六款产品测下来，只有一条线是真的

Meta把agent铺进十亿条对话，但只敢待在自己的院子里

2026年6月3日，Meta把AI Business Agent全球铺开，覆盖WhatsApp、Instagram、Messenger三个渠道，此前已在印度、墨西哥、巴西试跑近两年。上线时已有超过100万商家在用，累计承接超10亿条日活商业对话，能做客户咨询、产品推荐、预约排期、销售线索筛选，一路做到交易闭环——商家随时能接管对话，AI回复也会标注身份。定价从免费转向按token计费：8月1日起WhatsApp Business Platform用户每百万token收2美元，免费服务将于10月1日终止，一次典型交互约耗2-2.5万token，成本4-5美分。（Dataconomy，TechCrunch）

但一份评测把这个"十亿对话"的说法钉在了一个具体边界上：这个agent只能在WhatsApp、Messenger、Instagram里运行，邮件、电话、网站在线客服、短信一概不支持。需要全渠道覆盖的企业，还得另外看Intercom Fin、Zendesk AI、Salesforce Agentforce。（theaiagentindex）也就是说，"覆盖十亿对话"衡量的是Meta自己院子里的渗透率，不是"客服全渠道自动化"这件事已经被解决了。

ChatGPT Agent Mode：研究和整理靠谱，日程安排一测就露馅

ChatGPT Agent Mode整合了此前的浏览器操作助手Operator与长文档研究工具Deep Research，能浏览网页、操作上传文件、连邮箱文档、填表提交、改电子表格，一个任务通常跑5到30分钟。它表现最好的地方是研究项目、表格整理、重复性表单填写、文档提取；反复翻车的地方是日程安排——独立测评把日历自动化（跨时区、判断会议冲突、订出一个真正合适的时间）列为它最一致的失败点之一。一位测评者对照OpenAI自己宣传的强项（研究、Excel、PowerPoint、综合任务）逐条测下来，给出的整体评分是"大约C"——"局部是真的，但绝不普遍成立"。就连Sam Altman本人发布时都主动加了免责声明：这是实验性、前沿性产品，强大但还不适合高风险任务或涉及敏感信息的场景，用户只该给它完成任务所需的最小权限。（cybernews，aifire.co）

Perplexity Comet：65%的成功率，和一个已经堵上的漏洞

Comet于2025年7月首发，起初200美元/月订阅，2026年逐步在iOS/Android/Windows/Mac全平台免费开放。测评结果两极分化：一位早期测试者发现，它做"agent化浏览"大约65%的时候能成功——价格比对、页面摘要这类任务可靠，复杂的多步骤工作流经常失败或卡死。一份30天深度评测说得更直接：这类agent功能"极不稳定"，会陷入循环、编造信息（比如订错酒店日期）、有时比手动操作还慢，核心问题是开放网络本身"杂乱、不可预测"——每一个能被agent完美处理的网站，总有另外十个能把它绊倒。但也有一份14天测评给出更正面的结论：比价机票、填慢速供应商门户表单这类具体任务，确实省下了真实时间（总结长技术文档、识别新API平均每次能省约15分钟）。安全上，2025年8月安全机构LayerX发现过一个能外泄个人数据的"CometJacking"漏洞，Perplexity已修复并加了敏感操作前的可视化确认层，Brave Software与Guardio Labs的后续独立审计确认沙盒隔离性有实质改善。（cybernews，eesel AI）

编程类agent：这是唯一一类真正被规模化信任的agent，格局刚刚洗过一次牌

六类产品里，编程类agent是采用率最高、生产力兑现最明确的一类：91%的工程组织已采用至少一款AI编程工具，市场预计从2024年55亿美元长到2034年473亿美元。Cursor两年内ARR破10亿美元；GitHub Copilot拿下470万付费订阅、90%财富100强企业在用。格局刚洗过一次牌：Windsurf于2026年6月2日更名Devin Desktop——此前OpenAI的收购案2025年7月流产后，Google以24亿美元许可协议挖走了创始团队，Cognition收购了产品本身并改了名字。企业买家的合规诉求成了分水岭：Windsurf/Devin Desktop覆盖医疗、政府、国防等受监管行业（HIPAA/FedRAMP认证），这是Cursor目前还覆盖不到的，但Cursor正在追（新增自托管云端agent，代码与执行留在自有基础设施内）。这场洗牌里冲得最猛的一支是Anthropic的Claude Code（详见本期企业篇），企业编程市场份额已到54%，反超OpenAI（21%）。（daily.dev，techsy.io）

