文章实测了昆仑万维的「天工超级智能体」，强调其通过更结构化的设计提升Agent实用性。亮点包括意图澄清机制、Deep Research与MCP方案结合，及Office三件套的高效输出。该Agent在文档、PPT、表格生成等办公场景表现亮眼，还支持导出、编辑和溯源，提升交付物可用性。
昆仑万维全新升级了原有的 Chatbot，发布了他们通用 Agent 新品「天工超级智能体」。
官方产品特性如下：
为了提升 Agent 的落地效果，「天工超级智能体」（下文简称天工）扎实地做了不少垂直能力封装与人-AI 交互打磨，值得尝试。
我也第一时间进行了实测，特别在输出办公场景的产出物时，效果颇为亮眼。总结产品亮点如下：
本文将通过 全套完整产品分解，外加额外 3 项测试，带你速通对打工人来说，更务实、能用、易用的「天工超级智能体」新品。
虽然“世一Agent” Manus 曾说，Less structure，more intelligence. 😏
但「天工」用产品回应：在一个可落地、实用向的 Agent 中，这两者并不冲突。
甚至现阶段 Agent 反而应该考虑用 More Structure，换来 Better Performance。
为了方便理解为什么说「More Structure，Better Agent」，先让我们以一个任务为例，理顺「天工」的整体设计理念和产品亮点。
打开「天工」首页，不难看出除了「通用 Agent」模式外，文档、PPT、表格三种产出场景，被一一封装为了单独的模式。
输入任务如下：
选择 PPT 模式，Prompt：请向我汇报 openAI 这家公司的完整发展路线
输入这个任务后，Agent 首先向我寻求信息补充：
左「天工」，右「Manus」
和现有多数 Agent 补充信息的方式不同，「天工」把 AI 需要用户澄清的问题，封装为了更加可视化的选项表单。根据问题类型，分类使用“必填”符、文本框、单选等 UI 交互样式，简化了人类用户面对「补充问题」环节的阅读与回复步骤。这当然不算什么技术突破，但通过更多的交互样式的封装，「天工」给出了当下最自然、顺手的意图澄清方式。
*猜测实现方式：
1. 先通过 Agent 内封装的 Prompt，要求 AI 按特定格式，输出需要用户澄清的表单文本；
2. 再由前端将其渲染为可视化的表单。
「天工」的 Agent 设计，整体采用的是 Deep Research + MCP 方案：
通俗来说，Deep Research 是一种能让 AI 自主规划任务步骤的顺序，并根据中间执行过程的反馈，动态调整后续任务计划的 Agent 能力。而 MCP 则是通过统一 AI 协议，为 AI 提供若干的工具，使其拥有访问世界信息、文件读写等能力。（对于天工来说，会涉及到：联网搜索、网页浏览、PPT 生成、文件写入等不同工具）
在接收到用户的补充信息后（如果超时不回复，AI 会自动执行），「天工」会规划一份「待办清单」，交由用户确认。
用户也可以在此反馈，修改任务步骤。
同时，这也是 Agent 在通过任务分治，提升子任务完成质量，在长程执行中记住任务目标的手段。
随后，「天工」就开始按照规划，使用工具，逐步执行任务。
在任务的准备步骤完成后，则会根据要求，生成用户所期望格式的成果。
除了通用生成外，「天工」单独提供了「文档、PPT、表格」Office 三件套生成模式。（客观来说，生成效果确实很不错）
我们选的是「PPT 模式」，所以 AI 会调用专门的ppt_agent工具。
可以看到昆仑单独开发了ppt_agent，调用「生成 PPT」MCP 工具，规划 PPT 的内容大纲。但不确定是通用 Agent 直接调用了 MCP，还是通用 Agent 里又套了单独的ppt_agent子 Agent。
然后再基于「大模型可视化输出」的方式（AI Coding + Artifact 渲染），逐页生成每页 PPT 的页面内容。
