最近阿里千问办公（QwenWork）正式上线，加上此前已经活跃的WorkBuddy，国内「AI 办公智能体」赛道一下子热闹起来。但对工程师来说，比「哪个更好用」更重要的是——这类产品到底是怎么搭出来的？本文从工程视角，把 AI 办公智能体的核心架构拆成 5 层，并用这两款产品作为实例，讲清楚每一层在做什么、技术上怎么实现、落地时又有哪些坑。一、先定义：什么是 AI 办公智能体（Agent）从工程视角看，办公智能体 ≠ 一个会聊天的对话框。它的本质是：以大语言模型（LLM）为推理核心，能够感知上下文、自主规划任务、调用外部工具、并在多轮循环中达成目标的软件系统。与传统 RPA（按键模拟）最大的区别是——它理解意图，而不是只执行固定脚本。用一句更技术的话说：智能体 = LLM（推理） + Memory（记忆） + Tools（工具调用） + Planner（规划） + Orchestrator（编排）。下面逐层拆。二、核心架构：5 层拆解1. 感知 / 上下文层（Perception）负责把「用户想要什么」和「当前环境有什么」喂给模型。包括：多模态输入：文本、截图、文档（PDF/Word）、表格；语义召回：从本地知识库或企业文档里检索相关片段，拼进上下文；上下文压缩：长对话经过摘要或滑动窗口，避免超出上下文窗口。千问办公依托通义多模态底座，在「看图 / 读文档」这类原生感知上更直
