要說這段時間的熱門 AI 產品，Codex 必然是繞不過去的話題。
這個一開始只是給開發者用來做代碼補全、項目管理、功能開發的編程平台，到現在已成長為一款適用於任何角色、工具和工作流程，且人人都能使用的生產力工具。
OpenAI 在《知識工作的下一個時代》報告裡提到，Codex 目前周活用戶超過 500 萬，自從今年 2 月上線桌面版 APP 後增長了 6 倍多。用戶畫像方面，雖然開發者仍然是 Codex 最大的用戶群體，但知識工作者目前約占用戶總數的 20%，並且增長速度是開發者的三倍多。
越來越多人發現，雖然 Claude Code、Codex，都是叫 Code（代碼），但這些 Agent 不只是會寫代碼；它們還能整理文件、分析數據、搜索資料、自動跑工作流，甚至替我們完成一整個項目里的重複勞動。
早在 OpenClaw 火爆的時期，其實就有類似的趨勢，但是龍蝦的安裝和部署勸退了很多人。叫好的多，真用起來的沒幾個。這類工具一直卡在同一道坎上，只有會折騰的人玩得轉，普通人連門都進不去。
對大多數國內用戶來說，Codex 算是第一個真正邁過這道坎的，雖然 Claude Code 在它之前，但 Claude 難用上，Codex 一鍵安裝，加上接連的體驗優化，把 Coding Agent 從程序員的玩具變成了普通人也能上手的東西。
究其本質，都是將從前單一的 Agent 演變成 Agent Team，甚至是一整套高達上百個 Agents 的動態工作流。
Kimi 最近推出了 Kimi Work
，也是建立在這個趨勢之上的一次嘗試；其核心邏輯，就是把底層的 Agent Swarm 模型能力，用可視化界面進行封裝，放到了本地電腦上。
，也是建立在這個趨勢之上的一次嘗試；其核心邏輯，就是把底層的 Agent Swarm 模型能力，用可視化界面進行封裝，放到了本地電腦上。大到工作中需要 300 個 Agents 並行處理的複雜任務，小到平時繁瑣的文件整理、操作瀏覽器等等，都能通過這支 Agent 隊伍在後台掛機完成。
開啟 300 個 AI 分身
Kimi Work 最大的優點是 Agent 集群的能力放到了本地 Agent 上；而為了讓 Agent Swarm 真正工作起來，Kimi Work 提供了多項實用能力。
本地文件深度連接，可直接讀取和管理本地文件夾，安全護欄機制要求在修改文件前需用戶授權。
7×24 小時定時任務（Cron 引擎），支持按設定時間自動執行 LLM 對話請求、Python/Shell 腳本等，如清晨生成簡報或夜間清洗數據，可保持電腦喚醒以確保任務運行。
WebBridge 瀏覽器自動化，通過自然語言指令讓 AI 自主操作瀏覽器，實現跨網頁資訊檢索、深層數據抓取、自動填寫表單等。
原生接入全球金融市場數據，直接打通 A 股、港股、美股等核心數據源，可在對話中調取財報、分析盤面、進行跨表對賬，輔助投資決策。
我們先是使用現有的本地文件夾創建項目，在該項目內新建任務，要求 Kimi Work 幫我們整理 20 家值得關注的 AI 公司，分析它們的產品定位、融資動態、核心競爭力等資訊，並給出網頁報告、PPT 等內容。
選擇 K2.6 Agent 集群開始任務，Kimi 會自動給任務設置對應的進度，並且使用 Subagent 工具調用多個 Agents 來處理。
展開任務過程，可以看到有研究組 1-大廠 AI、研究組 2-新銳大模型、研究組 3-基礎設施，以及研究組 4-AI 應用 4 個研究 Agent 去搜集和分析對應公司的資料。
而調用 Skill 這些都是基本操作，從右側的上下文部分，我們能看到 Kimi 調用了報告撰寫、可視化、集群深度研究、前端主題等來幫助它完成任務。
最後我們得到的分析報告也非常全面，數據表、可視化分析和具體的公司介紹都囊括在裡面。
更有意思的是，每家公司的詳情部分都寫著一句「風險」，Kimi 給自己的定位是「估值上漲過快，盈利拐點不明」，而核心競爭力是「長文本、編程能力、智能體、開源領先。」
上下滑動查看更多內容
