騰訊 WorkBuddy 政務案例拆解：智能導辦、邊聊邊辦數位櫃台，為什麼開始進入公共服務第一線了？
如果你把 WorkBuddy 只理解成「桌面上的辦公助手」，那其實還沒看到它更靠近公共服務的一面。
我這次特地翻了幾篇和 政務服務、智能導辦、公積金數位櫃台、內部辦公提效 直接相關的公開資料。看完之後，我的判斷很明確：
WorkBuddy 所在的騰訊 AI 辦公與智能體路線，已經不只是幫政務人員寫報告，而是在往公共服務前台真正接業務的方向走。
這裡面最值得看的，不是「AI 會不會回答問題」，而是：
- 能不能把民眾的自然語言需求變成可執行流程
- 能不能把查詢、提取、測算、簽署這些動作串起來
- 能不能同時服務外部市民和內部工作人員
- 能不能在政務場景裡把「可辦」進一步做成「好辦、快辦、邊聊邊辦」
這條線一旦成立，價值就不只是辦公效率，而是：
公共服務體驗的結構性變化。
先說結論
-
截至 2026 年 6 月 29 日，公開資料裡，
WorkBuddy相關的騰訊 AI 辦公與智能體路線，在政務與公共服務方向最具代表性的落地，至少已經能拼出三條比較清楚的線：- 內部辦公提效：基於
WorkBuddy / LightClaw處理報告生成、會議紀要沉澱、研發與辦公效率提升 - 城市服務智能導辦：以深圳寶安區
「小寶同學」為代表，把城市服務做成語音輸入和一鍵辦理 - 公積金邊聊邊辦：以邯鄲公積金數位櫃台為代表，把自然語言對話真正接到業務辦理鏈路裡
- 內部辦公提效：基於
-
這幾條線裡最有價值的訊號，不是「會不會聊天」，而是公開資料已經出現了明確的生產環境細節：
- 微信小程式入口
- 自然語言對話驅動流程
- 覆蓋
48項高頻業務 - 覆蓋
600+項城市服務 - 單次業務從
15分鐘縮到3分鐘 - 上線首週
2475筆諮詢、82%自動解答準確率 - 年服務超
60萬人次辦理公積金提取
-
如果你現在關心的是：
- 政務服務數位化
- 公共服務前台智能化
- 內部辦公提效與外部業務聯動
- AI 在強流程場景下能不能真正跑起來
那這條線的參考價值，會比一般「AI 辦公展示」高很多。
先釐清一件事：這裡不是「把 WorkBuddy 直接套進小程式」那麼簡單
我覺得這條線最容易被誤解的地方，是有人會把它看成：
- WorkBuddy 做辦公
- 政務小程式做政務
- 兩邊只是剛好都用了騰訊的 AI
但從公開資料拼起來看，更準確的理解應該是：
WorkBuddy 所在的是騰訊 AI 辦公與智能體路線的辦公側入口，而政務導辦和數位櫃台，是同一條能力路線在公共服務前台的延伸。
也就是說，它的價值不是「某個獨立工具」，而是：
- 內部側：提效、報告、紀要、辦公助手
- 外部側：導辦、問答、業務辦理、自然語言互動
這兩邊如果能真正打通，才更像一個完整的政務智能體體系。
場景 1：政務客戶並不只想要一個聊天框，而是要「既在地化又雲原生」的服務體系
公開文章《騰訊雲+AI全棧能力支撐數位政府融合創新與效率提升》裡，把政務數位化的幾個核心矛盾講得很直接：
- 既要在地化部署滿足安全合規
- 又要承接高併發、高可用的網際網路級存取
- 既要自主創新體系
- 又要讓業務系統真的好用
在這篇材料裡，騰訊給出的政務 AI 工具鏈裡，明確點到了：
WorkBuddy：自研零門檻 AI 辦公助手LightClaw：雲端一鍵部署的 AI 執行環境ADP 3.0：支援LLM + RAG、Workflow、Multi-Agent
這個組合很關鍵，因為它說明政務客戶面對的不是「要不要一個更聰明的問答機器人」，而是：
怎麼把辦公端、開發端、業務端都接進同一套 AI 基礎能力裡。
這也是為什麼我覺得，這條線不能只從「前台聊天體驗」看，而要從：
- 內部辦公助手
- 開發與工作流編排
- 外部政務服務入口
三層一起看。
場景 2：深圳寶安區「小寶同學」，說明智能導辦這件事已經不是概念驗證
同一篇公開材料裡，第二個特別值得寫進文章的案例是：
深圳寶安區「小寶同學」
公開口徑給出的關鍵資訊包括：
- 它是
「寶i企」小程式中的智能導辦助手 - 面向的是城市服務智能化與主動觸達
- 覆蓋
600+項城市服務 - 支援語音輸入
- 支援一鍵辦理
- 能處理高層次人才補貼、食品經營許可這類更複雜的事項諮詢與引導
這說明什麼？
說明它不是簡單的「問答機器人」，而更像一個：
面向具體事項的前台導辦入口。
政務服務裡真正煩人的，從來不是「找不到答案」，而是：
- 不知道去哪裡辦
- 不知道自己是不是符合條件
- 不知道下一步要點什麼
- 不知道到底要帶什麼資料
如果 小寶同學 這類智能導辦能把這些前置摩擦接住，它帶來的價值就不只是減少諮詢量，而是讓很多原本要靠人工引導的流程，提前在線上被消化掉。
場景 3：邯鄲公積金「邊聊邊辦」，才是真正把業務辦理接進對話
如果說智能導辦還是「幫你找到路」，那邯鄲公積金數位櫃台更關鍵的一步，是：
