QwenWork 係阿里巴巴想將「辦公室 AI」由聊天視窗帶去真正工作現場嘅嘗試。平台將原有嘅 QoderWork、MuleRun 同 Wukong 整合，變成一個涵蓋桌面、雲端同企業協作環境嘅 AI Agent 層。用戶唔只可以問問題，亦可以用自然語言交代目標，等 Agent 跨檔案、應用程式、網站同企業工具分步處理工作。 13

重點唔係叫員工「盡量用多啲 Token」，而係令 AI 喺有合適脈絡、權限同覆核機制之下，完成可重複、可量度嘅工作流程。

點解要將三個產品合一？

阿里巴巴以公開測試形式推出 QwenWork，將 QoderWork、MuleRun 及 Wukong 收歸同一介面。公司將其定位為把桌面 Agent、雲端 Agent 同企業協作 Agent 打通嘅平台。 13

原因其實幾直接：真實工作好少只喺一個軟件入面完成。例如做一份採購跟進，員工可能要睇本機檔案、查企業系統資料、喺內部通訊工具同同事確認、整報告，再安排後續會議。QwenWork 嘅設計方向，就係接收一句自然語言目標後，協調呢類跨環境、多步驟嘅任務。 26

換句話講，阿里巴巴唔想將 AI 擺成一個獨立「問答助手」，而係擺成執行層：使用者講清楚想要嘅成果、跟住執行進度、檢查輸出，之後仲可以將流程重用或排程。 2

QwenWork 點樣拼湊成企業工作系統？

Qwen 模型：負責推理同生成

QwenWork 使用阿里巴巴 Qwen 模型家族，處理規劃、內容生成、編程及協作等工作。Qwen3.8 與 QwenWork 同期推出，阿里巴巴將兩者包裝成面向企業嘅 AI 組合。 79

不過，模型本身只係「腦」。模型可以寫答案，但 QwenWork 嘅定位係將呢種能力放入檔案、工具、資料、權限與既定業務程序之中，令 AI 有機會由「答到」變成「做到」。

Alibaba Cloud：工作空間同運作底座

QwenWork 指引顯示，用戶可將 QwenWork 帳戶連接至 Alibaba Cloud 帳戶，進入個人或組織工作空間，然後揀模型、加入檔案，以及按需要啟用 Skills 或連接器。 2

呢個安排令它唔止係桌面 chatbot，而係可以圍繞共用工作環境同可重用資源運作，兼顧個人同團隊工作。

DingTalk：將 Agent 放返入日常協作位置

阿里巴巴表示，QwenWork 將以內嵌 Agent 方式進入釘釘（DingTalk）桌面版及流動版。 1 呢點對企業部署尤其重要：對話、文件、會議、訊息及審批，本身已經喺協作平台發生；AI 若要真係幫到手，最好唔使員工每次轉去另一個新介面先用到。

MyContext：將散落資料變成可調用脈絡

據報，阿里巴巴已將 MyContext 開源。呢套企業脈絡基礎設施，目標係將即時通訊（IM）、文件、審批及電郵等系統內分散嘅資料，整理成 Agent 可調用嘅 context；報道稱，項目當時已獲逾 3,000 個 GitHub stars。 5

企業工作最難嘅位，往往唔係模型識唔識寫字，而係資料散落各處，而且每個人可睇嘅資料都唔同。MyContext 想處理嘅，正正係減少員工每次 prompt 都要重新交代背景嘅問題。

CRM、ERP 連接：由建議走向可操作流程

阿里巴巴相關報道提到，Agent 可以按自然語言要求，跨 CRM、ERP 等系統查客戶資料、庫存及其他資訊，再提供建議。 5

對企業而言，呢個分別好大：AI 唔再只係摘要資料，而係能夠支援某一個具體營運流程。不過，連得愈多系統，愈要處理資料準確度、權限設計、審計紀錄同人手覆核；整合範圍大，唔代表輸出一定可以直接採納。

Skills：將個人做法變成團隊可重用知識

QwenWork 嘅 Skill 可以理解為預先寫好嘅工作指引，列明某類任務要跟咩步驟、用咩輸出格式，以及要留意咩細節。設定一次後，QwenWork 可在往後對話中識別並套用。 17

呢個功能嘅價值，在於將某位熟手員工嘅操作經驗，變成團隊較容易轉移同重用嘅流程。與其靠一個人識得點樣寫 prompt，不如將程序寫清楚，令工作結果更一致。

首月 3,000 萬用戶，代表咩？

阿里巴巴表示，QwenWork 在中國進入測試一個月後，累計用戶已超過 3,000 萬，當中企業帳戶佔超過一半；公司又稱平台已在汽車、金融服務、物流、具身智能及科研等範疇獲採用。 3

