAIC的AI舞台中央。

这种反差很有意思，它似乎也在提醒我们，AI正在从高深的技术概念走向每个人的具体生活，人们需要一个靠谱的搭子，做AI技术与现实之间的桥梁。

Gartner预计，到2026年底，集成任务型AI智能体的企业应用比例将达到40%，而2025年还不足5%，原因也很简单，市场上的智能体越来越多，真正能让用户放心交付任务的产品依然有限。

智能体既要足够聪明，也要在长时间执行中保持稳定；既要懂得什么时候继续行动，也要知道什么时候停下来向人确认。进入企业之后，数据权限和操作安全只会更加复杂。

于是，一个问题自然浮现，在这场愈演愈烈的智能体竞赛中，百度搭子是怎么跑出来的？

在当下的智能体行业，模型聪明只是入场券，头部模型在多项能力评测中的表现逐渐接近，竞争焦点正转向成本、可靠性和专业场景表现。

麦肯锡在2026年发布的智能体规模化研究中，把上下文与可信数据、任务编排与信息检索、权限治理与访问控制、执行过程的可观测性列为关键基础。简单理解，就是智能体既要听懂任务，也要会调用工具；既要记得前面做过什么，也要知道哪些动作可以执行；任务还要跑得稳，过程能够追踪，成本不能失控。

真正考验智能体的时刻，往往发生在大模型之外，智能体之内。

智能体成为一项高度依赖工程积累的产品，它需要模型提供判断力，也需要搜索补充信息，借助云端资源完成调度，再与各种工具和业务系统协同，更重要的，它是典型的数据飞轮型产品。

PinchBench的最新榜单显示，在23个真实工作场景下147个任务的综合排名中，百度搭子以93.3%和93.2%的总成绩包揽前两名。更值得关注的是，同一底层模型进入不同执行框架后，完成率存在差异：Anthropic和OpenAI的同款模型场景下的成绩分别为89.0%和91.6%。这意味着，任务编排、工具调用和错误处理等Agent工程，会直接影响最终完成率，而百度搭子展现出更强的执行力。

如果让我评价百度搭子，百度搭子并非只承接了年初龙虾热潮带来的关注，更关键的是，它把路由、记忆、工具调用和成本控制等能力逐步沉淀在产品层。至少在现阶段，模型能力并不会自动转化为任务完成率，模型之外的执行系统仍然决定着产品能否稳定交付。

当然，这也是现阶段行业的分歧之一，即模型的进化会不会更多吞噬掉Agent层，起码现在来看，更好的Agent必然具备更优秀的工程化能力，不论是海外的Claude Code和Codex，还是国内的百度搭子和腾讯Workbuddy，模型始终需要Agent来做价值放大器。

一个典型证据是，7月份，百度搭子披露自上线以来日均提问次数增长20倍，成为增长最快的通用智能体。

与用户增长同步，产品也在持续增强任务执行能力：6月，百度搭子把优化重点放到了执行成本上。Harness引擎升级后，在任务执行效果不受影响的前提下，Token消耗和用户积分消耗降低75%。到了7月，个人版进一步补上智能路由、多端共享记忆、Browser Use和PPT生成。

百度产品飞轮沉淀了海量任务数据和Agent工程经验，这是产品好用的关键。

由也此形成第一重飞轮：用户带来真实任务，真实任务暴露执行链路中的问题，产品再通过路由、记忆、工具调用和成本优化进行修正；完成率提高后，用户才更愿意把复杂工作继续交出去。

世界杯期间，百度搭子进入了央视频与央视体育推出的《超级绿茵场》，从四分之一决赛到决赛的8场重点赛事中，百度搭子参与AI战术分析环节。

节目把比赛信息和数据交给百度搭子处理，再通过主持人口播、屏幕花字和AI战术板，解释关键进球如何形成，球员跑位怎样改变局面，防守漏洞又出现在哪里。与预设演示不同，赛事内容持续变化，战术分析需要根据实际画面和数据重新组织信息。这类高关注度场景，检验的是信息提取、关系判断和表达转换能否稳定衔接。

百度搭子在直播间完成的任务，与办公室里的信息处理其实有着相似的结构。面对一场不断变化的比赛，它需要从大量画面和数据中抓住关键线索，判断信息之间的关系，再形成清晰结论。换成行业研究或会议材料，变化的只是信息来源，理解任务及整理信息和交付结果的过程并没有改变。

离开世界杯的聚光灯，另一场测试发生在长白山。

70岁的野生动物摄影师老万积累了超过100TB的野外影像。他日常最耗费精力的工作，是从红外相机和监控设备拍摄的大量视频中，逐帧寻找野生动物出现的画面。过去，这项工作只能靠人长时间观看。

