豆包 PC 版正在變成中國版「ChatGPT＋Codex」？

豆包的 PC 用戶端如今已不宜只被視為聊天機器人。更準確的說法是：它正在成為一款桌面 AI Agent——能理解目標、選擇工具，並在瀏覽器、第三方服務與電腦介面之間執行多個步驟。

因此，把它形容為中國版「ChatGPT＋Codex」並非毫無根據。不過，這仍是產品定位上的類比，並不代表豆包已被證明是中國市場上最好的 Codex 替代品。目前證據較能支持的是：豆包的執行能力明顯擴張；至於可靠性、安全性、整合範圍與開發者工作流程，仍缺乏充分的比較數據。

關鍵轉變：從生成答案到完成工作流程

最清楚的證據來自豆包 Windows 版的工作任務模式與虛擬桌面。完成授權後，Agent 可以查看電腦畫面、移動滑鼠、點擊按鈕，並透過鍵盤輸入文字；使用者可以觀察進度、暫停任務，或在需要時接手操作。1

這改變了傳統聊天機器人的互動模式。一般聊天機器人可能會解釋任務步驟、撰寫內容或提供操作建議；電腦操作型 Agent 則會嘗試進一步進入應用程式本身，開啟軟體、填寫資料、在工具之間搬移資訊，最後產出結果。

相關報導也將豆包 PC 用戶端描述為一套結合已登入瀏覽器、GUI 電腦操作、手機遙控電腦、可選擇的雲端電腦、第三方連接器與可重複使用 Skills 的架構。27 這正是把 ChatGPT 式對話能力與 Codex 式任務執行能力放在同一個產品中的方向。

為什麼「ChatGPT＋Codex」的類比成立？

這個類比可以拆成兩個層次：

• **類似 ChatGPT 的助手能力：**自然語言互動、研究、寫作、文件處理、多模態創作與任務規劃。
• **類似 Codex 的執行能力：**在瀏覽器、已連接服務、桌面應用程式，以及必要時的圖形化使用者介面中，執行多步驟操作。27

所以，豆包的產品邏輯不只是「一個會點擊滑鼠的 AI」。它更像是一個能替工具、工作流程與專門能力提供入口的協作層。字節跳動的文件提到 Web Search 聯網內容插件、Agent Skills 與 MCP，顯示其方向是工具導向的系統，而不只是一個對話視窗。17

這個區分很重要：GUI 自動化只是其中一層。連接器與結構化工具呼叫通常能提供更穩定、較容易稽核的服務存取方式；當沒有合適整合時，GUI 控制才發揮價值。

Skills：把一次性的操作變成可重複流程

Skill 可以理解為一套封裝好的工作流程：將完成某類任務所需的步驟整理成可重複使用的能力。實務上，最值得建立成 Skill 的流程通常具備以下特徵：

1. 輸入內容清楚；
2. 執行步驟可重複；
3. 產出結果可以檢查；
4. 設有明確的人類審核節點。

這比起一開始就把龐大、模糊的目標一次交給 Agent，更為實際。較好的做法是先從小型流程開始，檢查結果、找出失敗環節，再考慮重複使用或排程執行。

有關豆包工作的報導提到辦公內容製作、研究、定時分析與團隊共享流程，也包括將文件、試算表、簡報與網頁結果送回飛書，讓團隊繼續審閱。由於這些整合與功能可用性的資訊來自使用者產出的社群媒體內容，應視為可信度較低的產品報導，而不是已獨立驗證的普遍能力。32

但背後的原則相當穩健：AI 真正變得有用，往往不是因為它能處理任何模糊指令，而是因為人們先找出重複、規則明確的工作，再把驗證過的步驟轉成受監督、可重複使用的流程。

產品示範能證明什麼，又不能證明什麼？

比較京東商品、建立騰訊問卷、安排順豐寄件、填寫發票、比較 API 價格、分析 YouTube 標題，以及執行定時工作流程等例子，都呈現同一種模式：

說明想要的結果，讓 Agent 執行例行步驟，再由人類檢查成果。

不過，現有資料並沒有獨立驗證上述每一項示範都能以普遍、穩定的方式使用。產品展示可能取決於特定帳戶狀態、網站版面、授權設定，或某些仍需人工完成的步驟。

目前較有證據支持的說法應該更精確：豆包虛擬桌面展示了在使用者授權與監督下，Agent 操作本機 Windows 環境的電腦使用自動化能力。1

這是一項重要進展，但不等於已證明豆包能可靠地處理所有網站、付款流程、企業系統或例外情況。

Seedance 2.5：把 Agent 延伸到創意製作

豆包的 Agent 策略並不局限於辦公軟體。Seedance 2.5 發布時，主打長篇敘事、多模態參考素材與編輯能力的提升，並陸續在豆包專業版等平台提供使用。18