NotebookLM：从研究小工具，长成了真正的工作流

Google已于2026年7月16日把NotebookLM改名Gemini Notebook，现有3000万用户、超60万家机构在用。它和通用聊天机器人不一样的地方，是"源锚定"——用户上传文档（PDF/谷歌文档/YouTube链接/网页/音频），AI只能基于这些指定来源回答，每条回答都带引用，点开能精确定位到源文档里的具体句子。企业侧已经从试点走到有IAM角色权限管理的团队协作、VPC-SC合规、完整审计留痕、不将数据用于训练。2026年3月的更新新增了幻灯片单页编辑（不用重建整份演示文稿），一位评测者说这个组合"把NotebookLM从研究小玩具变成了真正的生产工作流工具"。一个常见的实际搭配是：Perplexity负责找信息，NotebookLM负责基于已找到的材料做扎实笔记，Claude/ChatGPT负责最终综合写作——三件工具各司其职，没有一个想替代另外两个。（prezent.ai，jeffsu.org）

AI视频生成：画质领先的产品，未必是好用的产品

Sora 2在音画同步与物理真实运动上表现突出，能直接生成对话、音效、环境音，不用后期拼接。但一份30天实测说，最大的障碍是访问门槛（需邀请码）、每日生成上限、20秒时长上限——专业工作流用起来很挫败；只有ChatGPT Pro（200美元/月）才能拿到真正可用的配额（1080p输出+完整Storyboard模式），Plus订阅（20美元/月）权限相当有限；而且它没有内置编辑器，生成的片段只能下载后到别处编辑，这一点上Runway的内置编辑器明显占优。一项非正式横评给Kling Pro档打了91分，Veo 3.1打63分，Sora 2 Pro打59分——评测者认为提示词准确度与画面真实感是Kling最大的优势。Veo 3.1的定位更偏内容创作者、营销、制作团队（需要内置音频、面向广播级商用输出），通过Google AI Ultra（249.99美元/月，含Gemini Advanced）获取。（pxz.ai-30-days-tested)，mindstudio.ai）

这条线画在哪：不是聪不聪明，是错了会不会被发现

六款产品覆盖不同场景，评测结论却高度一致地指向同一种模式：有边界、步骤清楚、单一信源或单一网站内的任务（价格比对、文档摘要、表格整理、代码补全、客服问答）表现好；需要跨场景判断、处理开放式模糊性、协调多方约束的任务（日程安排、复杂多步骤浏览器工作流、专业级创意工作流）表现差。这条线的本质，不是agent能力不够强，而是这一代agent缺少对真实世界不确定性的容错判断力——日程安排难，不是因为技术复杂，是因为它要在信息不全、多方利益冲突的情况下做"社会性判断"（这个时间对谁更方便、这个冲突该让谁）；Comet在复杂网页工作流上失败，是因为开放网络里全是agent没见过的边缘情况。这和"编程类agent采用率最高"这件事互相印证——编程恰好是一个规则明确、有客观对错标准（代码能不能跑）、反馈循环极快的场景，天然适配这一代agent的能力形态。

再往深一层看，真正决定一个agent产品能不能规模化商用的，未必是任务本身有多复杂，而是这个场景里犯错的代价有多高、犯错之后能不能被轻易发现和纠正。编程类agent采用率遥遥领先，不只因为代码任务"客观"，更因为代码犯错的代价极低且极易发现——测试跑不过、代码审查能立刻抓到、版本控制能一键回滚。

而Comet在复杂浏览器工作流上翻车、Meta Business Agent被限定必须允许商家随时接管、ChatGPT Agent Mode在日程安排上被反复点名，这些场景的共同点是犯错代价高（订错酒店日期、传达错误的会议时间、给客户传错信息）且不易被立刻察觉。

这给任何正在评估"要不要把哪些环节交给agent"的团队提供了一个比"这个agent聪不聪明"更靠谱的判据：优先把犯错代价低、犯错易发现的环节交给agent（格式转换、信息聚合、代码生成），对犯错代价高、犯错难发现的环节（对外承诺、财务操作、客户沟通的最终定论）留人类在回路里做最后一道确认。

置信度与局限