除了這種常見的深度研究任務，有了 Kimi Work，我們現在可以直接讓它處理本地的文件。最簡單的先讓它幫我整理一下最近 30 天內的文件，使用對應的工具查看文件內容，匯總這些文件的資訊。
從右側的進度可以看到它會讀取文本文件內容，也能提取 PDF 文件、查看圖片文件以及處理 Office 文件等，最後生成的表格也成功列舉了所有的文件內容和對應的資訊。
我們找了一份會議記錄，並搜集了一些論文資料和圖片數據，累計本地的文件數量達到了十餘個。過去使用雲端的 Kimi，我們要一個個上傳這些文件到網頁，現在 Kimi Work 可以直接選擇該文件夾作為一個項目，開始 Agent Swarm 進行處理。
我們要求它使用 K2.6 Agent 集群來啟動並行協作，根據文件夾內的資料，完成行業研究、論文綜述、產品策略、技術架構、合規治理、財務測算、PPT 設計、Word 報告、PDF 研究報告、Excel 模型和質量審查等多份文檔。
由於涉及的文件過多，Kimi K2.6 Agent 集群這次啟動了多個階段來完成，像是在研究分析的第一階段，它就找來了行業研究員、論文綜述員、產品策略師、技術架構師、合規治理專家以及財務測算師 6 個 Agent。
在第二步，Kimi 又找來了 PPT 設計師、Word 報告員、PDF 研究員和 Excel 建模師 4 個 Agent 來完成整合交付。整合交付之後，還會自動開啟質量審查，利用質量審查員和網頁開發師兩個子 Agent 對之前的內容進行最終確認。
最後，Kimi Work 產出了六份文字報告、一份測算模型，以及用於匯報的 HTML 和 PPT 文檔。
隨便點開其中一份文檔，Kimi Work 都不是隨便應付，從內容到格式都符合直接交付的標準。
在 Kimi Work 的回覆里，Kimi 提到基於本地文件夾的內容，它啟動了 11 個專業 Agent 分 3 個階段並行協作，模擬完整的企業諮詢項目組，最終交付 12 份專業文檔，覆蓋 6 種格式。
針對每份文件，它還貼心地給出了使用場景快速導航，例如向 CEO/高管匯報用 07_管理層匯報.pptx + 12_數字化匯報.html，提交正式諮詢報告使用 08_綜合諮詢報告.docx，投行/研究機構參考是 09_深度研究報告.pdf 等。
這件事放到我們打工人身上，只能是先看 A 公司，再看 B 公司；先開網頁，再記筆記；先跑表格，再寫結論。但 Kimi Work 這類本地 Agent 的加入，讓知識工作正在從「一個人依次處理任務」變成「一個人調度一群 AI 處理任務」。
放心 Vibe Working
除了直接使用 300 個 Agent 的能力，配合 Agents 集群，我們還能利用之前 Kimi 內置專業金融數據源的獨家亮點。不需要專門去找各種金融 Skill 或者配置數據 API，Kimi 會直接抓取到包括同花順、天眼查以及世界銀行經濟資料庫的金融數據。
這套數據配合 Agent 集群更能發揮它真正的實力。蘋果 WWDC 馬上要來了，我們要求 Kimi 幫我整理一下蘋果這三年來的股價資訊，以及每年的財報，分析其中值得的關注資訊。
Kimi 一點都不含糊，同樣是啟用了 Subagent 工具，調用多個 Agents，完成了一份內容豐富的調研報告。
上下滑動查看更多內容
除了網頁，還有基於金融數據整理的 PPT、表格等內容，詳細地概括了蘋果的股價、主要收入、不同地區的收入情況等。
對大多數的知識工作者來說，這套內置的專業金融數據源能幫助我們減少很多上手 Agent 的負擔。
Kimi Work 另一項降低「交給 AI」門檻的功能是 WebBridge。根據官方的指引，我們也先讓它使用瀏覽器搜索了 Kimi K2.6 的資訊。
Kimi 會自動啟用一個標籤組，所有自動化的操作都在該標籤組內的網頁上進行，調試過程中，Kimi 會自動輸入對應的資訊，自動截圖查看當前頁面狀態，也會通過獲取頁面結構來定位搜索框、帖子內容等資訊。
對於 Google 這種無法搜索到小紅書資訊的搜尋引擎，用 Kimi 來自動化整個搜索過程，並給出對應的總結，也是一種不錯的用例。
