6.85 分背后：一份央企 Agent 评测报告，和企业级 Agent 真正的胜负手

一份署名 IDC 的评测报告，让中国电信的 TeleAgent 成了"央企做 AI"的最新样本。但这份报告真正值得读的地方不在排名，而在于它和它的传播稿之间，藏着企业级 Agent 从 demo 走向生产环境时那道没人愿意明说的分水岭。

一、先把 PR 稿拆成事实

这次研究的起点是一篇公众号文章：量子位《起猛了，央企做的企业级通用Agent，排进了国内前三！》，讲 IDC 发布国内首份《中国企业级通用Agent产品技术评估》，中国电信 TeleAgent 排名第三。

这篇文章有明确的 PR 属性——文末附产品下载地址、引导"一键三连"，且文中数据高于同日官方口径。所以本文的第一件事不是复述它，而是把它拆成可验证的事实。

1.1 交叉验证后站得住的部分

事实	验证情况
IDC 确发布《中国企业级通用Agent产品技术评估》	属实。IDC 官网可查（文档号 CHC54893926），研究经理孙振亚
评测覆盖九大维度、11 款主流及开源产品、近百道非公开任务	属实。极客公园、大模型之家等多源一致
评测口径：统一模型、统一仿真工具、统一数据基线，"开箱即测试、无提示词优化、失败后不追加人工指令"	属实。多源一致
TeleAgent 综合 6.85 分、位列第三；第一名 7.30 分	属实。DoNews、每日经济新闻、极客公园、光明网一致
「任务表现」5 分最高档（其他产品普遍 3 分）；「成本效率」4 分（普遍约 2 分）	属实。多源一致
2026 年 7 月 WAIC 中国电信人工智能生态论坛正式发布	属实。新浪财经
IDC 调研：48.5% 受访企业已进入通用 Agent 评估、试点或使用阶段	属实。报告通稿引用

也就是说，"IDC 报告真实存在、TeleAgent 综合第三、任务表现拿到满分档"这三件事是成立的。这已经比大多数厂商 PR 稿扎实。

1.2 但有一处口径，一周内出现了五个版本

原文说 TeleAgent"用户规模已经接近 120 万"。我把同一时段所有公开表述拉了出来：

时点	表述	来源
2026-08-13	累计用户 61.42 万	搜狐（媒体开放日前）
2026-09-16	注册用户破 100 万	每日经济新闻（天翼 AI 媒体开放日现场）
2026-09-16	注册用户突破 110 万	大模型之家、极客公园（同批通稿）
2026-09-16	注册用户已突破 118 万	DoNews（同批通稿）
2026-09-16	接近 120 万	量子位（原文）

同一天、同一场媒体开放日、同一个产品，公开数字从 100 万一路漂到 120 万。

这不是"谁在造假"的问题，而是一个很典型的传播现象：厂商在开放日给出一个保守的官方口径（破 100 万），各渠道拿到通稿素材后各自加码，越靠后的传播环节数字越"好看"。跨过 100 万这个整数关口后，"破百万"的新闻价值已经兑现，剩下的 10 万、18 万、20 万，是纯粹的修辞。

同类现象还出现在 Skill 数量上：对外通稿说 5 万（大模型之家）/ 4 万余个（每经），而原文引用的内部数据是"Skill 广场累计上架 5.6 万个技能、被添加近 200 万次"。这三个数字并不矛盾——它们分别对应"对外可用的技能"和"内部广场的历史上架总量"，但通稿混用时不会告诉你这个区别。

一条可复用的经验：读厂商数据时，先问三个问题——口径是什么（注册/活跃/累计）、时点是什么、谁在说（官方/通稿/转载）。三个答案里有一个缺失，数字的可信度就要打对折。

1.3 原文中属于"厂商自述"、无第三方验证的指标

这些数字在原文里被当作结论使用，但来源都是厂商自己：

• 上下文窗口突破 400K、核心内核约 3 万行自研 Go 代码
• ModelRouter 智能路由把推理成本降低约 40%、简单任务响应 3–5 秒、路由延迟低于 10ms
• 安全评测通过率：信通院内部评测 98.2%、与外部厂商联合 28 个场景 336 个用例通过率 99.7%
• "日均 Token 消耗优于同类产品"（IDC 稿中的表述，但未给具体数值）