該模型支援原生生成單段 30 秒影片；豆包的創意影片 Skill 則可透過 Agent 流程拆解較複雜的需求，協調圖片與影片生成。26 這讓豆包呈現出另一種產品形態：同一個助手可能從自然語言需求出發，完成創意規劃、整理參考素材，再推進到影片製作流程。

當然，這並不能證明產出的影片在所有專業場景都更優秀。但它展示了 Skills 的作用：在使用者的廣泛目標與多個專門模型或工具之間，加入一層能夠拆解任務、協調工具的 Agent。

更安全的自動化優先順序

使用桌面 Agent 時，建議選擇能完成任務、同時最不脆弱的自動化方式：

1. 優先使用官方連接器或 API 整合。 結構化的整合通常更容易理解權限、輸入與輸出，也較方便稽核。
2. 只有在整合方式獲得核准、且資料範圍清楚時，才使用 CLI 或 MCP。 這些工具功能強大，但不應取得超出任務所需的權限。
3. 把 GUI 電腦控制視為備用方案。 沒有可用整合時，GUI 很有價值；但螢幕操作較脆弱，可能點錯控制項，或觸發不可逆行動。因此，豆包允許使用者暫停與接管，並不是次要的介面功能，而是安全工作流程的重要部分。1
4. 在具後果的操作前要求人工確認。 登入、付款、帳戶變更、公開發布、政府機關提交資料與最終核准，都應保留人在流程中。

不應讓 Agent 在高風險服務上無人監督地運作，例如金融平台、支付系統、可公開發布內容的帳戶、含有敏感個人資料的入口網站，以及小紅書等一旦誤發內容或誤操作帳戶，可能造成重大損失的平台。

實際原則很簡單：可以讓 Agent 準備資料與導覽操作，但凡是難以撤銷的事情，都應由人類最後確認。

382 百萬月活用戶，帶來分發優勢

豆包的用戶規模，有助於解釋字節跳動為何要把產品從對話推向工作執行。有報導稱豆包擁有3.82 億月活躍用戶，北京市政府發布的報告也引用了超過 3.82 億月活躍用戶的數字。29

作為比較，路透社引述 Sensor Tower 數據報導，ChatGPT 在 2026 年 5 月達到估計全球 10 億月活躍 App 用戶。33 但兩者並非完全可比：涵蓋地區、統計方式與產品範圍都不同。這些數字本身也不能證明模型品質、企業導入準備度或 Agent 可靠性。

因此，豆包的機會未必是用單一全球用戶指標追上 ChatGPT，而是把龐大的中國市場用戶基礎，轉化為對本地工作工具、服務與創意流程的日常使用。

結論：值得關注的替代方案，仍不是已證實的贏家

目前最有根據的結論是：豆包已成為一個具吸引力、面向中國市場的 Codex 式替代方案。支持這項判斷的因素包括：

• Windows 虛擬桌面與電腦控制能力；1
• PC 用戶端被報導具備瀏覽器、遠端執行與連接器功能；27
• Skills、聯網搜尋插件與 MCP 支援；17
• 規模龐大的月活躍用戶基礎；29
• 可直接使用字節跳動的創意影片生態，包括 Seedance 2.5。1826

但現有證據尚不足以證明豆包在中國市場上必然是 Codex 的最佳替代品。要支持這項更強的結論，仍需要受控比較，包括任務完成率、失敗復原能力、安全控制、整合覆蓋範圍、價格、開發者工具與生產環境可靠性。

現階段，豆包最重要的轉變是產品觀念上的：它試圖讓 AI 不只負責產生答案，也能真正推動工作向前進行。這個市場最後的勝負，將取決於產品能否在廣泛能力之外，提供可靠的整合、透明的權限，以及有紀律的人類監督。