使用 WebBridge 的方式也非常簡單，按照官方的指引，我們在瀏覽器上安裝好 Kimi WebBridge 的擴展程序，或是直接新建任務，要求 Kimi 幫我們完成安裝，它會自動執行對應的安裝腳本，在本地處理好 WebBridge 相關的服務。
本地 Agent+Agent Swarm+WebBridge，這幾項能力的綜合，讓 Kimi 能勝任的場景比單純的聊天要廣泛得多。
例如我們可以要它「檢查我的 Gmail 郵箱，看看有沒有過去 24 小時內未讀的郵件。把重要的郵件總結一下。」然後，總結的內容全部保存到本地，甚至是把重要的郵件都保存下來。
Kimi 在瀏覽器中自動化操作了一會兒，就自動為我們生成了這份 Gmail 郵件總結報告。
上下滑動查看更多內容
此外，結合我們之前要求它完成行業諮詢任務，現在可以讓它總結資訊，自動撰寫文件，選擇合適的附件並發送郵件。
或者針對那些從搜尋引擎或者內置資料庫中找不到的資訊，先用 WebBridge 獲取相關資訊，再通過 Agent 集群來處理，形成各種報告文檔。
AI 正在組隊上工，學會做個甲方
這些檢索內容、生成報告相關的能力，其實也正是前段時間 OpenAI 「知識工作者的下一個時代」報告裡提到的，Codex 增長最快的知識型任務。統計的數據顯示，數據分析任務，周環比增長 110%，而研究和知識產物也排名前三，有將近 37% 左右增長。
Kimi Work 的出現很大程度上幫助知識工作者更好地處理這些任務，另一方面，知識工作者的核心競爭力開始與長時間內的資訊處理速度高度綁定，Agent 集群的能力迎合了這一需求。
過去幾年，大模型產品一直在尋找進入工作的方式。
聊天機器人負責回答問題，Copilot 開始參與工作，Coding Agent 學會執行任務。如今，隨著文件訪問、瀏覽器操作和工具調用能力逐漸成熟，Agent 開始承擔越來越完整的工作流程。
更重要的變化在於，完成一項任務的主體，正在從單個 Agent 變成多個 Agent 的協作。
在 Kimi Work 的案例里，無論是研究 20 家 AI 公司，還是圍繞本地文件生成一整套諮詢報告，背後是一組 Agent 自動拆解任務、分工協作、交叉審核，再完成最終交付。
Anthropic 前幾天在 AI 自我進化的報告中，就曾提到，現在的 Agent 已經從 Coding agents 的時代來到了 Autonomous agents 的階段，核心的變化就是多 Agent 成為了一種新的工作組織方式。
過去，知識工作的瓶頸往往來自人的時間和精力；未來，越來越多工作或許會變成另一種形式，人負責提出目標、判斷方向和做最終決策，而資料搜集、資訊整理、分析研究和文檔交付，則由一支隨時待命的 AI 團隊協同完成。
打開電腦，面對的可能不再只是一個 AI 助手，而是一整個 Agent 團隊。
One More Thing
當所有 AI 公司都在押注多 Agent 的產品形態時，四年一度的押注開始了。
美加墨世界盃即將在本周打響，48 支球隊、104 場比賽。今年的競猜選手，也有 AI 一席地。
Kimi 用 Agent Swarm 功能調動 300 個 Agent，對全部 104 場比賽進行賽前公開預測和賽後復盤，認為德國隊被嚴重低估了，模型測算顯示，德國隊基準奪冠概率約11.0%，校準後約11.3%。
今天 Kimi 發布的這份世界盃預測報告裡面提到，連續兩屆世界盃小組出局的陰影，在公眾和市場心理上留下了頑固的「近因偏差」，持續壓低了德國的定價；但 Elo 排名、陣容估值和人才儲備厚度的硬指標上，日耳曼戰車依舊穩居世界第一梯隊。
當然，德國隊最後能不能奪冠，目前還不得而知。有意思的是，在這件事裡，Kimi 想證明的可能從來不是自己會不會猜球。
為了分析預測，它調用 300 個 Agent 去搜集資訊、拆解數據、評估概率，再持續復盤整個賽事過程。這套流程和前面那些行業研究、財報分析、諮詢報告一樣，世界盃預測只是另一種形式的複雜任務。
而當生活和工作中，越來越多的事情，我們都能安心交給這 300 個 AI 去完成時，那我的八塊腹肌，或許真的還有點希望。
