（来源：AI信息Gap）

　　这，是一张会生长的中国高铁建设历程。

　　底部的时间轴能自动播放，也能拖拽、点击，想看哪一年就停在哪一年。

　　点开其中一条路线还能放大看这条高铁的开通日期、全长和设计时速。

　　它，出自 PilotDeck 2.0 之手。

　　写提示词、查资料、核对数据、写代码、验收，PilotDeck 2.0 一条龙搞定。而我，只是在最初给定了一个任务方向。整个执行过程超过一个小时，中途还因为网络中断过一次，恢复后它从中断处继续，没有从头再来。

　　AI 办公，最怕聊天王者、干活青铜。聊起天来头头是道，可真要它交付一张能用的表格、一篇带修订记录的稿子，生成的多半还是一段文字，你得手动复制到 Excel、Word 里，手动调整格式、核对数字。

　　这时，就该 Harness 发力了。

　　模型是发动机，Harness 是车架

　　PilotDeck，一款开源 AI Agent 办公工作台，由面壁智能、清华大学 THUNLP、OpenBMB 和 AI9Stars 联合开发，主打一个「稳定高效交付复杂任务」。你肯定听说过面壁智能的「小钢炮」系列模型，PilotDeck 就是 Harness 领域的「开源小钢炮」。

　　目前 PilotDeck GitHub 已超 4000 Star。

　　如果大模型是发动机，那 Harness 就是把这台发动机组装成一辆车的车架，规划执行步骤、调用工具、读写文件、检查结果，都由它负责。你用自然语言安排任务，PilotDeck 自主规划、执行，最后把成果交到你手上。PilotDeck 2.0 更是主打真实办公文件的全流程交付，围绕 Word、Excel、PPT、PDF，把读取、整理、计算、生成、编辑、检查串联成一个闭环，而你得到的是可以继续编辑的成果文件。

　　作为一款开源 Agent 框架，支持自定义模型并且自由切换是必须的。而底座模型的能力又会反过来影响 Agent 的表现。

　　WorkBuddy Bench 办公测试中，如果 Agent 底座是大参数模型，PilotDeck 2.0、Claude Code、WorkBuddy 都在 80 分左右，三者能力相当，拉不开差距。但当底座换成 35B-A3B 级别的轻量模型时，PilotDeck 2.0 得分 79.10，第一名，Claude Code 77.30，WorkBuddy 74.70。

　　这就是「模型越弱，Harness 价值越大」。

　　话不多说，来，实测走起。

　　Excel 表格，轻松拿捏

　　接下来的实测我用的模型是 DeepSeek-V4.1-Flash，DeepSeek 最便宜的模型。

　　你和朋友出去玩，花销都记录在微信群，有中文、数字、算式，有打错又改了的，有人缺了一顿饭，有人提前退了房，还有一笔没人认领的停车费。这账，该怎么理？

　　把群聊记录和其他资料一起上传给 PilotDeck 2.0，让它做一个 Excel 账本。

　　效果超出预期。

　　这张得划一会儿

　　注意，上面还只是交付说明。躺在我本地电脑里的这份 Excel 才是主菜。

　　6 张表的详细账本，流水明细、个人结算、转账方案、分类汇总加饼状图。经过检查，数据完全正确。

　　PilotDeck 2.0 甚至还单独列出了一张存疑清单。

　　看到这个表格，我第一反应是，「这才是交付啊」！

　　表格背后是 PilotDeck 2.0 内置的办公 Skills，它是一套处理 Word、Excel、PPT 的经验沉淀，干活按照人的习惯来，先理解、再动手、做完再检查。检查时，它会把文字和文件结构、表格数据和公式、渲染出来的画面放在一起核对，也就是「多模态校验」。

