7月，ai领域的关键战场突然升温。
10日凌晨，奥特曼重新排兵布阵，正式推出新版ChatGPT桌面客户端。原本独立运行的Codex被整合进新界面，化身为一个标签页，稳稳嵌在“Chat”与“Work”之间。
表面看只是几处功能调整，实则暗藏战略转向。
新版桌面端的三大标签，几乎勾勒出OpenAI下一阶段的核心作战图谱：
- “Chat”延续过往对话入口定位；
- “Codex”直指开发者终端，锚定编程场景；
- “Work”则剑指表格、文档及企业办公流程——曾经只驻守聊天框的ChatGPT，如今正大步迈入用户电脑桌面，化身工位助手，在编码与办公双线同步发力。
奥特曼显然坐不住了。这场围绕coding与办公场景的争夺战，已烧至自家门口。
最棘手的对手，当属Anthropic。
其Claude Code起初仅被视为又一款编程辅助工具。但到了4月，Claude Mythos在SWE-bench评测中斩获93.9%的高分。该榜单要求模型深入真实GitHub仓库，修复那些曾让人类程序员焦头烂额的历史Bug。
程序员迅速涌入。Claude Code由此大规模接入企业代码库，承接真实项目，牢牢占据开发者的终端入口。
尝到coding红利后，Anthropic顺势将同一套打法复制到办公领域：Claude Cowork全面接管表格处理、文档撰写与企业级流程自动化。这条战线任务链条更长、用户基数更大，也正是OpenAI“Work”标签所瞄准的核心阵地。
凭借coding与办公Agent撕开的商业化突破口，Anthropic的ARR（年度经常性收入）从年初140亿美元飙升至470亿，估值随之暴涨至近万亿美元，反超OpenAI；其企业市场份额达34.4%，同样实现反超。当多数AI公司仍在商业模式上苦苦挣扎时，Anthropic已率先赢得市场信任。
不仅如此。在商业数据之外，奥特曼们也察觉到更深层的威胁。Anthropic撬动的，远不止一座“金矿”，它甚至可能重塑整个AI竞争格局。
1、一笔每日滚动的复利
比金矿更珍贵的，是“错题本”。
在Claude Code这类产品中，程序员每一次采纳、拒绝或手动修改AI生成的代码，都可能沉淀为一条极具价值的行为反馈信号。
GitHub上沉淀的代码，是凝固的终稿；而编辑器中实时流动的操作，则完整记录着代码诞生的过程。前者告诉模型“最终写成了什么”，后者却可能揭示：“你错在哪？人类为何不接受？又是如何把你修正的？”
换言之，谁能率先攻占此类高价值场景，谁就能让用户一边付费使用，一边持续贡献优化下一代模型的真实训练信号。这正是Anthropic令全行业眼热的关键所在——它掘出的不仅是一门生意，更是一台自我加速的引擎：数据飞轮。
数据飞轮的逻辑并不复杂：更强的产品 → 更多用户 → 更多纠偏行为 → 更优模型 → 更强产品。但并非所有场景都能真正启动这一循环。
首先，它必须扎根于一门真正值钱的生意。
AI把段子写得更有趣，用户一笑而过；AI帮企业修复一个Bug、压缩一条审批链，老板却能清晰算出节省了多少人力成本。只有企业持续买单，产品才有机会积累足够规模的用户与任务量。
其次，反馈信号必须足够强劲。
例如代码天然具备高纯度对错判据：能否编译成功、测试是否通过，结果一目了然。办公场景虽无如此干净的“判卷器”，但任务链更长、交互点更密。一次季度销售分析，需拉取数据、编写公式、调整表格、制作汇报、发送邮件——AI在哪一步出错，用户就在哪一步暂停、撤回或手动重写。整套流程走完，沿途可能留下十几个可追溯的反馈节点。
而到了2026年，这类信号对下一代模型愈发稀缺。
过去五年，行业共识建立在一条朴素公式之上：更多算力 + 更多数据 = 更强模型。但如今，这套Scaling Laws正出现裂痕。前OpenAI安全副总裁翁荔近期连续发文提醒：Scaling Laws从未承诺模型性能可以无限期地线性增长。
更现实的瓶颈在于，公开互联网中的高质量语料正快速枯竭，且留存内容多为成品。一份精美报告不会附带被删掉的五版草稿，一段正确代码也不会记录程序员此前踩过的所有坑。
真实工作流恰恰保留了这些“过程痕迹”。因此，coding与办公场景的价值，早已超越市场规模本身。AI每完成一次真实任务，就可能收获一次自我进化的契机。模型、产品与用户由此进入同一闭环：产品承接任务，任务产生反馈，反馈驱动模型进化，更强模型再承接更复杂任务。
一旦飞轮转动，本轮积累的模型能力、用户基础与行为数据，便自动成为下一轮竞争的起跑线。
飞轮加速之后，后来者追赶难度陡增。若想复制Anthropic的coding飞轮，至少需同时具备三要素：一个程序员愿托付核心工作的模型、一款深度嵌入工作流的Agent产品，以及一套能把用户行为精准转化为评测指标与训练素材的技术系统。
