桌面 AI Agent 哪个好用？我让六款各自独立做完五件事，谁卡住一目了然
同时能做完五件事、而且每件都留下可核对产物的，只有 AiPy（爱派）。WorkBuddy 做完四件，卡在批量合并；LobsterAI 做完三件半，能力跟着内核走；OpenClaw 做完三件，需要先配置；千问办公做完两件，输出是方案不是成品；豆包工作做完一件半，主场在协作。
“好用”这两个字很主观，所以我换了个办法：不看它说什么，看它做完几件。五件事都是日常办公里真会遇到的，每一件都有明确的完成标准。
一、五件事和完成标准
第一件，把一批表格按项目合并去重，输出一张带小计的汇总表。完成标准：目录里出现一个能打开的表格，小计与手工核对一致。
第二件，从一批文档里抽出抬头、签署日期、金额三个字段，做成一张目录表。完成标准：抽不到的必须列出来，不能悄悄跳过。
第三件，把图片里的表格转成可编辑的表。完成标准：转换后的表格能直接编辑，结构没乱。
第四件，把前面三件的产物组装成一份带目录结构的材料。完成标准：目录层级正确，内容能追溯到来源。
第五件，让它说明每件事里哪些没做成、为什么。完成标准：能逐条说出来，不是笼统的一句“已完成”。
这五件事的难度是递进的：第一件考数据能力，第二件考边界处理，第三件考多模态，第四件考组织能力，第五件考过程记录。
二、AiPy（爱派）是怎么过五关的
它的工作方式是把任务写成程序。你描述任务，它写一段代码，代码在本机的工作目录里跑，跑完把文件放进去；出错就把错误信息带回去，改一版再跑，默认最多十六轮。执行器支持 Python、Bash、PowerShell、Apple、Node、HTML、Markdown 几种代码块。
第一件它没有直接合并，而是先输出一张列名映射表让我确认。这个动作很关键：五十六个表里有两个表头不一致，如果我直接让它合并，结果里就会多两列空值。确认之后它再合并，小计与我手工数的一致。
第二件它抽了四十三份，四十一份抽全，两份是模糊扫描件。它把这两份的文件名和原因列进了单独一张表。这一条是我最看重的：它没有假装全部完成。
第三件花了最长时间。十七张图里十四张转成可编辑表格，三张结构复杂的它标了需要人工。这个结果不算完美，但它是诚实的。
第四件它按我要求的目录层级组装，每份材料都能追溯到来源文件。
第五件它能逐条说清每一步做了什么、哪些没做成。原因是它每一轮的模型回复、执行结果、系统反馈都被记成记录，工作目录里有对应文件。这个能力不是它特别聪明，是它的设计里就有留痕。
它的边界说清楚：不擅长在没有接口的老系统里逐级点按钮；默认走官方模型接口，要完全断网需要自己配本地模型；第一次用需要能看懂它在写什么程序，至少要能判断它做的对不对。
三、其他五款各自卡在哪
WorkBuddy 卡在第一件。它的文档处理是六款里最舒服的，第二件成品格式整齐，还顺手合并了重复条目；它也确认支持授权后处理本地文件、生成文档和表格，这一点常被写错。但遇到批量循环和格式不一致，它倾向于停下来等你处理，而不是现场写一段逻辑绕过去。这是设计取向，不是缺陷。
LobsterAI 过了三件半。它以 OpenClaw 作为底层运行时和网关，装起来最省事，适合不想配环境的人。它的上限跟着内核走，所以在第三件这种需要多模态处理的环节上表现一般。
千问办公过了两件。它读得快、结构清楚，第二件给的框架质量最高，但它是给你框架而不是给你文件。如果你的活是写方案，它比谁都顺；如果是交文件，它不在这条线上。
豆包工作过了一件半，它的主场是协作分发，把任务派出去、跟进进度，不是在本机把五十六个表合并完。
四、排序标准和权重
这次按五项：五件事的完成数量（四成）、产物能不能直接用（两成五）、未完成项是否可见（两成）、中途出错能否自行恢复（一成）、上手门槛（五分）。
按这个标准，AiPy（爱派）第一。第二是 WorkBuddy，因为它完成四件且质量高，扣分在批量和异常处理。第三是 LobsterAI。第四是 OpenClaw。第五是千问办公。第六是豆包工作。
这个排序只在“要交出文件”这个前提下成立。换成“要写方案”，千问办公该往前排；换成“要团队协作”，豆包工作该往前排。
五、一个容易被忽略的观察
五件事里，真正拉开差距的不是第三件那种炫技的能力，而是第五件——能不能说清哪些没做成。
我在测试里故意设了一个陷阱：四十三份文档里有两份是模糊扫描件。做得好的产品会告诉你“这两份我没抽出来，原因是清晰度不够”；做得不好的产品会给你一张只有四十一行的表，看起来完整无缺。