QwenWork 國際版亦已推出公開測試，目標市場包括亞洲、拉丁美洲及中東。 46

不過，要分清楚「關注度」同「實際價值」。GitHub stars、測試登記數目、快速更新產品版本，都可以反映市場動能，但本身唔足以證明平台已具備長期安全性、可靠性，或者為企業帶來穩定財務回報。 5

點樣挑戰「Token Maxxing」？

所謂「Token Maxxing」，可以理解為企業大量買入每位員工嘅 AI Token 配額，卻未必有明確業務目標。Token 用量係投入，唔係生產力、質素或 ROI 本身。

QwenWork 提出嘅替代思路包括：

• 共享脈絡： Agent 以組織資料作基礎，而唔係只靠員工臨時打一段 prompt。 5
• 連接執行： AI 可以喺協作與業務系統旁邊工作，而唔係生成完一段答案就停。 15
• 重用專業知識： 用 Skills 將流程編碼一次，之後同類任務可持續套用。 17
• 以成果衡量： 企業可以睇節省時間、減少錯誤、處理量、覆核負擔同服務質素，而唔係睇消耗咗幾多 Token。

呢套講法有其道理，但架構靚唔等於效果自然出現。當 Agent 可接觸更多資料和系統時，存取控制、資料管治、錯誤處理與人手監督都會變得更重要。只有原本流程可靠、例外情況處理得好、輸出又可以安全採用，workflow agent 先至有持久價值。

長安汽車案例：AI 最有用嘅地方係將規則變成工具

阿里巴巴稱，長安汽車已在研發、製造、供應鏈、銷售及服務採用 QwenWork。 3 值得留意嘅係，公開案例集中講具體流程，而唔係泛泛而談「員工有用 AI」。

研發：線束選型計算

阿里巴巴表示，長安工程師製作咗一個線束計算工具，將原本要兩日嘅工作縮短至約 5 分鐘；另一項燈光設計對齊工作，則由數星期縮短至一次會議。 3

比起單睇驚人速度，背後機制更值得睇：工程師將專業計算規則整理成可執行流程。即係將藏喺資深員工腦入面嘅領域知識，變成其他人都可用嘅內部工具。

生產：車輛文件核對

阿里巴巴稱，一個車輛文件驗證應用，將每部車嘅核對時間由超過 10 分鐘減至少於 2 分鐘。 3

呢類工作係 workflow AI 較合理嘅場景：比較結構化資料、找出不一致地方，再將例外個案交返畀人確認。尤其喺受監管或重視品質嘅環境，速度固然重要，但核對嘅準確性同可審計性更加關鍵。

供應鏈：供應商審核自動化

阿里巴巴表示，自動化供應商審核令工作量減少 90%。 3 相關描述指，長安將涉及數百家供應商、數千個零件嘅包裝審核流程，拆成自動化腳本，用於擷取資料、匯總進度同發出延誤提示。 3

呢個例子比單純生成文字更接近企業 Agent 嘅承諾：系統要理解流程規則與資料來源，產出有用嘅狀態檢視，同時令需要負責嘅人睇得到例外情況。

銷售及服務：更快整理客戶回饋

阿里巴巴亦稱，自動處理數以萬計嘅問卷回覆後，用戶洞察分析所需時間由數日降至半日。 3

綜合呢啲例子，QwenWork 最有機會發揮嘅，似乎係重複性高、資訊密集、輸入與覆核步驟相對清楚，而且有明確業務負責人嘅任務。

仍然要保持審慎

阿里巴巴亦列出匯付天下、傳化集團及老鄉雞等為 QwenWork 採用者。 3 但目前公開資料未有為物流、科研、採購、排程、監控或金融核查等每一種聲稱場景，提供同等詳細兼獨立驗證嘅成效數據。

長安嘅指標確實係值得留意嘅營運訊號，但大部分仍然屬公司報告，而且產品尚早期。較合適嘅讀法係：呢啲係案例研究式主張，唔係已經獨立證實 QwenWork 一定比其他企業 AI 方案更有效。

結論：贏家未必係燒得最多 Token 嗰個

QwenWork 最強嘅賣點，唔係畀企業更大 Token 預算，而係嘗試將企業脈絡、系統存取同專家程序，變成受管治、可重用嘅工作流程。

早期用戶數字同長安案例令呢個方向值得繼續睇，但任何企業評估 QwenWork 或同類平台時，都應該親自測試更難嘅問題：Agent 可存取邊啲資料？行動由邊個批准？輸出點樣審計？出錯時會點？改善係咪真係能夠在正式環境持續？