整个任务，从开始到结束，耗时约 10 分钟，最终样式是这样的：
作为报告汇报类 PPT，这个效果确实很棒，可用性很强。（至少给我 2 天时间，要完成调研并古法手作出这个信息密度、设计质量的 PPT，还是够呛）
使用 Html 生成样式，这个方案其实在去年 9 月的时候，我就用在了「社交名片 Prompt」上，也算带火了国内大模型可视化输出的用法。
但要稳定输出几十页的 PPT，还保证样式契合内容，是需要产品团队花不少精力做工程化的。
PS：昆仑后续也会把这套 Deep Research Agent 框架，以及生成 Office 三件套的 MCP 工具都开源出来。
此外，「天工」还提供了三个不太 AI，但很刚需的“普通”功能：
第一：支持了不少导出格式
PPT 可导出为 PPTX、PDF；Word 可导出为 DOC、DOCX、PDF；Sheet 也可直接下载。
第二：可在线编辑
在 Agent 对话界面，都可以直接编辑 Word、PPT 文案，保存后再下载的就是新版本。这点足以让 Agent 替你打工的结果更加可用了。
第三：文档内可精准溯源信息来源
AI 在生成结果时，往往引用了大量外部信息，但难免引用到错误信源，或有生成的幻觉。导出 Word 后也不注明原始来源，用户都需要校对一遍才敢用。
天工比较“讨巧”地先以 Html 预览的格式，在 Word、PPT 报告中增加了“溯源模式”。
可导出、可编辑、可精准溯源，确实更符合当下 AI Agent 仍需与人协作、修正完成任务的现状。
在这种双向奔赴的 人-AI 协作模式下，可以大幅提升现阶段 Agent 的可用性。
另外，我也测试了其他几个常见任务的表现，方便大家评估自己工作中如何使用好这个 Agent。
整体来说，表现可圈可点，在大部分没有严格要求 or 独特背景信息的工作场景中，用户都应该能找到不少 人-AI 协作的形式。
1）文档 Agent：深度调研，输出图表报告
任务 Prompt：我在规划制作一个 AI 相关的付费专栏，调研 lenny’s newsletter 的发展历程与内容、商业化体系的设计
在基于 Deep Research 的结果输出的文档报告中，「天工」能够自动根据每段信息的类型，插入相当匹配的图表，提升重点信息的可读性与专业感：
从这图文并茂的结果呈现来看，是 Gemini Deep Research 从来没给我过的惊喜。昆仑的产品团队确实更像（啊不，更懂）打工人。
2）表格 Agent：整理信息，表格统一输出
当 AI 能够将搜索、生成结果，以表格形式输出时，就会有很多不同的用法，就像有个“下属”帮你联网、查阅资料，整理制表。
比如让「天工」收集最近 Google i/o 大会的全部新品信息，整理表格：
任务 Prompt：请分析 2025 年 Google i/o 大会发布的全部新品，请生成发布分析表
整体信息归纳、分析的还是相当全面。提供的配套分析，也有其实用价值：
另外，以往出去旅游时，我也常用表格方式，进行日程管理。这次也尝试让「天工」帮忙规划旅游日程表：
任务 Prompt：我想去南昌旅游，2 天 1 夜，从杭州自驾出发，想要尽可能吃当地的美食和游玩标志性景点。请你给我生成旅游日程表
接到任务后，AI 就使用网页搜索，收集了大量“杭州到南昌”的自驾游路线信息，规划行程路线。
最终输出为预期的表格样式，还包含了景点、餐厅、住宿等信息：
能够更加一目了然的为 J 人出行提供信息便利。（一个更实用的用法：如果事前已经有自己的出行、住宿等目的地的大致安排，也可以直接把文件传给 AI，让 AI 基于你的规划，替你整理对应的出行表）
3）通用 Agent：设计→网页→视频
最近 Lovart 等设计垂类 Agent 也火了起来，不妨也看看「天工」在这类任务下的表现。