这些不是错误，而是在当前阶段无法被独立验证的单一信源信息。按"真实第一"的原则，引用时必须标注来源是厂商自述。

二、6.85 分，到底测的是什么

这是全文最关键的一节。因为如果只记住"第三名"，你等于什么都没读到。

2.1 一套刻意反"应试"的评测

IDC 这次的设计有几个细节值得单独拎出来：

• 统一模型：所有参评产品在同一个基座模型上跑
• 统一仿真工具 + 统一 MCP 仿真环境：工具调用能力在同一个仿真环境里比
• 近百道非公开任务：题目不公开，无法针对性优化
• "开箱即测试、无提示词优化、失败后不追加人工指令"：不允许运营团队在场外救场

这套规则针对的正是过去两年 Agent 评测的一大顽疾——分数可以被"调"出来。提示词工程、人工追加指令、针对公开 benchmark 的定向优化，都能把 demo 成绩抬得很高，但搬到真实办公环境里一文不值。

IDC 用"统一模型"这一条，把所有产品拉到了同一起跑线，也等于宣告：这次不测模型，只测模型外面那套系统。

2.2 九维度与分数结构

评测维度包括：任务表现、成本效率、交互体验、多智能体编排、记忆与工作空间、可观测、安全可控、工具与技能、生态与开放性。

TeleAgent 的得分结构如下：

维度	TeleAgent	参评产品普遍水平
任务表现	5 分（最高档）	3 分
成本效率	4 分	约 2 分
交互体验 / 多智能体编排 / 记忆与工作空间 / 可观测 / 安全可控	均高于普遍水平	—
综合	6.85 分	第一名 7.30 分

几个值得注意的细节：

1. 综合差距极小：与第一名差 0.45 分；在"常规任务"上只差 0.04 分。这说明在目标明确、路径确定的日常办公任务上，头部产品的差距已经被抹平。
2. 差距在"复杂任务"里：常规任务几乎打平，总分却差 0.45——意味着差异集中爆发在长链路、多步骤、易出错的复杂任务上。
3. 成本效率的分差最悬殊：4 分 vs 普遍 2 分，这是相对优势最大的一项。
4. 分制不透明：九维度各自的权重、如何加权成 6.85 分，报告未公开。所以"6.85"这个数字本身不适合做精确的跨产品比较，只能看相对位置和分档。

2.3 报告里那句最值钱的话

IDC 在报告中的一句结论，比所有分数都重要：

"Agent Harness 能力决定了各家产品的任务表现情况。"

以及：

"复杂长链路任务的完成情况，尤其在上下文溢出和过程异常时任务能否继续顺利完成，相关 Harness 工程的设计起到决定性作用。"

Agent Harness 指的是围绕大模型搭起来的一整套执行系统：上下文管理、工具调度、任务状态管理、异常处理、结果核验、执行环境控制。

这解释了一个现象——为什么"统一模型"之后，各家还能拉开 0.45 分的差距，而且差距全在复杂任务上。因为短任务里，模型理解对了就做完了；一旦任务拉长到几十步、几十次工具调用，决定成败的就不再是模型智力，而是这套系统的工程成熟度：

• 上下文堆到接近上限时，是压缩、是剪枝，还是直接崩掉
• 工具调用超时/报错时，是重试、换路径、恢复进度，还是从头再来
• 权限不足时，是越权、合理停止，还是编造一个结果

TeleAgent 在这条链路上的动作是：对低价值旧工具输出做轻量剪枝，上下文仍过长时交给压缩模型处理，并实时监测窗口占用、触发上限前先压缩；跨会话场景用长期记忆（autoDream）定期整理并合并记忆。这些恰好都是 Harness 层面的工程动作，而不是模型层面的能力。

这就是本次评测的真正结论：企业级 Agent 的竞争已经换赛道了，从"谁的模型强"换成了"谁的执行系统稳"。

三、三个公关稿集体回避的盲区

一份厂商 PR 稿最有价值的部分，往往不是它说了什么，而是它没说什么。

盲区一：前两名是谁？11 款参评产品是哪些？

所有通稿（量子位、DoNews、极客公园、大模型之家、光明网、新浪财经）统一只表述"位列第三"，第一名（7.30 分）和第二名的身份完全没有披露，11 款参评产品名单也没有任何一家公开。

这是本次传播中最关键的沉默。原因不难推测：

• 对厂商而言，"央企排进前三"是一个足够漂亮的标题，而"第三名，第一是某互联网大厂"则会削弱叙事。
• 但反过来看，这个缺口恰恰是读者最需要的信息。因为如果前两名是阿里、字节或腾讯的办公 Agent，那么"央企跑赢互联网大厂"的隐含暗示就不成立，"央企也能做出第一梯队产品"才是准确表述。