正因如此，硅谷巨头纷纷押注这场战争。
不久前，马斯克向代码编辑器Cursor豪掷600亿美元，投资圈惊呼“疯了”，但硅谷很快给出了理性解读：他要的不是编辑器本身，而是全球程序员每一次敲击键盘的声音。
扎克伯格则选择更激进路径。Meta一面计划部署7GW算力，并将在明年翻倍至14GW；一面将新模型定价压至竞争对手的四分之一。低价并非终极目的，而是为了让更多Agent搭载Meta模型，进而渗入更广泛的办公流程——屏幕上的点击、犹豫与撤回，才能源源不断地转化为训练燃料。
模型领先的优势随时可能失效，但飞轮领先，却如同一笔每日滚动的复利。这或许才是OpenAI真正的焦虑所在。它未必最惧Claude某一代模型暂时胜过GPT——模型总有追赶机会；它真正担忧的是，Anthropic已在高价值工作流中构建起完整闭环，而OpenAI尚缺一条同等成熟的数据通路。
不过，真实工作流只负责产出原始“矿石”，并不会自动冶炼成可用训练数据。如何将混乱、模糊甚至彼此矛盾的用户行为，提炼为模型可吸收的经验，才是飞轮最难搭建的一环。
这一步，取决于一层看不见却至关重要的基础设施：harness。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
2、Harness：炼金术的核心
Harness是什么？简而言之，就是驾驭大模型落地真实场景的一整套系统。它负责拆解复杂任务、调度外部工具、校验输出质量，并将每一次失败转化为可复用的经验，送入下一轮迭代……
在最近一篇技术博文中，翁荔对AI近期自我进化路径作出判断：改进未必始于模型权重的直接更新，更可能率先发生在Harness层。
换句话说，即便模型参数暂未变动，围绕它的运行系统仍可先行升级。模型没变，任务成功率却可能显著提升。成熟的Harness还会主动识别模型短板，为下一代模型定制评测题目与训练样本。
WorkBuddy 会议助手——会议价值不该散会就流失。它把会议的采集、提炼、确认、分发串成一条流水线：从腾讯会议 / IMA / 企业微信多端取料，按 15 类场景模板自动提炼成结构化纪要，你过目确认后一键分发到钉钉、飞书、腾讯文档或企业微信。全程由 workflow 工作流编排驱动，只抽取不编造、先预览后推群、自动去重。 触发：「把会议纪要做一下发钉钉」「总结 IMA 里的 XX 录音」「按面试模板整理这场会」「把这场复盘发飞书」「发到腾讯文档让我手动改」「整理企业微信里的会议纪要」。 能力：腾讯
Harness thus双向连接当下与未来：一边助力现有模型把事做成，一边忠实记录失败时刻、用户修正动作，并将这些经验反哺产品与模型。二者咬合运转，数据飞轮才真正开始旋转。
而在反馈提炼环节，Harness需完成三项关键动作：
- 从海量日志中筛选出真正值得存档的操作行为；
- 判断用户为何采纳、删除或重写AI输出；
- 追踪任务最终是否达成目标。
代码场景相对明确，测试结果当场可见；办公场景则复杂得多——用户今日接受一张报表，三天后才发现公式引用错误。行为本身不会自证含义，“接受”也不等于“成功”。Harness的任务，正是将这些模糊、延迟、非结构化的动作，还原为机器可学习的反馈信号。
当然，Harness产出的经验，并非全部用于更新模型权重。部分反馈会即时触发Agent重试；部分写入用户或团队记忆；仅经用户授权、隐私脱敏与质量校验后的数据，才可能进入后训练流程。
某种意义上，Anthropic的coding飞轮之所以转得快，正因其已在该场景中打磨Harness长达两年。这才是飞轮更深的护城河：一套历经无数次真实工作流摔打、又在每次失败中持续迭代完善的Harness，短期极难复制。
值得注意的是，Harness的崛起，也在悄然瓦解过去几年业界笃信的“线性神话”。
在旧有叙事中，一切皆呈线性演进：只要堆足算力、训出更强模型，产品竞争力便会自然“溢出”，进而催生数据飞轮。
但Harness的复杂性揭示了一个真相：模型能力与产品体验之间，并非简单线性关系。哪怕拥有最强模型，若缺乏精密的外部系统来拆解任务、捕获反馈、纠正偏差，它依然无法胜任真实工作。
这一转变意外为后来者打开一道窗口：既然模型能力的溢出不再是唯一路径，那么抢占工作流、深耕Harness、构建专属数据飞轮，同样可开辟一条差异化进阶乃至弯道超车的新路。
3、飞轮从另一侧启动
这个窗口，被大洋彼岸的腾讯率先抓住。
春节后“龙虾”热潮席卷之际，其办公智能体Workbuddy突然闯入公众视野。