任务 Prompt：设计修仙世界中的 1 个火柴人升级的形象，分别展示其从筑基期到渡劫期渡劫的动态形象，人物主体不变，但根据等级阶段，展示不同契合等级的服装、道具、技能、姿态
AI 先依次生成了各个等级的火柴人形象（别说，还挺有模有样的）
然后整理出了一个完整的「火柴人修仙进阶之旅」的形象网页，并配有文字解说与动态视频形象预览：
生成结果页面见：https://www.skywork.ai/share/v2/website/1925040507609272320
另外，也让 AI 把 5 个阶段的视频都做了出来，支持生成 BGM 音频。
手动拼合加字幕如下。在没有更多要求的情况下，输出这样的产物，在现在的通用 Agent 中已经属实不错：
Btw：测试时遇到了一个小问题，目前视频处理 MCP 工具，必须要有 BGM，才支持拼合视频；任务交互轮次过长时，上下文记忆也会有所损耗。官方已经在加紧修复。👉 为什么要 More Structure ？
昆仑万维用「天工超级智能体」给出了一个他们的产品主张：
在通往 AGI Agent 的漫漫长路上，现阶段不妨用更多的“结构化”，换取高频场景下实实在在的“可用性”。
这确实很聪明。
通读全文，不难发现「天工」在追求 Agent 的“能用、好用”上下了不少功夫：交互的“结构化”：意图澄清的选项表单化，本质上都是在降低用户的理解与反馈成本，降低 AI 的跑偏风险。这比让用户和 AI 玩“我想你猜”的游戏要高效得多。垂直场景能力的“结构化”：Office 三件套的 Agent 模式，是在办公场景的特定的输出方式，不再指望一个“通用”Agent 完美地输出全部成果。对高频场景的垂直深耕，更能快速提升用户体感。交付的“结构化”：可导出、可编辑、可溯源，这些看似“不那么 AI”的工程化努力，恰恰是好用的关键。它让 AI 的产出不再是“一次性用品”，而是可以被信任、被迭代、被整合的“协作过程”。
这种「More Structure」的思路，本质上是以牺牲一定的“通用性”、“随机性”可能带来的上限，来换取特定场景下“确定性”和“易用性”的提升。
在当前 AI 生成结果并不稳定的阶段，这无疑是一条更稳妥、也更容易快速获得真实用户认可的商业路径。
它绕开了纯粹追求模型智能的“军备竞赛”，转而聚焦于如何通过产品化和工程化的手段，更好地服务用户的痛点。
人类社会的工作职责、产出物的要求，本就滞后于 AI 发展。
如果说「Less Structure」追求 AI 无限的智能进步空间，那么「More Structure」则是基于人类现实需求的稳定落地方案。
两者并不冲突，而是现阶段 Agent 落地必然要使用的互补手段。
「天工」的尝试再一次印证了明确的信号：
Agent 的竞争，已经从单纯的模型、记忆管理的比拼，进一步走向了更深的场景理解、产品打磨和工程实现。
我也期待看到「天工」在未来如何逐步解开这些“结构”的束缚，向着更理想的 AGI 助手形态迈进。
但在此之前，能让我在需要出文档、PPT、表格时，有一个“不用多教的下属”，这本身就是一种进步。
——More Structure，Better performance.
「天工」共有两个版本，请使用电脑体验，入口如下：海外：https://skywork.ai国内：https://tiangong.cn
注册的新用户一次性赠送 2500 积分，每天赠送 1200 积分。（按照我的测试 case 消耗来看，如果是 office 三件套 的生成场景，基本一个简单任务在 300～800 积分。）
对了，无需邀请码～几个月了，终于有款产品不用吭哧吭哧四处找“码”才能使用了 😏
本文由人人都是产品经理作者【一泽Eze】，微信公众号：【一泽Eze】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。