结论：不要把"第三名"读成"央企击败了大厂"。它更准确的解读是"央企进入了第一梯队"。 这两者的差别很大。

盲区二：模型与工程的叙事错位

通稿里有两条并行的叙事，但它们在逻辑上互相削弱：

• 叙事 A（评测）：IDC 用统一模型评测，证明 Agent Harness 决定任务表现，工程能力是关键。
• 叙事 B（卖点）：TeleAgent 依托"自研星辰大模型 + 国产智算底座"，"全栈国产化"是核心护城河。

如果评测统一了模型，那么这次高分证明的是工程能力，而不是模型能力。而全栈自研的价值在评测里恰恰是无法体现的。

这不代表"国产底座"不重要——对企业客户（尤其是政企），自主可控是硬门槛。但要说清楚：它是一张准入证，不是一个得分项。 把"安全可控、自主可控"当成产品竞争力的证明，是很多国产 AI 产品通稿的通病。

顺带补一个客观事实（这部分是有据可查的）：星辰大模型体系确实成绩不俗——它是国内首个全国产、全尺寸、全开源的语义基础大模型，入选 2025 年度央企十大国之重器，基于全国产万卡集群和国产训练框架完成预训练，Hugging Face 累计下载量破百万。这是真实的工程成绩，但它与"TeleAgent 在 IDC 拿第三"之间，不是因果关系。

盲区三：IDC 这类"厂商评估"的边界

需要给读者一个方法论提醒：IDC 的此类技术评估，与独立的第三方盲测有本质区别。

• 这类报告通常依赖厂商配合：产品问卷、现场演示、环境对接
• 参评往往是厂商主动报名而非市场招募
• 报告的主要受众是企业选型方和厂商市场部门，具有明确的商业属性

这不是说报告没有价值——恰恰相反，它设计的评测方法论（九维度 + 反应试规则）本身很有参考价值。但它的结论应当被理解为**"方向性参考"**，而不是"行业客观排名"。

如何正确使用这类报告：看维度定义和方法论 → 拿它当自检清单 → 在自己的真实业务场景里做 POC。不要拿综合分直接做采购决策。

四、TeleAgent 的非常规路径：把公司变成试验场

抛开排名，TeleAgent 这个案例真正有研究价值的，是它的组织方式和验证环境——这部分在原文里有不少一手信息，且逻辑自洽。

4.1 不是追风口，是攒了一年多的平台

从时间线看，TeleAgent 并非 2026 年才临时立项：

时间	动作
2024 年底	开始建设星辰智能体平台
2025 年 4 月	平台被确定为集团智能体基础设施
2025 年 8 月	推出星辰超级智能体网页版，尝试自主式 Agent
2026 年 4 月	TeleAgent 桌面端进入公司内部试用
2026 年 7 月	WAIC 中国电信人工智能生态论坛正式发布

从平台到产品，积累了约一年半。 这与"看到 Agent 风口快速追出来"的直觉判断不同。

4.2 一个"内部用户池即测试场"的飞轮

这是整个案例里最有意思的部分，也是它相对互联网创业公司最难被复制的优势：

• 中国电信本身拥有大量员工，内部业务覆盖办公、网络、政企、云、号卡、宽带等多个条线
• 内部 Skill 广场累计上架 5.6 万个技能、被添加近 200 万次，参与开发贡献的员工达 2 万人
• 员工自建的技能非常"接地气"：围绕宽带、号卡等主营业务做 Skill，用 Agent 生成内部格式的 PPT，一线员工直接拿去做摄像头巡检和电表识别

这意味着，TeleAgent 每天面对的是真实需求，而不是为了演示效果提前设计好的任务。原文有一句话说得很准："内部既成了早期最大的用户池，也成了一个相当复杂的企业 Agent 测试场。"

对比一下三家办公 Agent 的实测结论（后面会展开）：横评中被诟病的三个问题分别是数据口径偏差、事实性错误、信源质量——这三类问题，恰好只有在真实、高频、有真实业务后果的场景里才会被暴露和修正。内部 2 万人、200 万次调用构成的反馈回路，就是用来磨这三类问题的。

4.3 央企体制 × 互联网打法的混合体

原文披露的组织细节值得记录：

• 中电信人工智能公司约 1200 多人，其中九成以上来自社会化招聘，吸收了头部互联网公司和 AI 企业的研发人才，平均年龄 30 岁出头
• 产品团队给核心骨干留出了较大的自主招聘和技术探索空间
• 内部对早期产品的要求不是先算收入，而是先要用户口碑
• 组织方式上，把资源决策集中起来，让熟悉电信业务的人和有互联网产品经验的人在一线直接配合