企業 AI 最終嘅贏家，唔會係生成最多 Token 嘅平台，而係能夠可靠地令真實工作做得更好嘅平台。

QwenWork 係阿里巴巴想將「辦公室 AI」由聊天視窗帶去真正工作現場嘅嘗試。平台將原有嘅 QoderWork、MuleRun 同 Wukong 整合，變成一個涵蓋桌面、雲端同企業協作環境嘅 AI Agent 層。用戶唔只可以問問題，亦可以用自然語言交代目標，等 Agent 跨檔案、應用程式、網站同企業工具分步處理工作。 13

重點唔係叫員工「盡量用多啲 Token」，而係令 AI 喺有合適脈絡、權限同覆核機制之下，完成可重複、可量度嘅工作流程。

點解要將三個產品合一？

阿里巴巴以公開測試形式推出 QwenWork，將 QoderWork、MuleRun 及 Wukong 收歸同一介面。公司將其定位為把桌面 Agent、雲端 Agent 同企業協作 Agent 打通嘅平台。 13

原因其實幾直接：真實工作好少只喺一個軟件入面完成。例如做一份採購跟進，員工可能要睇本機檔案、查企業系統資料、喺內部通訊工具同同事確認、整報告，再安排後續會議。QwenWork 嘅設計方向，就係接收一句自然語言目標後，協調呢類跨環境、多步驟嘅任務。 26

換句話講，阿里巴巴唔想將 AI 擺成一個獨立「問答助手」，而係擺成執行層：使用者講清楚想要嘅成果、跟住執行進度、檢查輸出，之後仲可以將流程重用或排程。 2

QwenWork 點樣拼湊成企業工作系統？

Qwen 模型：負責推理同生成

QwenWork 使用阿里巴巴 Qwen 模型家族，處理規劃、內容生成、編程及協作等工作。Qwen3.8 與 QwenWork 同期推出，阿里巴巴將兩者包裝成面向企業嘅 AI 組合。 79

不過，模型本身只係「腦」。模型可以寫答案，但 QwenWork 嘅定位係將呢種能力放入檔案、工具、資料、權限與既定業務程序之中，令 AI 有機會由「答到」變成「做到」。

Alibaba Cloud：工作空間同運作底座

QwenWork 指引顯示，用戶可將 QwenWork 帳戶連接至 Alibaba Cloud 帳戶，進入個人或組織工作空間，然後揀模型、加入檔案，以及按需要啟用 Skills 或連接器。 2

呢個安排令它唔止係桌面 chatbot，而係可以圍繞共用工作環境同可重用資源運作，兼顧個人同團隊工作。

DingTalk：將 Agent 放返入日常協作位置

阿里巴巴表示，QwenWork 將以內嵌 Agent 方式進入釘釘（DingTalk）桌面版及流動版。 1 呢點對企業部署尤其重要：對話、文件、會議、訊息及審批，本身已經喺協作平台發生；AI 若要真係幫到手，最好唔使員工每次轉去另一個新介面先用到。

MyContext：將散落資料變成可調用脈絡

據報，阿里巴巴已將 MyContext 開源。呢套企業脈絡基礎設施，目標係將即時通訊（IM）、文件、審批及電郵等系統內分散嘅資料，整理成 Agent 可調用嘅 context；報道稱，項目當時已獲逾 3,000 個 GitHub stars。 5

企業工作最難嘅位，往往唔係模型識唔識寫字，而係資料散落各處，而且每個人可睇嘅資料都唔同。MyContext 想處理嘅，正正係減少員工每次 prompt 都要重新交代背景嘅問題。

CRM、ERP 連接：由建議走向可操作流程

阿里巴巴相關報道提到，Agent 可以按自然語言要求，跨 CRM、ERP 等系統查客戶資料、庫存及其他資訊，再提供建議。 5

對企業而言，呢個分別好大：AI 唔再只係摘要資料，而係能夠支援某一個具體營運流程。不過，連得愈多系統，愈要處理資料準確度、權限設計、審計紀錄同人手覆核；整合範圍大，唔代表輸出一定可以直接採納。

Skills：將個人做法變成團隊可重用知識

QwenWork 嘅 Skill 可以理解為預先寫好嘅工作指引，列明某類任務要跟咩步驟、用咩輸出格式，以及要留意咩細節。設定一次後，QwenWork 可在往後對話中識別並套用。 17

呢個功能嘅價值，在於將某位熟手員工嘅操作經驗，變成團隊較容易轉移同重用嘅流程。與其靠一個人識得點樣寫 prompt，不如將程序寫清楚，令工作結果更一致。

首月 3,000 萬用戶，代表咩？

阿里巴巴表示，QwenWork 在中國進入測試一個月後，累計用戶已超過 3,000 萬，當中企業帳戶佔超過一半；公司又稱平台已在汽車、金融服務、物流、具身智能及科研等範疇獲採用。 3