　　行政、财务人狂喜，考勤统计、报销审计、资产盘点，都行。

　　AI 主编，Word

　　作为写文章的博主，每天离不开码字。

　　我把之前发表过的一篇稿子，连同一份写稿规范一起投喂给 PilotDeck 2.0，让它扮演一位严格的主编，要求只添加 Word 批注，不改动正文。

　　PilotDeck 2.0 花了 9 分多钟，添加了 20 条批注，12 条「必改」，8 条「建议」。

　　这张得划一会儿

　　每条批注都附在对应的原句旁，写明违反了规范第几条、问题出在哪、建议怎么修改，同一类问题合并成一条，再注明这类问题还在哪些地方出现过。

　　这格式，我爱了。

　　老师审阅论文、法务修改合同、行政按领导意见改稿，都是这套流程。PilotDeck 2.0 全程开启修订模式，每一处改动都能在 Word 里逐条接受或拒绝。

　　PPT 课件，夯

　　再来让 PilotDeck 2.0 做一份 PPT 课件。

　　一段提示词，不给任何链接，资料它自己上网查，包括图片。

　　PilotDeck 2.0 查资料就像个认真的学生，搜索词里带着具体的数字去找官方出处核对，比如「青铜纵目面具 宽 138 厘米 高 66 厘米 二号祭祀坑」，还专门限定在三星堆博物馆官网里搜索。

　　这张得划一会儿

　　12 页 PPT，纵目面具、青铜神树、太阳轮，都配有真实的文物照片，每页备注里标着出处。

　　PilotDeck 2.0 检查 PPT 版式时用了挺绝的一招。它把每一页 PPT 先渲染成图片，再专门生成一份文字全部清空的版本，两份逐像素相减，剩下的就是文字所在的位置，这样能检查文字位置是否合适。检查出问题立即修改，改完再检查一遍，最终 12 页全部过关。

　　要挑毛病的话，大部分页面都是同一个左文右图的版式，看多了有点模板感。想改的话，预览里就能框选一块区域，用一句话让它修改。

　　一张会生长的高铁建设历程

　　回到开头那个视频，这是这次实测最硬核的一题，也是一个长任务。

　　我先用一句话让 PilotDeck 2.0 自己整理需求，写出完整的提示词。「用三维地球做一个网页，展示中国高铁从 2008 年京津城际开通到今天的建设历程。」

　　PilotDeck 2.0 写出了一份 195 行的提示词。

　　提示词有了，开始执行。

　　PilotDeck 2.0 列出了一个 8 步计划。先整理数据，再写网页；安装软件包的活放到后台运行，自己同时去查资料。

　　运行快结束时，任务中断了一次。我让它「继续」，它从中断的那一步接着往下做，前面的进度一点没丢。

　　中途我还插入了一条消息，提醒 PilotDeck 2.0 当前的模型能看图。PilotDeck 2.0 支持在任务执行中发送消息调整方向，它当场就做出了调整，重新读取截图，再接着往下验收。

　　自检、确认 bug、修复，反复拉扯，最终，一个零 bug 的项目好了。

　　一句提示词，得到一个完整的项目。

　　这背后是 PilotDeck 2.0 AgentLoop 在发力。AgentLoop 是 Agent 一步步规划、执行、检查的那套循环，遇到网络波动、输出过长、上下文变长，任务都能保持状态继续执行，长任务再也不用从头再来。

　　Token 账单，2.8 元

　　四个实测，执行时间加起来得有 2 小时了，消耗 token 多吗？

　　我专门去 DeepSeek 后台查了一下。共消耗 2300 多万 token，其中 95% 以上是命中缓存的输入。共扣费 0.38 美元，折合人民币不到 2.8 块钱。

　　要是任务更多、调用更频繁，PilotDeck 2.0 还有「智能路由」帮你省 token，难活儿交给能力强的模型，轻量任务分配给更便宜的模型。

　　根据 PilotDeck 团队的实验结果，社媒工作负载开启智能路由后，费用节约超过 75%；「强主 + 轻子」的模型组合，只用约六分之一的成本就能获得 70.6 分，比单旗舰模型的 69.1 分还高。

　　从安装到第一个任务

　　PilotDeck 官网有安装包，一键下载安装，Mac、Windows 和 Linux 都支持。传送门在文末。

　　四步配置流程，轻松上手。

　　觉得好用，欢迎给 PilotDeck 点个 Star。支持开源。

• 　　PilotDeck 官网：https://pilotdeck.openbmb.cn

• 　　GitHub 传送门：https://github.com/OpenBMB/PilotDeck

　　模型越弱，Harness 价值越大。