外界初以为是仓促上线，后续才知，在亮相之前，腾讯已默默打磨Harness多年，并率先落地编程助手CodeBuddy。2026年1月，团队基于同一底座快速推出WorkBuddy 0.01，先交付腾讯内部2000多名非技术岗员工试用，随后借势“龙虾热”迅速发布桌面版。
彼时，腾讯自研模型尚无明显优势，WorkBuddy却已率先进入真实办公场景。至3月，其PC端月访问量已达885万，迅速跃居中国同类产品日活榜首。
近日OpenAI发布ChatGPT Work后，媒体第一时间将其与WorkBuddy对标。报道普遍称OpenAI推出了类似WorkBuddy的智能体，视其为理解硅谷巨头动向的重要参照系。
对WorkBuddy用户而言，Excel拉取、长文档撰写、整套办公流程串联……成败标准极其朴素：活到底交没交出去。
2025年底加入腾讯的姚顺雨，正是看中这种真实场景。他反复强调，大模型已是一把足够通用的“万能锤子”，接下来更稀缺的是值得解决的问题，以及问题发生时的真实context（上下文）。
CodeBuddy与WorkBuddy每天产生的，正是这类问题。用户如何提出需求、模型在哪一步卡壳、人又如何修正，这些过程正逐步沉淀为混元大模型的“错题本”。
姚顺雨带队重构混元，重点强化Agent能力，同步推动模型与产品协同设计（Co-design）。Hy3训练过程中，WorkBuddy暴露出的指令遵循偏差、工具调用失误与长任务执行断点，已被纳入混元的评测体系与训练目标。经授权、脱敏与质量筛选后，部分真实反馈进入后训练与强化学习流程；新模型再回归WorkBuddy，承接更长、更复杂的任务。继而带来更好体验、更多用户、更多反馈……
Hy3 Preview接入后，WorkBuddy首响提速54%，任务总耗时缩短47%，已能稳定执行数百步流程。7月Hy3正式版发布时，其在WorkBuddy场景中的任务成功率由72%跃升至90%，平均耗时再降34%。Hy3总调用量较上一代激增68倍；在WorkBuddy中主动选择模型的用户中，六成倾向选用Hy3。
飞轮已然咬合。
这条循环亦不限于WorkBuddy与混元之间。
姚顺雨始终强调，LLM时代与传统AI的本质差异在于泛化性——模型在一个产品中习得的能力，可迁移至其他产品。元宝、ima、CodeBuddy与WorkBuddy各自产出不同维度的数据，这些数据又能交叉泛化，最终“织成一张网状体系”。
这张网络能否真正高速旋转，还取决于模型与产品团队长期对齐的深度与精度。
但路径已然清晰：飞轮不必等待模型领先才启动。
产品先行获取用户与任务，反向为模型输送真实反馈，同样可驱动飞轮逆向加速。
无独有偶，马斯克亦选择同一路径，只是他并未自建Agent产品，而是斥资600亿美元收购代码编辑器Cursor，直接截取一条高价值数据管道，并将其接入大模型Grok。
数周后，Grok 4.5正式发布。
该模型由SpaceXAI与Cursor联合训练。Cursor披露，训练数据包含数万亿Token的Cursor用户行为日志——不仅涵盖代码本身，更记录开发者如何调用工具、如何修改AI输出，以及Agent如何在真实环境中完成端到端任务。
Grok此前最欠缺的，恰恰是这类数据。
在SWE-bench Pro评测中，Grok 4.5取得64.7%成绩，同期Claude Opus 4.8为69.2%。虽尚未追平，但已稳坐同一张牌桌。真正令对手警觉的，并非单次跑分差距，而是马斯克通过一笔收购，将Grok无缝接入真实开发者工作流。
马斯克向来以微信为蓝本构想超级应用，当他携Grok 4.5重返大模型主战场，有自媒体评论道：“马斯克又一次踏上了腾讯的路……若二者真能磨合出混元与WorkBuddy般的协同效应，对Grok的拉升将不可估量。”
看到这条路的，不止SpaceX。在中国，阿里、字节亦纷纷加码：字节推出编程工具Trae对标Cursor，阿里则全力推广旗下编程平台Qoder。
无论哪条路径——Anthropic与OpenAI从模型领先出发；SpaceX以收购补足产品入口与数据通路；腾讯则一边跑出Agent产品，一边追赶模型能力，让模型与产品彼此托举、螺旋上升……路径各异，争夺的却是同一目标：切入高价值工作流，获取源源不断的真实问题，并将其转化为下一代模型的核心能力。
模型排行榜仍将频繁更迭。但当竞争下沉至普通人的桌面、渗透进日常的工作流，后来者需要追赶的，就不再仅是一次模型发布，而是对手在千万次真实任务中持续优化模型的闭环能力。这就是复利。正如投资，拉长时间维度来看，最终赢家未必押中某次最大涨幅，却一定拥有持续获取复利的底层能力。AI的竞争，亦是如此。
本文来自微信公众号“深流研究所”，作者：山杉，36氪经授权发布。
