和许多开发者一样，这段时间我也在深入体验并高强度使用 WorkBuddy 中的 Hy3 模型来辅助编程。
起初只是想测试下 Hy3 的表现，后来则将它逐步引入我的正式开发流程。
特别是在我的 Gemini Pro 每周额度耗尽后，Hy3 几乎无缝承接了我大量的辅助开发需求。
目前已跑通一套非常实用的工作流：先利用 Fable 来理解复杂需求、拆解任务并制定代码策略，随后交由 WorkBuddy 的 Hy3 负责具体执行，整体效果相当出色。
不过，由于代码生成需求量较大，尽管 Hy3 目前号称提供“两周免费”，但在高频调用下，先是提示“使用量已超出频率限制”，然后又触发了系统的并发限制（429 错误），无法继续使用 Hy3。
综合体验下来，目前的 Hy3 虽然与 Claude 顶尖的 Fable 5 相比仍存在明显差距，但应对一些基础的编程任务已经绰绰有余；至于其主打的日常办公场景，更是游刃有余。
不得不说，腾讯在这一轮国内 AI 竞逐中表现抢眼。
那么，字节跳动在这场战役中就注定落后了吗？单从 ArkClaw 和 TraeWork 目前的人气来看，确实略逊一筹。
但放眼整个 AI Agent 桌面办公市场，未来的发展空间依然无比广阔，字节完全还有弯道超车的机会。
至于原因，先要从技术和市场的区别说起。
技术派 VS 市场派
笔者在《朱啸虎和杨植麟的AI技术VS市场之争，你支持谁？》一文中提出：
目前的AI分技术派和市场派两种：
技术派接近供给方，它提供“原材料”给制造公司，供他们生产产品。而市场派接近需求方，它对接消费者，将满足需求的产品分发给用户。而豆包和 WorkBuddy 就是对接用户真实需求的市场派。
在当时，巨头在技术侧集体内卷，市场侧出现了巨大的空白，于是笔者认为：
目前很多AI公司深挖技术是走错方向了，如果是真要想把AI做成，应该是在用户端发力。既然巨头们都在卷技术，试图成为最强的供给方，那从需求方一侧入局，能够尽量避免与强者正面厮杀，安心发展。随着豆包和 WorkBuddy 吃到了蓝海红利，可以预见在不远的未来，市场侧也将展开激烈厮杀。
那豆包和 WorkBuddy 表现如何？字节和腾讯在市场侧上的竞争又会如何发展？
从目前的市场占有率来看，豆包已经扎根 Chat 这个高频日常场景，至于 WorkBuddy 所属的 Work 赛道虽然还不够稳固，但留给竞争者的时间窗口正在慢慢关闭。
换句话说：豆包已经形成了类似 QQ 的用户黏性，但 WorkBuddy 还没有。
在 Chat 这个场景，腾讯如果不做出类似微信之于QQ 那样的巨大的体验升级很难超越豆包；WorkBuddy 在 Work 场景中的表现不错，但还未站稳脚跟。
如果考虑到 WorkBuddy 与实际生产力场景深度绑定，用户及企业的付费意愿往往更强。单从商业转化潜力的角度来看，拥有自我造血能力的 WorkBuddy ，其表现甚至可能优于缺乏付费场景的豆包。
但缺乏付费场景并不代表豆包就一定劣势，前段时间传言豆包正在内测社交，虽然被负责人否认，但笔者断言：“豆包+社交”存在和微信分庭抗礼的潜力。（这是另外的话题，点到为止）
总而言之，在市场侧的 Work 细分市场，腾讯虽然有先发优势，但字节仍有机会，关键在于谁能更深刻理解目标用户的真实需求。
目标用户的真实需求
怎样才算目标用户的真实需求？
就拿之前的“龙虾热”来说，那一波热潮就没有理解目标用户的真实需求。
当时要使用龙虾（clawbot）的门槛可不低，你得懂API-Key等基础知识，懂得命令行操作，懂得开关权限，懂得各种操作……
就算你一切都忙完，却发现自己配置的龙虾花 Token 如流水，性价比极低，新鲜劲儿一过就束之高阁。
这样的产品，就没有满足用户的需求。
而现在，WorkBuddy 提供的两周免费的 Hy3 解决了以上的用户痛点，直接开箱即用，也（暂时）不用担心 Token 的消耗，对于明确知道如何用AI提升工作效率的用户而言，这完美契合了自己的需求。
从这个角度来看，WorkBuddy 迅速崛起也在意料之中。
但问题在于：两周免费期过后怎么办？
对需求的拆分
财大气粗的腾讯，能够连续两周无限量供应 Token，确实展现了足够的魄力。
但问题在于：这样的投入还能持续多久？又是否值得持续？
笔者自己遭遇的限流，其实已经透露出一些信号。而两周之后，也许正是字节等竞争对手发起反攻的时间节点。
目前，大多数 AI 公司仍然沿用着"卖 Token"的商业模式——用户消耗得越多，公司收入越高。
但笔者认为，真正决定市场胜负的，并不是谁能卖出更多 Token，而是谁能帮助用户消耗更少的 Token，获得更好的结果。
原因很简单。
用户从来不在乎 Token，也不会关心模型到底调用了多少次推理。他们真正购买的，从来不是 Token，而是结果。
如果一个人只是想设计一张海报，那么他的需求只有一个——尽快得到满意的成品。
假设 A 平台采用按 Token 收费。
用户为了调整配色、字体、排版和文案，反复修改了二三十次 Prompt，最终终于得到满意的海报，一共花费了 100 元。