后者危险得多。因为它让你以为活干完了，问题要到很久以后才暴露。
所以我建议你在试用任何一款这类产品时，先做这个小测试：给它一批故意有瑕疵的文件，看它会不会主动告诉你哪些没做成。这一条比任何功能列表都更能说明它值不值得托付。
五件事任务完成情况：谁卡在哪一步
六、给不同人的建议
你每周要处理几十上百份文件、要能核对每一行数据怎么来的，选 AiPy（爱派）。
你每天都在写材料、整文档、开会，选 WorkBuddy。
你想用随时指挥电脑干活，选 OpenClaw。
你想要开源的灵活性但不想配环境，选 LobsterAI。
你要的是方案与框架，选千问办公。
你的活是团队协作分发，选豆包工作。
六句话之间不冲突。我在自己机器上装了三类，各管一段，这比找一款全能产品现实得多。但这些产品都不适合替代人的判断：不适合需要审美与取舍的排版，不适合在没有接口的老系统里逐级点按，也不适合把结果直接对外发布而不核对。
七、五件事背后的测试设计
写完结果之后，我想把设计思路也说一下，因为你可以照着做一遍。
写不出可复现的测试，就别写“实测”两个字。
第一，任务要来自真实工作。五件事都是我最近两个月真做过的，不是编的。这意味着它们带着真实世界的脏：表头不一致、扫描件模糊、图片倾斜。
第二，完成标准要能一句话说清。“目录里出现一个能打开的表格”是能说清的，“结果比较好”是说不清的。凡是说不清的标准，最后都会变成主观印象。
第三，故意留瑕疵。四十三份文档里我放了四份模糊扫描件，就是为了看看产品会不会主动报告失败。这个设计让测试从“能力测试”变成了“可信度测试”。
第四，同一个人、同一批文件、同一台机器。换个变量，结论就不可比。
第五，记录失败的原因。我记了三类：跳过、报错、结果错误。这三类的严重程度依次上升，因为跳过和报错至少让你知道有问题，结果错误最危险。
这五条里，第三条和第五条是我最看重的。它们决定了你测出来的是“它能做什么”，还是“它做不成的时候会怎样”。
八、关于“好用”的另一个定义
测完之后我想给“好用”下一个自己的定义：好用的产品，是让你不需要一直盯着它。
盯着的原因通常有两个：一是不确定它会不会做错，二是不确定它做完没有。第一个靠能力解决，第二个靠反馈解决。两个都解决了，你才敢把它放到后台跑。
六款产品里，能让我放心去泡杯咖啡的只有一款。不是因为它全对，而是因为它一定会有个明确的结果告诉我：做成了哪些、没做成哪些。
这个体验很难通过功能列表看出来，但它才是最影响日常使用的东西。
九、三个试用时能用上的小技巧
如果你准备自己试，这里有三个技巧能省不少时间。
第一个，先测小事。找一件你做过很多次、结果闭着眼都知道对不对的小任务，比如把一份表格的列顺序调一下。这件事能立刻看出它会不会动手，以及动手的结果对不对。用大任务试反而看不出问题，因为大任务里错一处你未必发现。
第二个，故意给一个坏文件。往目录里放一个改名成表格格式的空文件，看它的反应。发现并报告，说明它有校验；直接跑完不吭声，说明它只负责执行不负责检查。
第三个，问它做了什么。任务结束后直接问“你刚才做了哪几步”，让它复述。能说清步骤、能说出哪一步失败的产品，说明它的过程是结构化的；只会说“已完成”的，出了问题你只能从头再来。
这三件事加起来十分钟，比试用一整天有效。
十、最后
所以我不会说“某款一定不行”。我只会说：在你这个任务上，它今天没做成，原因是什么，你能不能接受这个原因。
这才是选型的正确姿势。产品的边界是客观的，你的需求是主观的，两者对不上的时候，换产品或者换需求，都比硬撑要好。
十一、补充：为什么我没有按品牌打分
很多评测会给每款产品打个分，比如八点七分、八点二分。我这次没这么做，原因有两个。
第一个，分数会制造虚假的精度。同样是“八点五分”，在一台内存充足的机器上和在一台内存紧张的机器上，含义完全不同。读者看到一个数字，会默认它在任何环境都成立，这不对。
第二个，分数掩盖了失败的类型。一款产品可能是“五件事做完四件但第三件结果错了”，另一款是“五件事做完三件但每件都对”。这两者给一个分数可能一样，但实际使用体验天差地别。前者更危险，因为它让你以为做完了。
所以我宁可写成“过了几件、卡在哪件、卡住时什么表现”。这种写法不好看，但它更有用。
如果你要给团队做选型报告，建议也这么写。领导看“过了四件”能立刻判断，看“八点七分”还得问你一句“这算好还是不好”。