同时，央企身份带来两个真实约束与优势：

约束：安全必须前置。桌面端 4 月已可内部试用，但团队又花了两个月做安全测试和能力优化，直到 7 月才正式推出。对互联网产品这是不可想象的节奏。

优势：验证资源。产品已完成 Windows、macOS、Linux（银河麒麟、统信 UOS 官方兼容性认证）多终端适配，这是政企采购的硬性门槛；采用本地驻留架构，数据完全存储在本地硬盘、无上传下载流程——这条对财务、商业机密、个人隐私类场景的吸引力，是云端产品难以对标的。

这构成了 TeleAgent 的差异化定位：不去和办公三强抢"最聪明的助理"，而是占住"数据不出机 + 信创适配 + 央企合规"这个生态位。 结合它"合同审查、采购查询、合规审批"等政企预置技能，这个定位是清晰的。

五、把 TeleAgent 放回牌桌：真正的对手是谁

5.1 办公 Agent 三强已经就位

2026 年夏天，三家互联网巨头把办公 Agent 集中收口：

产品	归属	关键节点	基因（36氪实测归纳）
WorkBuddy	腾讯	先发	"产品效率"——快、全、自动化
千问办公	阿里	8 月 3 日公测	"行业与政企"——最懂专业视角
豆包工作	字节	8 月 25 日发布	"内容与体验"——视觉精致、场景化强

一份基于真实任务的横评（以"收集某公司最新新闻并输出海报"为统一题目）暴露了三家的共同短板：

• WorkBuddy：信息覆盖最广、交付最完整（有可归档 .md 文件），但数据口径出现偏差，需要人工二次核实
• 豆包工作：核实意识最强（先规划→再搜索→再核实→后输出），视觉交付最精致，但海报曾出现股票代码渲染错误，且无独立文件产出
• 千问办公：交互式确认机制降低返工，最贴合专业身份，但核心风险信息大量引用"股吧"这类非权威信源，并遗漏了重要正面事件

这三份"体检报告"很有价值：都强在流程与交付形态，都弱在事实可靠性。 而这正好印证了 IDC 的结论——真正的差距在长链路复杂任务里，在异常处理、结果核验、状态恢复这些不显眼的地方。

5.2 市场的盘子有多大

• 中国企业级 AI 智能体市场：2025 年 212 亿元 → 2026 年预计 449 亿元 → 2029 年有望突破 3320 亿元，年复合增长率约 107%
• 2026 年 7 月，AI 效率办公赛道月活跃用户 1.02 亿；办公赛道总使用次数同比增长 112.4%（QuestMobile）
• 政策推力：2026 年全国两会上，"智能体"首次写入国务院政府工作报告；"十五五"规划纲要提出深化拓展"人工智能+"

5.3 但企业落地的真实进度，远没有市场增速乐观

这里有两组需要对照起来看的数据，它们来自同一家机构，却常被混用：

口径	数据	含义
通用 Agent 评估/试点/使用	48.5%	已经"碰过"Agent 的企业占比
处于了解评估和试点阶段	60%	还没真正上生产
已纳入核心业务流	仅 18%	真正进主流程的

"近半数企业在用 Agent"和"仅不到两成进了核心业务流"，描述的是同一件事的两面。 前者是想象力，后者是现实。

IDC 为此提出了 COMPASS 模型（Collaboration / Orchestration / Monitoring / Perception / Analysis / Sedimentation / Scalability，七维），对应企业价值链上三层效率约束：

• 信息输入层（Perception）：非标文档、手写单据、会议录音怎么变成结构化数据
• 信息处理层（Analysis / Orchestration / Monitoring / Collaboration）：跨系统取数、动态编排、异常监控、跨部门协同
• 信息资产化层（Sedimentation / Scalability）：把个人经验变成组织可复用资产，并支撑弹性扩展

值得注意的一个巧合：提出 COMPASS 模型的 IDC 研究经理孙振亚，也正是《中国企业级通用Agent产品技术评估》报告的研究经理。 也就是说，"评测九维度"和"落地七维"出自同一套研究框架的两面——一面用来给产品打分，一面用来帮企业找切入点。这个关联，通稿里没有人告诉你。

对企业选型方的实际含义：不要问"哪个 Agent 最强"，要问"我这条业务流卡在 COMPASS 的哪一层"。卡在信息输入层，你需要的是多模态提取能力；卡在编排层，你需要的是跨系统工具调用与流程生成能力；卡在资产化层，你需要的是记忆与知识沉淀机制。先定位约束，再挑产品，能避开 80% 的选型陷阱。

