AI智能体办公实测：用同一套报销流程任务比较完成率、人工接管与错误恢复

报销流程很适合检验办公智能体的真实能力：任务步骤明确，涉及票据识别、规则判断、表单填写和异常处理，最终结果也能逐项核对。但目前没有可核验的同一环境测试记录、产品版本信息和实测数据，因此不能负责任地给出具体智能体的完成率、接管次数或排名。以下提供一套可复现的测评方案，并明确哪些结论必须等实际测试后才能填写，避免把功能演示写成测评结果。

统一任务：从票据到报销申请

测试应在同一报销系统、相同权限和相同网络条件下进行。为保护隐私，使用虚构员工、虚构票据和测试系统，不上传真实个人信息或企业财务凭证。每个智能体接收完全相同的任务说明、附件和报销规则。

任务可以设定为：根据差旅票据填写一笔报销申请，核对日期、金额、费用类别与发票信息，检查是否符合给定的报销规则；发现缺少必要材料或存在重复票据时，不得猜填或直接提交，应说明问题并等待人工补充或确认。

测试条件与评分方法

要让结果能被复现，记录产品名称、版本、测试日期、所用模型（如界面可见）、浏览器或桌面环境、系统权限、是否启用文件读取和网页操作等工具。每轮测试前重置申请记录，清空上一轮留下的草稿与操作状态；提示词、票据文件和规则说明保持一致。若产品支持不同运行模式，应分别记录，不能把不同权限或不同配置下的成绩直接横向比较。

建议用独立测试轮次统计任务完成率：

任务完成率 = 在规定条件下正确完成约定目标的轮次 ÷ 总测试轮次。

“完成”需要事先定义。若测试目标是生成准确草稿，草稿字段完整且无关键错误即可计为完成；若目标包含正式提交，则还要确认系统确实接受了提交。需要审批的报销申请不能把“提交成功”误记为“审批通过”。

关键步骤准确性应单独评分，不能只看最后是否出现一张申请单。可按票据识别、规则核对、表单填写、异常处理和提交控制分别记录正确、错误、遗漏或不适用。对于金额、票据重复、审批授权等高风险项，建议设为关键项：出现一项严重错误，就单独标注，不用其他步骤的正确表现抵消。

人工接管次数可按“用户必须介入才能继续或避免错误”的事件计数，并区分主动补充信息、确认授权、纠正智能体错误和重启任务。耗时则从发送任务开始计时，记录至草稿完成或任务中止；等待审批、人工处理时间是否计入，应在所有产品间采用同一口径。

错误恢复要单独测试

只用干净、完整的票据，测到的更多是正常路径执行能力。要观察恢复表现，可在测试数据中分别加入缺少附件、金额与票据不一致、重复票据、规则边界不明确等情况。每轮只改变一个条件，记录智能体是否发现异常、能否指出具体问题、是否保留已完成内容，以及得到补充信息后能否继续，而不是从头开始或重复提交。

这里的重点不是要求智能体在信息不足时“想办法完成”，而是看它能否在合适的节点暂停并说明原因。报销场景中，安全地请求确认通常优于猜测字段后继续操作。

结果表：没有实测数据，不填虚构排名

这张表不是产品成绩单。未获得同条件操作记录前，“待实测”不能替换成根据产品介绍推测的分数，也不能根据一次演示推断任务完成率。实际发布测评时，还应保留操作日志、关键页面状态和评分依据；涉及账号、票据或财务信息的截图需脱敏。

【软盟资讯观察】

办公自动化的评估重点正在从“能否调用工具”转向“能否在真实流程中稳定完成任务，并在出错时及时停下”。报销流程提供了一个可操作的切口：它既能观察智能体跨页面执行任务，也能检验其对规则、权限和异常的处理。对企业而言，试点机会在于先选低风险、可回滚、可审计的流程，以影子运行或草稿模式积累记录，再逐步扩大授权。冷思考是，单次成功并不等于可靠：票据格式、系统权限、提示词和模型版本稍有变化，都可能改变结果。没有重复测试、明确评分口径与完整日志，完成率和提效结论就缺乏比较基础。此处尚无同环境实测数据，因此不对任何产品作能力排名；真正有价值的下一步，是用统一任务和公开口径补齐可复核的测试记录。