直接讓對話進入辦理本身。
騰訊雲開發者社群那篇《聊著天就把事兒辦了的政務AI，落地邯鄲！》裡，給出的公開細節已經非常像真實生產環境：
- 微信小程式入口
- 全國首個公積金提取業務
「邊聊邊辦」數位櫃台 - 使用者用自然語言發起需求
- 方言也可以識別
- 系統基於大模型理解意圖
- 透過工作流自動調起：
- 身分驗證
- 公積金系統資料
- 協議簽署
- 業務流轉
也就是說，它不是「問完以後再跳轉辦理」，而是：
聊天這件事，本身就是辦理過程的一部分。
這在公共服務裡非常重要，因為很多業務最耗時間的並不是審批本身，而是：
- 填表
- 解釋
- 來回確認條件
- 找下一步入口
如果這些步驟能被自然語言前置消化，體驗會完全不一樣。
公開數字已經足夠說明它不是展示稿
邯鄲這條案例裡，最有說服力的不是概念，而是已經有一組可複核的公開數字：
- 上線首週受理諮詢：
2475筆 - AI 自動解答準確率：
82% - 以離退休提取業務為例：
- 原本
15分鐘 - 現在
3分鐘 - 提速超過
80%
- 原本
- 已有
48項高頻公積金業務逐步接入 - 年服務超
60萬人次辦理公積金提取
這些數字的意義不是「別的地方也一定一樣」，而是說明：
它已經不處在 PPT 階段，而是真的開始承擔真實業務量。
尤其是 48 項高頻業務這個細節，我覺得很關鍵。因為很多所謂 AI 政務場景，最後只停在 1 到 2 個展示型事項上。能把高頻事項逐步接入，才更接近可持續運行的業務系統。
場景 4：同樣一條路線，對內是 WorkBuddy 辦公提效，對外是數位櫃台
另一篇公開材料《騰訊「雲基座+AI大模型」重構公積金核心系統與業務閉環紀要》裡，有一個特別值錢的點：
它沒有把公積金場景只寫成「對外服務」，而是明確提到：
- 內部辦公效能替代
- 透過智能辦公助手（
WorkBuddy / CodeBuddy） - 各類分析報告一鍵生成
- 結構化多模態會議資料沉澱
這說明在騰訊的這條政務 AI 路線裡，真正的思路不是：
- 前台一套
- 後台一套
- 辦公又是一套
而更像是：
- 對外：數位櫃台、智能導辦、邊聊邊辦
- 對內：辦公助手、報告生成、紀要沉澱、流程輔助
這才是我覺得 WorkBuddy 這條線真正值得關注的地方。因為如果只有對外，沒有對內，組織本身不會真的提效；如果只有對內，沒有對外，也很難體現公共服務升級。
從這些公開案例裡，我看到的真實生產環境長什麼樣
把這些公開資料拼起來看，WorkBuddy 所在的騰訊政務與公共服務智能體路線，已經有幾個很清楚的生產環境訊號：
- 有內部辦公助手，不只是外部問答
- 有工作流編排，不只是大模型閒聊
- 有微信小程式和行動入口，不只是網頁展示
- 有語音輸入和方言識別，不只是標準文字輸入
- 有查詢、提取、貸款測算、簽署這類具體業務動作
- 有高頻事項接入，不只是單個 Demo
- 有量化指標，不只是概念宣傳
這就是為什麼我會把它理解成：
開始進入公共服務第一線的 AI 工作流，而不是一個只在政務單位內部試用的辦公工具。
哪些政務和公共服務團隊最值得看這條線
我覺得下面幾類團隊會最容易從這條線裡拿到直接參考價值：
- 公積金、社保、便民服務這類高頻公共服務機構
- 需要把大量線下諮詢和表單流轉前移到線上入口的部門
- 已經在做小程式、APP、官方帳號導辦，但互動體驗還比較弱的政務團隊
- 想同時優化內部辦公提效和外部服務體驗的數位化團隊
- 既要在地化合規、又要承接高併發線上業務的政務雲與產業雲團隊
如果你的業務完全不涉及：
- 高併發公共諮詢
- 高頻事項辦理
- 內外部流程聯動
- 小程式 / 行動端入口
那這條線的價值感知就不會這麼強。
如果你想自己測，我建議這樣測
別先問「AI 能不能聊天」，直接拿政務真實鏈路去壓：
- 挑 3 到 5 個最高頻事項，看它能不能把諮詢、條件判斷、辦理入口和下一步串起來。
- 分開測「導辦」和「辦理」兩層，別混成一個口號。
- 看它能不能接住語音輸入和非標準表達，這在政務場景裡非常關鍵。
- 對內再測一輪 WorkBuddy 辦公側：報告生成、會議紀要、事項梳理有沒有真的省掉人工。
- 最後才算 ROI，重點看：
- 單次辦理時長
- 自動解答準確率
- 人工窗口分流比例
- 高頻事項覆蓋率
如果你同時還在看統一模型接入和採購路徑，也可以順手看：
我的最終結論
如果一句話總結我對這組 WorkBuddy 政務案例 的看法，那就是：
它最值得重視的，不是「政務也開始用 AI 了」，而是騰訊已經把辦公助手、導辦助手和邊聊邊辦數位櫃台，拼成了一條更像真實公共服務工作流的路線。
這條線一旦繼續成熟，變化不會只體現在「問答更快」，而是：
- 民眾更少在入口處迷路
- 高頻事項辦理更短
- 人工窗口壓力更低
- 內部報告和會議紀要處理更快
- 前台和後台終於開始被同一套智能體能力串起來
這才是我覺得它開始真正進入公共服務第一線的原因。