六、可迁移的结论

6.1 Harness 工程的三个观察刻度

如果 IDC 那句"Agent Harness 决定任务表现"是对的，那么评估一个 Agent 产品时，应该盯的就不是模型参数，而是这三个地方：

刻度一：上下文溢出时的行为。 任务跑到第 50 步、上下文逼近上限时，它是压缩、剪枝，还是开始遗忘最初的需求？长任务失忆（requirement drift）是企业场景最难容忍的失败模式——用户交代了十条约束，跑到最后只剩三条还在生效。

刻度二：异常后的恢复方式。 工具报错、权限不足、环境变化时，它是重试、换路径、部分交付，还是直接崩溃/越权操作？IDC 在评测中明确把"面对模糊指令、工具异常、权限不足和环境变化时，能否恢复执行、交付部分结果或合理停止"纳入考核——"合理停止"也是合格表现，这一点常被忽略。

刻度三：结果的可核验性。 IDC 的做法是"任务跑完后继续核验系统状态和最终文件"，而不只看 Agent 自称完成。同理，企业采购时要问的是：执行过程有没有留痕？能不能按任务/用户/部门做用量归因？结果能不能被独立复核？

6.2 给企业选型方的五个问题

1. 是统一模型评测还是各用各的模型？ 决定了你看到的是工程能力还是模型能力。
2. 复杂任务的失败率是多少？ 只看平均分没用，要看长链路任务的稳定性和失败后的行为。
3. 成本能不能按部门和任务归因？ 这是能否规模化的前提——试点阶段的成本不可持续，规模化后会被指数放大。
4. 数据驻留在哪里？ 本地驻留、私有化部署、云端，对应完全不同的合规边界。
5. 技能（Skill）从哪来、谁维护、怎么审计？ 技能是 Agent 的能力资产，也是新的供应链风险面。

6.3 三句话小结

第一，这份报告最有价值的不是"6.85 分排第三"，而是它用统一模型的反应试设计，把行业竞争的焦点从模型拉到了工程系统上。 企业级 Agent 已经过了比"谁的模型聪明"的阶段，进入比"谁的执行系统稳"的阶段。

第二，央企做 AI 的真实优势不在模型，在验证环境。 2 万员工贡献 5.6 万个技能构成的内部用户池，是创业公司花钱也买不到的测试场。这套"内部先跑通、再对外输出"的路径，可能会成为政企 AI 产品的一条标准打法。

第三，读任何厂商评测稿，先做三件事：查信源性质、拆数据口径、找它没说的部分。 这篇稿子里的 120 万用户、400K 上下文、降本 40%，都需要用这三个动作过一遍。

---

附：主要信息来源

一手/官方

• IDC《中国企业级通用Agent产品技术评估》报告摘要（文档号 CHC54893926）— idc.com
• IDC《企业 Agent 如何落地？COMPASS 七维方法论与 MarketGlance 选型参考》
• 天翼 AI 开放平台 TeleAgent 产品页 — teleai.com.cn
• 每日经济新闻《中国电信星辰超级智能体 TeleAgent 注册用户破百万》（2026-09-16，媒体开放日现场）

交叉验证来源

• DoNews《IDC 发布 Agent 评估报告：中国电信 AI 全栈能力再获权威验证》（2026-09-16）
• 极客公园《TeleAgent 星辰超级智能体获 IDC 综合第三，任务表现达到满分档》
• 大模型之家《IDC 发布企业级通用 Agent 报告：TeleAgent 星辰超级智能体综合第三》
• 光明网科技、新浪财经同题报道（2026-09-17）

行业与竞品

• 36氪/中智观察《字节豆包工作、腾讯 WorkBuddy、阿里千问办公体验手记》（2026-08-26 时间截面）
• QuestMobile AI 效率办公赛道数据、财联社办公 Agent 三强报道
• 中国企业级 AI 智能体市场规模测算（2025 年 212 亿 → 2026E 449 亿 → 2029E 3320 亿）

站内延伸阅读

• 《控制流归谁，上下文给谁：Agent 工程的四条第一性原理》
• 《大模型能力提升路线图：从"堆参数"到训练全栈 + 外层程序》
• 《RSI vs 智能体自进化：同一个闭环，两种野心》
• 《当 1,200 个智能体自己建了留言板：OpenAI–Hugging Face 事件技术全解》

关于未公开项的处理：IDC 报告的第一名（7.30 分）与第二名身份、11 款参评产品名单，截至本文写作时（2026-09-17）在所有公开渠道均未披露。本文不做推测，仅标注事实缺口。