老万没有编程经验，也没有专门的技术团队。他向百度搭子说明需求后，系统将任务拆成多个步骤，先识别视频中出现动物的片段，再提取素材并分类归档，最后按照老万原有的工作习惯生成监测日志。

如果说世界杯考验的是实时信息的理解和表达，老万的案例检验的就是长任务执行和工具调用。百度搭子需要听懂一位非技术用户的工作方式，再把这种经验转化成可以持续运行的流程。

贵州镇宁县一对乡村教师夫妇，则提供了第三种场景。两位老师发起公益阅读组织，并长期运营公众号，却经常被每天发布什么内容困住。他们通过百度搭子建立表格并抓取热点信息，再把热点与公益阅读主题关联起来，生成每日选题和文章初稿。整个内容流程在几十分钟内搭建完成。

智能体的真功夫就藏在这里，它未必制造一个夸张的瞬间，却能接过那些反复消耗时间的小事。

对智能体而言，场景数量本身没有太大意义，真正有价值的，是这其中体现出来的能力链：理解自然语言需求，处理不同类型的资料，调用相应工具，再按用户需要的形式输出。能够把这条链路复用到不同工作中，才是第一重飞轮继续转动的基础。

传统组织经常面临一种隐形损耗，员工在项目中摸索出方法，经验通常散落在个人文档和聊天记录里。人员或项目发生变化后，团队往往要为相似问题重新交学费。百度搭子企业版，试图把这部分容易流失的经验转化成可复用的组织资产。

在企业版百度搭子内，员工完成任务时形成的Skill和项目上下文可以在团队中共享，生成的方案及素材能够统一沉淀，由此形成的循环很有意思。

使用者越多，企业积累的Skill和任务经验越丰富；可复用的方法越多，新任务的启动成本就越低；更多任务被交给智能体，又会继续产生新的流程和成果。个人效率在这个过程中被放大，逐渐变成能够持续增长的组织能力。

当企业知识库和业务系统进一步接入，这个循环还会向工作流程内部延伸。智能体可以从需求输入开始，参与内容生成和审核修改，再把结果送入后续流转。权限管理及执行记录和安全沙箱也被放进同一条链路，高风险动作需要人工确认，企业获得效率的同时，仍然能够看见过程并控制边界。

这构成第二重飞轮：使用者越多，组织沉淀的Skill和任务经验越丰富；可复用的方法越多，新任务的启动成本越低；更多工作进入系统后，又会继续产生新的流程和成果。个人效率由此转化为能够持续积累的组织能力。

企业飞轮沉淀的是，组织知识和可复用的工作方法，更大的飞轮则发生在平台层，核心是全栈技术效率和产业交付能力。

智能体呈现为一个应用，但是最终的效果和性价比，芯片、云、模型、工具、Agent和场景反馈共同决定，这也是百度智能云在其中承担的角色。

既要有模型供给和算力，也要有Agent平台及任务调度和安全机制，还要理解业务现场。千帆平台负责承接智能体开发和交付，百度智能云提供模型服务及工具链和产业经验，让企业可以在已有底座上选择模型并搭建流程。

AI云的性价比也需要放在这条任务链里衡量。一次模型调用价格很低，任务没有完成，投入依然会变成浪费。模型成本更高一些，如果能够稳定创造业务结果，企业同样愿意使用。

从芯片和算力调度，到模型及搜索和云，再到Agent产品与产业客户，百度的多层能力在这里形成连接。智能体产生任务数据，数据帮助模型和路由继续优化；模型需求反过来影响算力分配；企业场景再检验这些优化有没有真正解决问题。飞轮转得越快，产品迭代和成本优化越容易同时发生。

这构成第三重飞轮：真实使用中暴露的任务类型、性能指标和失败反馈，帮助系统优化模型选择、路由和工具调用；优化后的能力再回到个人和企业场景接受检验。百度的芯片、算力基础设施、模型和智能体能够在同一体系内协同，是这条飞轮成立的基础。

回过头看，百度搭子站上WAIC智能体C位，并非由某一项模型成绩或单一场景决定。

个人端，更多真实任务带来更多反馈，反馈推动路由、记忆和工具调用持续优化，产品越好用，用户越愿意把任务交出去；企业端，员工形成的Skill和项目上下文被共享复用，使用越深入，组织沉淀的方法越丰富，新任务的启动成本也越低；平台端，来自个人和企业的场景继续反馈到模型、搜索、千帆、智能云和算力调度，任务完成率随之提高，交付成本继续下降。

三重飞轮开始咬合，构成了百度搭子在这一阶段率先跑出来的原因。

美国管理学家吉姆·柯林斯曾说，大事发生在不断推动一个巨大而沉重的飞轮之后。对百度搭子来说，WAIC C位是飞轮转动的结果，它还远没有到停下来的时候。