QwenWork 國際版亦已推出公開測試，目標市場包括亞洲、拉丁美洲及中東。 46

不過，要分清楚「關注度」同「實際價值」。GitHub stars、測試登記數目、快速更新產品版本，都可以反映市場動能，但本身唔足以證明平台已具備長期安全性、可靠性，或者為企業帶來穩定財務回報。 5

點樣挑戰「Token Maxxing」？

所謂「Token Maxxing」，可以理解為企業大量買入每位員工嘅 AI Token 配額，卻未必有明確業務目標。Token 用量係投入，唔係生產力、質素或 ROI 本身。

QwenWork 提出嘅替代思路包括：

• 共享脈絡： Agent 以組織資料作基礎，而唔係只靠員工臨時打一段 prompt。 5
• 連接執行： AI 可以喺協作與業務系統旁邊工作，而唔係生成完一段答案就停。 15
• 重用專業知識： 用 Skills 將流程編碼一次，之後同類任務可持續套用。 17
• 以成果衡量： 企業可以睇節省時間、減少錯誤、處理量、覆核負擔同服務質素，而唔係睇消耗咗幾多 Token。

呢套講法有其道理，但架構靚唔等於效果自然出現。當 Agent 可接觸更多資料和系統時，存取控制、資料管治、錯誤處理與人手監督都會變得更重要。只有原本流程可靠、例外情況處理得好、輸出又可以安全採用，workflow agent 先至有持久價值。

長安汽車案例：AI 最有用嘅地方係將規則變成工具

阿里巴巴稱，長安汽車已在研發、製造、供應鏈、銷售及服務採用 QwenWork。 3 值得留意嘅係，公開案例集中講具體流程，而唔係泛泛而談「員工有用 AI」。

研發：線束選型計算

阿里巴巴表示，長安工程師製作咗一個線束計算工具，將原本要兩日嘅工作縮短至約 5 分鐘；另一項燈光設計對齊工作，則由數星期縮短至一次會議。 3

比起單睇驚人速度，背後機制更值得睇：工程師將專業計算規則整理成可執行流程。即係將藏喺資深員工腦入面嘅領域知識，變成其他人都可用嘅內部工具。

生產：車輛文件核對

阿里巴巴稱，一個車輛文件驗證應用，將每部車嘅核對時間由超過 10 分鐘減至少於 2 分鐘。 3

呢類工作係 workflow AI 較合理嘅場景：比較結構化資料、找出不一致地方，再將例外個案交返畀人確認。尤其喺受監管或重視品質嘅環境，速度固然重要，但核對嘅準確性同可審計性更加關鍵。

供應鏈：供應商審核自動化

阿里巴巴表示，自動化供應商審核令工作量減少 90%。 3 相關描述指，長安將涉及數百家供應商、數千個零件嘅包裝審核流程，拆成自動化腳本，用於擷取資料、匯總進度同發出延誤提示。 3

呢個例子比單純生成文字更接近企業 Agent 嘅承諾：系統要理解流程規則與資料來源，產出有用嘅狀態檢視，同時令需要負責嘅人睇得到例外情況。

銷售及服務：更快整理客戶回饋

阿里巴巴亦稱，自動處理數以萬計嘅問卷回覆後，用戶洞察分析所需時間由數日降至半日。 3

綜合呢啲例子，QwenWork 最有機會發揮嘅，似乎係重複性高、資訊密集、輸入與覆核步驟相對清楚，而且有明確業務負責人嘅任務。

仍然要保持審慎

阿里巴巴亦列出匯付天下、傳化集團及老鄉雞等為 QwenWork 採用者。 3 但目前公開資料未有為物流、科研、採購、排程、監控或金融核查等每一種聲稱場景，提供同等詳細兼獨立驗證嘅成效數據。

長安嘅指標確實係值得留意嘅營運訊號，但大部分仍然屬公司報告，而且產品尚早期。較合適嘅讀法係：呢啲係案例研究式主張，唔係已經獨立證實 QwenWork 一定比其他企業 AI 方案更有效。

結論：贏家未必係燒得最多 Token 嗰個

QwenWork 最強嘅賣點，唔係畀企業更大 Token 預算，而係嘗試將企業脈絡、系統存取同專家程序，變成受管治、可重用嘅工作流程。

早期用戶數字同長安案例令呢個方向值得繼續睇，但任何企業評估 QwenWork 或同類平台時，都應該親自測試更難嘅問題：Agent 可存取邊啲資料？行動由邊個批准？輸出點樣審計？出錯時會點？改善係咪真係能夠在正式環境持續？

企業 AI 最終嘅贏家，唔會係生成最多 Token 嘅平台，而係能夠可靠地令真實工作做得更好嘅平台。