- 站在 AI 公司的角度，这是一次成功的交易：用户消耗了大量 Token，公司赚到了更多收入。
- 但站在用户的角度，这却未必是一笔划算的买卖。
因为用户真正想买的不是"二十几次修改"，而是一张满意的海报。修改次数越多，并不意味着体验越好，反而意味着试错成本越高。
如果另一家 AI 平台让用户花 10 元拿到了同样满意的结果，那么这家公司虽然单次收入更低，却极有可能赢得用户的长期选择。
短期来看，节省 Token 可能意味着公司少赚了一点钱；但长期来看，它意味着更高的用户满意度、更强的留存、更低的获客成本，以及更高的生命周期价值。
那目前的 WorkBuddy 做到了吗？答案是：在目前 Hy3 的两周免费期内，确实做到了。
免费期一过，大家需要考虑成本，那个时候的比拼才是关键。
降低成本的 AI 矩阵
一个最直接的降本方式，当然是提高模型能力。
如果一家 AI 产品需要用户不断修改 Prompt、不断补充上下文、不断消耗 Token，才能逐渐逼近正确答案，那么这些 Token 本质上都是沟通成本。模型越聪明，理解用户意图的能力越强，这种沟通成本就应该越低。
这也是为什么，笔者一开始主要使用 Gemini 编程，但在 Claude Fable 推出后，已经几乎全面转向 Claude。
Gemini 的价格确实更便宜，但很多复杂任务往往需要反复调整 Prompt、不断纠正模型理解，最终节省下来的只是 Token 成本，却付出了更多的时间成本和精力成本。而 Claude 虽然单次调用更贵，却往往能够一次理解需求、一次完成任务。从最终完成任务的总成本来看，Claude 反而更便宜。
不过，仅仅提高模型能力，还不是终点。
因为不同 AI 的能力结构并不相同，也没有任何一家模型能够在所有任务上都是最优解。
因此，笔者目前采用的是一种 AI 矩阵 的工作方式。
处理一个任务时，我首先会根据自己的经验，以及借助便宜模型，快速判断任务难度。
如果只是简单任务，就交给最擅长这一类工作的 AI。例如，DeepSeek 负责翻译，Gemini 负责长文本处理，ChatGPT 负责图片生成，不同模型各司其职，以最低的成本完成对应任务。
而对于复杂任务，则会直接交给能力更强的大模型，避免因为模型能力不足而陷入反复修改 Prompt 的循环。
除此之外，还有第三种情况。
有些任务其实并不应该一直"让 AI 做"，而应该让 AI 帮你造工具、选工具。
例如，批量整理数据、转换文件格式、重命名图片、抓取网页信息等工作，如果每次都把文件上传给 AI，再等待它处理，无论是 Token 还是时间都会不断消耗。
更高效的方式，是先让 AI 写一个 Python 脚本或小工具，再由这个工具自动完成后续所有工作。
这时，AI 的角色已经从"执行者"变成了"工具开发者"。一次生成工具，可以重复使用无数次，边际成本几乎趋近于零。
一言以蔽之，未来 AI Workflow 沉淀的不应该只是 Prompt，而应该是资产。
过去，人们讨论 AI Workflow，更多是在积累 Prompt、Skill 或 Workflow 模板。这些确实能够提升效率，但本质上仍然需要一次次调用模型，每执行一次任务，就需要重新消耗 Token。
真正能够持续降低成本的，是可复用的工具资产。
例如 Python 脚本、自动化流程、浏览器插件、MCP Server、小程序等。这些工具往往只需要让 AI 生成一次，就可以无限次复用，将原本一次次的 Token 消耗，转化为长期可复用的生产力。
因此，AI 的价值不仅在于替用户完成任务，更在于不断帮助用户创造新的工具。
随着使用时间的增长，每位用户都会逐渐积累属于自己的工具资产库（Tool Library）。这个资产库越丰富，用户完成新任务的边际成本就越低，对 AI 的依赖方式也会发生变化——从"每次都让 AI 帮我做"，变成"AI 帮我创造工具，再由工具持续完成工作"。
从商业竞争的角度来看，这或许也是 AI 产品未来的重要护城河。
今天，各家模型之间的能力差距正在不断缩小，用户完全可以因为价格或性能而更换模型。但一个花费数月甚至数年积累起来的工具资产库，却不会轻易迁移。
因此，未来 AI 产品竞争的对象，未必只是模型能力本身，而是谁能够帮助用户沉淀更多、更高价值的工具资产。模型会越来越趋同，而用户积累的工具资产，将成为真正的竞争壁垒。
结语
从这个角度来看，未来 AI 产品真正竞争的，未必是谁拥有最好的大模型，而是谁能够帮助用户，以最低的综合成本（包括 Token、时间、学习成本以及沟通成本）完成自己的目标。
未来 AI 产品真正出售的，不是模型，而是帮助用户完成任务的能力。
- 作者:何北航
- 链接:http://gamesushi.cn/article/39c3dd3b-c219-80c4-9eef-e81df57e2ffe
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。