摘要
- 这周各家公司都在讲"agent元年"的故事，但把六款当下最主流的agent产品——ChatGPT Agent Mode、Perplexity Comet、编程类的Cursor/Windsurf/Claude Code、NotebookLM、Sora 2——的真实使用评测摆在一起看，会看到一条比任何发布会措辞都诚实的线：这些产品在"边界清楚、步骤明确"的任务上是真的好用，在"需要判断力、结果模糊"的任务上仍然不可靠。这条线，才是这周关于AI产品最值得记住的东西。
关键事实
- Meta AI Business Agent 全球铺开覆盖WhatsApp、Instagram、Messenger，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；但一份评测指出它只能在这三个渠道运行，邮件、电话、网站在线客服一概不支持——"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"已被解决。
- ChatGPT Agent Mode 表现最好的地方是研究项目、表格整理、文档提取；反复翻车的地方是日程安排（跨时区、判断会议冲突）。一位测评者对照OpenAI自己宣传的强项逐条测下来，给出的整体评分是"大约C"；Sam Altman本人发布时也主动加了免责声明，称还不适合高风险任务。
- Perplexity Comet 做"agent化浏览"大约65%的时候能成功，复杂多步骤工作流经常失败或卡死；2025年8月曾被发现能外泄个人数据的"CometJacking"漏洞，Perplexity已修复，独立审计确认沙盒隔离性有实质改善。
- 编程类agent是唯一一类真正被规模化信任的agent：91%的工程组织已采用至少一款AI编程工具，Cursor两年内ARR破10亿美元，GitHub Copilot拿下470万付费订阅；格局刚洗过一次牌——Windsurf被Cognition收购改名Devin Desktop，Anthropic的Claude Code企业编程市场份额已到54%，反超OpenAI（21%）。
- NotebookLM（已改名Gemini Notebook）靠"源锚定"——AI只能基于用户上传的指定来源回答，每条回答带引用——从研究小工具长成真正的工作流，现有3000万用户、超60万家机构在用。
- Sora 2 音画同步与物理真实运动突出，但访问门槛高（需邀请码）、20秒时长上限、无内置编辑器；一项非正式横评给Kling Pro打91分，Veo 3.1打63分，Sora 2 Pro打59分。
数据表 · 六款产品实测对照（节选）
| 产品 | 真实能用的任务 | 反复翻车的任务 | 关键限制 |
|---|---|---|---|
| Meta AI Business Agent | 咨询/推荐/预约/交易闭环 | 全渠道整合 | 仅限三渠道，10月起收费 |
| ChatGPT Agent Mode | 跨信源研究、表格整理 | 日程安排 | 官方自评"约C" |
| Perplexity Comet | 价格比对、页面摘要 | 复杂多步骤工作流 | 约65%成功率 |
| Cursor/Windsurf/Claude Code | 编程全场景 | — | 格局剧变，Claude Code反超 |
| NotebookLM | 源锚定问答+可点击引用 | 通用开放式创作 | 需先有明确文档源 |
| Sora 2 | 音画同步、物理真实运动 | 专业工作流 | 访问门槛高 |
完整六产品全部实测细节见完整版数据表。
别处读不到的洞见
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，是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、版本控制能回滚）；而日程安排、复杂浏览器工作流翻车，是因为犯错代价高（传错会议时间、传错客户信息）且不易被立刻察觉。
我的判断
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。
本报告局限
最薄弱的环节：六款产品的评测数据都来自第三方独立测评站点，不是厂商官方数据，样本量多为个人测评者数周内的使用体验，方法论互不一致，应视为方向性参考；"犯错代价+可发现性"这套解释框架是交叉六份评测后的推理延伸，不是任何一手信源直接提出的框架。完整局限说明见完整版。
结语
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。读者若需完整证据链与逐项置信度评估，可查阅本报告完整版。
完整版还原了六款产品的逐一实测细节：两张数据对照表（Agent产品实测/AI视频生成三强评分）、每款产品的具体翻车/亮点案例，以及"如何用agent自动化决策"的完整框架。